AVALIAÇÃO DE TÉCNICAS DE MACHINE LEARNING NA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO REAL DIÁRIA

Código

XXVI-SBRH0395

Autores

Eduardo Gonçalves Patriota, Cinthia Maria de Abreu Claudino, José Lindemberg Vidal-Barbosa, Filipe Carvalho Lemos, GUILLAUME F. BERTRAND, Cristiano das Neves Almeida, VICTOR HUGO RABELO COELHO

Tema

F - Processos Hidrológicos e Monitoramento Integrado de Recursos Hídricos

Resumo

A evapotranspiração real (ET) é um processo chave do ciclo hidrológico, especialmente relevante para regiões tropicais como o Brasil. O modelo ESTIMET foi desenvolvido para gerar estimativas de ET com alta resolução espacial e temporal, porém ainda apresenta limitações em biomas ecologicamente complexos. Este trabalho avaliou a aplicação de três algoritmos de aprendizado de máquina (Random Forest, Gradient Boosting e K-Nearest Neighbours) para aprimorar as estimativas do ESTIMET com base em dados de sensoriamento remoto e reanálise climática. Foram utilizadas 14 torres de fluxo distribuídas por diferentes biomas brasileiros como referência para a ET observada. A calibração dos modelos considerou variáveis como temperatura da superfície, precipitação, umidade do solo e velocidade do vento. Os resultados demonstraram melhorias significativas em todas as métricas avaliadas (MAE, RMSE, R² e KGE), com destaque para o RF, que alcançou um R² médio de 0,87 e KGE de 0,89. A performance variou entre os biomas, com maior acurácia em regiões com forte sazonalidade, como o Cerrado. Os modelos de ML mostraram-se eficazes em capturar interações não lineares e padrões regionais, sendo uma alternativa promissora para o aprimoramento das estimativas de ET em larga escala.