%0 Journal Article
%T Reference Evapotranspiration Estimation by Hargreaves Priestley-Taylor and Artificial Neural Networks Models
%A Cervantes-Osornio Roc赤o
%A Arteaga-Ram赤rez Ram車n
%A V芍zquez-Peˋa Mario Alberto
%A Ojeda-Bustamante Waldo
%J Ingenier赤a, investigaci車n y tecnolog赤a
%D 2013
%I Universidad Nacional Aut車noma de Mexico (UNAM)
%X Resulta costoso medir directamente la evapotranspiraci車n de referencia (ET0) con un lis赤metro, y al no contar con esta informaci車n se utiliz車 el m谷todo de Penman-Monteith modificado por la FAO (ET0 FAO-56 P-M) para su c芍lculo. El objetivo del presente trabajo fue realizar una comparaci車n de modelos emp赤ricos como el de Hargreaves, Hargreaves calibrado y Priestley-Taylor, con el modelo de redes neuronales artificiales funci車n de base radial (RNA BR), con las mismas variables de entrada, en la estimaci車n de la ET0 FAO-56 P-M. Las estimaciones de ET0 se evaluaron en cuatro estaciones clim芍ticas del Distrito 075, Valle del Fuerte en Sinaloa, M谷xico. Las RNABR3 y RNABR7 utilizaron las mismas variables de entrada (o menos) que los m谷todos convencionales de HARGC y P-T, respectivamente. Los RMSE de HARGC y P-T en el ajuste, variaron de 0.7092 a 0.7848 y de 0.4178 a 0.8207, y en la validaci車n de 1.1898 a 0.6914 y de 0.3800 a 0.6889, respectivamente. De las RNABR3 y RNABR7 sus RMSE en el ajuste fueron de 0.5295 a 0.6737 y de 0.3574 a 0.4809, y en la validaci車n de 1.3096 a 0.6254 y de 0.3470 a 0.4919, respectivamente. Los RMSE obtenidos en el ajuste y en la validaci車n de las RNABR3 y RNABR7 definieron que 谷stas fueron mejores en la estimaci車n de la ET0 FAO-56 P-M que los m谷todos convencionales.
%K funci車n de base radial
%K Hargreaves
%K modelos
%K necesidades de agua
%K Priestley-Taylor
%K pron車stico
%U http://www.ingenieria.unam.mx/~revistafi/ejemplares/V14N2/V14N2_art03.pdf