Prediction of Evapotranspiration in the Pampean Plain from CERES Satellite Products and Machine Learning Techniques

Abstract

A key aspect in agricultural zones, such as the Pampean Plain of Argentina, is to accurately estimate evapotranspiration rates to optimize crops and irrigation requirements and the floods and droughts prediction. In this sense, we evaluate six machine learning approaches to estimate the reference and actual evapotranspiration (ET0 and ETa) through CERES satellite products data. The results obtained applying machine learning techniques were compared with values obtained from ground-based information. After training and validating the algorithms, we observed that Support Vector machine-based Regressor (SVR) showed the best accuracy. Then, with an independent dataset, the calibrated SVR were tested. For predicting the reference evapotranspiration, we observed statistical errors of MAE = 0.437 mm d-1, and RMSE = 0.616 mm d-1, with a determination coefficient, R2, of 0.893. Regarding actual evapotranspiration modelling, we observed statistical errors of MAE = 0.422 mm d-1, and RMSE = 0.599 mm d-1, with a R2 of 0.614. Comparing the results obtained with the machine learning models developed another studies in the same field, we understand that the results are promising and represent a baseline for future studies. Combining CERES data with information from other sources may generate more specific evapotranspiration products, considering the different land covers.

Un aspecto clave en zonas agrícolas, como la llanura Pampeana argentina, es poder estimar con precisión las tasas de evapotranspiración para optimizar cultivos y requerimientos de riego, como así también la predicción de inundaciones y sequías. En este sentido, se evaluaron seis algoritmos de aprendizaje automático para estimar la evapotranspiración de referencia y la evapotranspiración real (ET0 y ETa, respectivamente) utilizando productos de satélite CERES como datos de entrada. Los valores modelados, aplicando técnicas de aprendizaje automático, se compararon con aquellos obtenidos a partir de información de terreno. Después de entrenar y validar los algoritmos, observamos que el Regresor con Vectores de Soporte (SVR) mostraba la mejor precisión. A continuación, con un conjunto de datos independiente, se testearon los algoritmos SVR calibrados. Para la predicción de la evapotranspiración de referencia se observaron errores estadísticos de MAE =0.437 mm d−1 y RMSE = 0.616 mm d−1, con un coeficiente de determinación R2= 0.893. Por otro lado, al predecir la evapotranspiración real, observamos errores estadísticos de MAE y RMSE de 0.422 mm d−1 y 0.599 mm d−1, respectivamente, con un R2 de 0.614. Al comparar los resultados obtenidos con los algoritmos de aprendizaje automático con aquellos arrojados por estudios en la misma área, entendemos que los resultados aquí mostrados son prometedores y representan una línea de base para futuros trabajos. La combinación de datos de CERES con información de otras fuentes puede generar productos de evapotranspiración más específicos, considerando además las diferentes coberturas del suelo.