resumen

En esta tesis, se presenta la aplicación de redes neuronales artificiales (ANNs) para modelar dos variables de gran importancia en la ingeniería del riego: la evapotranspiración de referencia y las pérdidas de carga localizadas provocadas por los emisores integrados. Por una parte, se ha propuesto un modelo ANN para la predicción de las pérdidas de presión ocasionadas por la inserción de emisores integrados en los laterales de riego localizado, lo que nunca se ha llevado a cabo mediante redes neuronales. Por otro lado, se ha analizado la validez de un modelo ANN de 4 inputs existente para predicción de ETo en distintos contextos continentales de la Comunidad Valenciana y se ha planteado un nuevo modelo ANN de 6 inputs para mejorar el rendimiento del anterior.

Para llevar a cabo dichos estudios, se ha recurrido al uso de perceptrones multinivel (MLP) sometidos al algoritmo Levenberg Marquardt. En los tres casos, se analizaron redes con múltiples configuraciones y se repitió el proceso de entrenamiento de cada red un número variable de veces para compensar el efecto derivado de la asignación inicial aleatoria de pesos en dicho proceso. Asimismo, en los tres problemas abordados se llevaron a cabo distintas estrategias en la asignación de los datos disponibles a los conjuntos de entrenamiento, validación cruzada y test.

A diferencia de los modelos estadísticos existentes, el modelo ANN propuesto para predicción de pérdidas de carga localizadas posee indicadores de rendimiento referidos a un set de test independiente, lo que ha permitido evaluar su potencial real de generalización. Para diferentes combinaciones de validación cruzada, con datos al menos de tres emisores, se obtuvieron valores medios del performance index por encima de 0.85. En cuanto a los modelos de predicción de ETo, el rendimiento del modelo existente de 4 inputs depende del grado de oscilación térmica del contexto continental en que se utilice y su validez fuera de la sede de entrenamiento es muy limitada. El nuevo modelo que se propone introduce fundamentalmente dos novedades con el objetivo de mejorar el rendimiento del modelo dentro y fuera de la sede. Dichas novedades consisten en considerar la humedad relativa y en utilizar datos climáticos de estaciones auxiliares secundarias con índices de continentalidad semejantes a las estaciones de test. De esta manera, se logran predicciones más exactas que con el modelo anterior.