Abstract The present study applies computational intelligence techniques in the development of a hybrid model composed of Artificial Neural Networks (ANNs) and Genetic Algorithms (GAs) (MLP-GA) to estimate and fill in the gaps in the monthly variables of evaporation, maximum temperature and relative humidity to six regions in the state of Rio de Janeiro (RJ), Brazil. The results were evaluated using statistical techniques and compared with results obtained by the Multiple Linear Regression (RLM), Multilayer Perceptron (MLP) and Radial Basis Function (RBF) models and also compared with the data recorded by the weather stations. The correlation coefficient (r) between the evaporation estimates generated by MLP-GA with the recorded data showed a high relationship, remaining between 0.82 to 0.97. The average percentage error (MPE) ranged from 6.01% to 9.67%, indicating a accuracy between 90% to 94%. For the maximum temperature generated by MLP-GA the correlation with the recorded data remained between 0.97 to 0.99. It also presented the MPE between 0.95% to 1.57%, maintaining the accuracy of the estimated data between 98% to 99%. The correlation coefficient (r) between the relative humidity estimates generated with the MLP-GA remained between 0.89 a 0.97, the MPE between 1.15% to 1.89%, which guaranteed a rate higher than 98% of correctness in its estimates. Such results demonstrated gains in relation to the other applied models and allowed the accomplishment of the filling of most of the missing values.

Resumo O presente estudo aplica técnicas de inteligência computacional no desenvolvimento de um modelo híbrido composto por Redes Neurais Artificiais (RNAs) e Algoritmos Genéticos (AGs) (MLP-GA) para estimar e preencher lacunas nas variáveis mensais de evaporação, temperatura máxima e umidade relativa em seis regiões do estado do Rio de Janeiro (RJ), Brasil. Os resultados foram avaliados por meio de técnicas estatísticas e comparados com os resultados obtidos pelos modelos de Regressão Linear Múltipla (RLM), Perceptron de Multicamadas (MLP) e Redes de Função de Base Radial (RBF), além de serem comparados com os dados registrados pelas estações meteorológicas. O coeficiente de correlação (r) entre as estimativas de evaporação geradas pelo MLP-GA com os dados registrados mostrou uma relação elevada, permanecendo entre 0,82 e 0,97. O erro percentual médio (MPE) variou de 6,01% a 9,67%, indicando uma precisão entre 90% e 94%. Para a temperatura máxima gerada pelo MLP-GA, a correlação com os dados registrados permaneceu entre 0,97 e 0,99. Apresentou também o MPE entre 0,95% e 1,57%, mantendo a precisão dos dados estimados entre 98% e 99%. O coeficiente de correlação (r) entre as estimativas de umidade relativa geradas pelo MLP-GA permaneceu entre 0,89 e 0,97, com MPE entre 1,15% e 1,89%, garantindo uma taxa superior a 98% de acerto em suas estimativas. Tais resultados demonstraram ganhos em relação aos outros modelos aplicados e permitiram o preenchimento da maioria dos valores ausentes.

Resumo O alto consumo de água pela agricultura torna cada vez mais essencial o conhecimento da evapotranspiração de referência (ETo) para a realização do manejo da irrigação. Entretanto, definir um método adequado às diferentes localidades está associado à disponibilidade dos dados meteorológicos e a adaptação dos métodos às localidades aplicadas. Assim, o objetivo deste trabalho foi comparar e avaliar o desempenho dos métodos de ETo: Hargreaves-Samani, Jensen-Haise, Benavides & Lopez e Hamon com o método padrão Penman Monteith FAO-56, para estimar a ETo diária de seis regiões, três do estado do Rio de Janeiro e três do estado do Espírito Santo. As variáveis meteorológicas empregadas foram cedidas pelo Centro de Previsão de Tempo e Estudos Climáticos e do Instituto Nacional de Pesquisas Espaciais (CPTEC - INPE). O desempenho dos modelos foi avaliado por diferentes técnicas estatísticas onde o modelo que melhor se adaptou às localidades estudadas nos dois estados foi o de Jensen Haise, tendo obtido os índices de correlação (r) entre 0,73 a 0,94 e a confiabilidade (C) entre 0,60 a 0,90 com o modelo de Penman Monteith.

Abstract The high consumption of water by agriculture makes knowledge about reference evapotranspiration (ETo) for irrigation management more and more essential. However, define an appropriate method to the different locations is associated with the availability of meteorological data and the adaptation of the methods to the application sites. Thus, the objective of this study is to compare and evaluate the performance of the ETo methods: Hargreaves-Samani, Jensen-Haise, Benavides & Lopez and Hamon using the standard method Penman Monteith FAO-56, to estimate the daily ETo of six regions, three of the state of Rio de Janeiro and three of the state of Espírito Santo. The meteorological variables employed were provided by the Center for Weather Forecasting and Climate Studies and the National Institute of Space Research - (CPTEC - INPE). The performance of the models was evaluated by different statistical techniques where the model that best suited the studied locations in the two states was the Jensen Haise, obtaining correlation indexes (r) between 0.73 and 0.94 and reliability (C) between 0.60 and 0.90 with the Penman Monteith model.

Resumo O Referido estudo estima e preenche falhas reais em uma série de dados meteorológicos pertencentes a quatro regiões do estado do Rio de Janeiro. Para isso, foi aplicada uma Rede Neural Artificial (RNA) de Perceptrons de múltiplas camadas (MLP). A fim de avaliar sua aptidão, foram estimadas as variáveis mensais de temperatura máxima do ar e umidade relativa do ar do período de 31/05/2002 a 31/12/2014, e comparadas com os resultados obtidos por modelos de Regressão Linear Múltipla (RLM) e Média das regiões (MD), e ainda confrontados com os dados registrados. Para analisar os valores estimados e definir o melhor modelo para preenchimento foram aplicadas técnicas estatísticas como o coeficiente de correlação (r), erro médio percentual (EMP), entre outros. Os resultados demonstraram uma alta relação com os dados registrados, apresentando índices entre 0,94 a 0,98 de (r) para temperatura máxima do ar e entre 2,32% a 1,05% de (EMP), mantendo a precisão entre 97% a 99%. Já para umidade relativa do ar o índice (r) com MLP se manteve entre 0,77 a 0,94, e o (EMP), entre 2,41% a 1,85%, mantendo as estimativas entre 97% a 98%. Esses resultados destacam a MLP como sendo eficaz na estimativa e preenchimento de valores faltantes.

Abstract This study estimates and fills real flaws in a series of meteorological data belonging to four regions of the state of Rio de Janeiro. For this, an Artificial Neural Network (ANN) of Multilayer Perceptron (MLP) was applied. In order to evaluate its adequacy, the monthly variables of maximum air temperature and relative humidity of the period between 05/31/2002 and 12/31/2014 were estimated and compared with the results obtained by Multiple Linear Regression (MLR) and Regions Average (RA), and still faced with the recorded data. To analyze the estimated values and define the best model for filling, statistical techniques were applied such as correlation coefficient (r), Mean Percentage Error (MPE) and others. The results showed a high relation with the recorded data, presenting indexes between 0.94 to 0.98 of (r) for maximum air temperature and between 2.32% to 1.05% of (MPE), maintaining the precision between 97% A 99%. For the relative air humidity, the index (r) with MLP remained between 0.77 and 0.94 and (MPE) between 2.41% and 1.85%, maintaining estimates between 97% and 98%. These results highlight MLP as being effective in estimating and filling missing values.