Resumo O aumento do consumo de recursos naturais, como a água, tornou-se uma preocupação global. Consequentemente, determinar informações que possam minimizar o consumo de água, como a evapotranspiração, é cada vez mais necessário. Esta pesquisa avalia a capacidade dos Algoritmos Genéticos (AGs) em treinar e ajustar os parâmetros de Redes Neurais Artificiais (RNAs) (MLP-AG) para estimar os valores diários de evapotranspiração de referência (ETo) de cordo com o método Penman-Monteith FAO-56. O método é empregado para estimar a ETo em 14 estações meteorológicas no Brasil. Os resultados são avaliados com base no coeficiente de correlação (r), erro absoluto médio (MAE), raiz do erro quadrático médio (RMSE) e erro médio percentual (MPE), e são comparados com os métodos de Hargreaves-Samani, Jensen-Haise, Linacre, Benavides & Lopez e Hamon, juntamente com a rede neural Perceptron Multicamadas (MLP), que é treinada convencionalmente e através de técnicas de ajuste de hiperparâmetros, como Grid Search (MLP-GRID) e Random Search (MLP-RD). Os resultados mostram que o MLP-AG é, em média, 12 vezes mais rápido que o MLP-RD e 60 vezes mais rápido que o MLP-GRID, alcançando os maiores índices de acurácia na maioria das regiões, com r de 0,99, MAE variando de 0,11 mm a 0,20 mm, RMSE entre 0,14 mm e 0,27 mm, e MPE entre 2,49% e 7,09%. Essas descobertas sugerem que os resultados gerados atingem uma precisão entre 92,91% e 97,51% em comparação com o método Penman-Monteith. Isso confirma que o uso de Algoritmos Genéticos (AGs) para automatizar o treinamento e a otimização do modelo é eficaz e melhora a capacidade da rede neural de prever a ETo.
Abstract The increased consumption of natural resources, such as water, has become a global concern. Consequently, determining information that can minimize water consumption, such as evapotranspiration, is increasingly necessary. This research evaluates the capacity of Genetic Algorithms (GAs) in training and fine-tuning the parameters of Artificial Neural Networks (ANNs) (MLP-GA) to obtain daily values of reference evapotranspiration (ETo) in accordance with the Penman-Monteith FAO-56 method. The method is employed to estimate ETo at 14 weather stations in Brazil. The findings are assessed based on the coefficient of correlation (r), mean absolute error (MAE), root mean square error (RMSE), and mean percentage error (MPE), and are contrasted with the Hargreaves-Samani, Jensen-Haise, Linacre, Benavides & Lopez, and Hamon methods, along with the Multilayer Perceptron (MLP) neural network, which is conventionally trained and employs hyperparameter tuning techniques such as Grid Search (MLP-GRID) and Random Search (MLP-RD). The results show that the MLP-GA is, on average, 12 times faster than MLP-RD and 60 times faster than MLP-GRID, while achieving the highest precision indices in most regions, with an r of 0.99, MAE ranging from 0.11 mm to 0.20 mm, RMSE between 0.14 mm and 0.27 mm, and MPE between 2.49% and 7.09%. These findings suggest the results generated achieve an precision between 92.91% and 97.51% in comparison to the Penman-Monteith method. This confirms that employing Genetic Algorithms (GA) to automate the training and optimization of the model is effective and enhances the neural network's capacity to predict ETo.
