Estimativa do índice de evapotranspiração com base em técnicas de aprendizado de máquina

O crescimento populacional, alinhado às mudanças climáticas e às crises hídricas, tem despertado a atenção para a agropecuária. O setor é responsável pelo uso de 70% da água mundial e de um desperdício de, aproximadamente, 50% desse total em processos de irrigação. Diversos métodos tecnológicos estão sendo desenvolvidos para minimizar esse impacto e cola borar com os Objetivos de Desenvolvimento Sustentável da ONU, dentro deles, a agricultura sustentável. Visando a otimização do uso de recursos hídricos, torna-se necessária a análise de evapotranspiração, visto que é a variável mais ativa do ciclo hidrológico e a principal compo nente no balanço hídrico dos ecossistemas agrícolas. Partindo da hipótese de que análises com aprendizado de máquina podem ser aplicadas para determinação de evapotranspiração e auxí lio na tomada de decisão na irrigação, permitindo estimativas assertivas e sem dependência de uma grande variedade de dados, este artigo apresenta a aplicação das técnicas de Decision Tree Regressor, Random Forest, Artificial Neural Network e XGBoost para esse fim. Através de um dataset do Instituto Nacional de Meteorologia (INMET), os modelos foram treinados com base em equações amplamente validadas para cálculos de evapotranspiração. Após a rotina de testes, foi possível obter resultados satisfatórios, com MAE inferior a 0,0015, demonstrando a efetividade das técnicas computacionais para a estimativa de evapotranspiração.