Resumen:
Resumen. La evaporaci´on es un proceso fundamental dentro del ciclo
hidrol´ogico, el cual consiste en la p´erdida de agua en forma de vapor desde
la superficie terrestre hacia la atm´osfera. Debido a su complejidad, se han
implementado diferentes t´ecnicas de Aprendizaje Autom´atico (ML, por sus
siglas en ingl´es), para comprender mejor este proceso. En esta investigaci´on
se realiz´o una comparaci´on de tres modelos de ML, regresi´on lineal m´ultiple
(MLR), bosques aleatorios (RF) y k-vecinos m´as cercanos (KNN), para estimar la
evaporaci´on en la regi´on Calera, Zacatecas, M´exico. Para evaluar el rendimiento
de los modelos, se utilizaron las m´etricas coeficiente de correlaci´on de Pearson
(R), coeficiente de eficiencia Nash-Sutcliffe (NSE), ra´ız del error cuadr´atico
medio (RMSE) y el error medio absoluto (MAE). El modelo regresión lineal
múltiple (MLR) fue el que presento mejor desempeño, con un coeficiente de
correlación de Pearson (R) para la estación Calera de 0.97 y para Fresnillo de
0.94, de igual manera, se obtuvo un NSE de 0.93 y 0.87, un RMSE de 15.97 y
20.53 mm, y un MAE de 12.56 y 14.66 mm, respectivamente.
Descripción:
Abstract. Evaporation is a key process in the hydrological cycle, consisting of
the loss of water in vapor form from the land surface to the atmosphere. Due to
its complexity, various Machine Learning (ML) techniques have been developed
to better understand this phenomenon. In this research, it was compared the
performance of three ML models, multiple linear regression (MLR), random forest (RF), and k-nearest neighbors (KNN), for estimating evaporation in the
region of Calera, Zacatecas, Mexico. To evaluate model performance, it was
used the Pearson correlation coefficient (R), Nash-Sutcliffe efficiency coefficient
(NSE), root mean square error (RMSE), and mean absolute error (MAE). The
results showed that multiple linear regression performed best in the study area,
with a Pearson correlation coefficient (R) of 0.97 for the Calera climatological
station and 0.94 for Fresnillo. The NSE values were 0.93 and 0.87, the RMSE
values were 15.97 and 20.53 mm, and the MAE values were 12.56 and 14.66
mm, respectively.
Excepto si se señala otra cosa, la licencia del ítem se describe como CC0 1.0 Universal