Predicción de la evapotranspiración de referencia mediante NASA-POWER: contraste con estaciones meteorológicas en el sudeste de Córdoba

Abstract

La cuantificación de la evapotranspiración de referencia (ETo) resulta de utilidad para diferentes aplicaciones. Sin embargo, su estimación está limitada por la carencia de instrumentos y redes de observación terrestres. Actualmente, se dispone de productos satelitales grillados de reanálisis y modelos de aprendizaje automático que surgen como alternativa para estimar variables meteorológicas espacialmente explícitas a escala local y regional. El objetivo de este trabajo fue evaluar la predicción de la ETo mediante el producto NASA-POWER en el sudeste de Córdoba. A partir de la temperatura, humedad, velocidad de viento y radiación solar registradas en estaciones meteorológicas y estimadas por NASA-POWER, se estimó la ETo mediante el modelo Penman-Monteith. Además, se empleó el modelo de aprendizaje automático Extreme Gradient Boosting (XGBoost) para corregir las estimaciones de NASA-POWER necesarias para el cálculo de ETo. Los resultados mostraron que NASA-POWER estimó la ETo con errores inferiores a 1 mm.día-1 cuando se comparó con la observada en las estaciones. XGBoost mejoró sensiblemente la precisión. A partir del producto NASA-POWER y XGBoost se puede reconstruir la falta de registros meteorológicos en el sudeste de Córdoba y a partir de ello estimar la ETo en forma precisa.

Computation of reference evapotranspiration (ETo) is useful for different applications. However, its estimation is limited by the lack of terrestrial observation instruments and networks. Currently, gridded satellite reanalysis products and machine learning models are available as an alternative to estimate spatially explicit meteorological variables at local and regional scales. The aim of this work was to evaluate and predict ETo using the NASA-POWER product in southeastern Córdoba. Through the Penman-Monteith model, ETo was estimated from temperature, humidity, wind speed and solar radiation recorded at stations, those estimated by NASA-POWER and those predicted by the Extreme Gradient Boosting machine learning model (XGBoost). NASA-POWER estimated ETo with errors less than 1 mm.day-1 when compared to that observed at the stations. XGBoost obtained a better accuracy and lower estimation errors. From the NASA-POWER product and XGBoost it is possible to reconstruct the lack of meteorological records in southeastern Córdoba to estimate ETo accurately.