Desarrollo de modelos de humedades relativas mediante el uso de redes neuronales optimizadas

Resumen

El clima ha tenido siempre un gran impacto en la vida en la Tierra, la salud, actividad y cultura del hombre. La influencia de la humedad relativa (HR) tiene especial relevancia en ambientes controlados (por ejemplo, procesos industriales de elaboración y conservación de productos agroalimentarios, o el control en invernaderos). En el ámbito agrario también es un elemento fundamental, ya que puede modificar el rendimiento de los cultivos y la incidencia de plagas y enfermedades, sin olvidar su influencia directa en la demanda evaporativa de la atmósfera. El objetivo principal de este estudio es estimar valores de HRs ambientales (máximas, medias, y mínimas) en un territorio concreto, en este caso aplicado a Castilla-La Mancha (España) a partir de registros disponibles en estaciones termopluviométricas. Para ello, se ha planteado el uso de herramientas basadas en redes neuronales artificiales (RNAs), que permitan generar datos de HRs a partir de registros de temperaturas máximas y mínimas, y datos de radiación solar extraterrestre. Para generar y validar estos modelos se utilizan registros de los años 2000-2008, procedentes de 44 estaciones agroclimáticas completas ubicadas en esta comunidad autónoma. La metodología propuesta ofrece errores relativos espaciales del 11,30%, 6,80% y 10,27%, y temporales del 10,34%, 6,59% y 9,77% para las HRs mínimas, máximas y medias, respectivamente. El uso de las RNAs es efectivo para la generación de parámetros climáticos a partir de otros datos disponibles. La determinación de una estructura óptima de RNA para estimar valores de HRs requiere la calibración y validación de los modelos considerando la variabilidad espacial y temporal de los datos.