[cat] L’evapotranspiració és un fenomen difícil de que depèn de diferents variables climàtiques. Per al seu
càlcul o estimació actualment s’utilitzen fórmules que necessiten de gran quantitat d’inputs, com la
equació de Penman-Monteith o altres com la de Hargreaves i Samani, que tot i necessitar menys
inputs requereixen ser calibrades. Es per això que, com a alternativa als models tradicionals, les xarxes
neuronals artificials (Artificial neural network-Ann) son cada pic mes utilitzades per modelar
processos no lineals com es el cas de l’evapotranspiració. Normalment, en els estudis més comuns
d’entrenament d’ ANNs es separa el set de dades aplicant una única partició en 3 sets de dades: un
per entrenar el model, un altre per validació creuada i un per testar el model. Per tant, l’avaluació del
model estarà referida a aquesta partició. Com a alternativa a aquesta tècnica, el present estudi
considera diferents particions del set de dades mitjançant la validació per parts per poder avaluar el
set de dades al complet.
Així doncs s’han avaluat diferents models neuronals amb diferents combinacions d’inputs per a
estimar evapotranspiració de referència. Els resultats han demostrat la capacitat dels models
neuronals per a estimar el procés d’evapotranspiració, on el model ANNhr ha estat el que millor error
relatiu AARE presenta (0.110), seguit de ANNrs (0.144) i ANNra (0.158). A més, al comparar-se els
models neuronals, ANNrs ANNra ANNhs respecte als seus respectius models
empírics, HGrs, HGra i HGhs ,s’ha reduït l’error relatiu AARE un 0.087, 0.064 i 0.055 respectivament.