Abstract
This study investigates the accuracy of support vector machines (SVM), which are regression procedures, in modelling reference evapotranspiration (ET0). The daily meteorological data, solar radiation, air temperature, relative humidity and wind speed from three stations, Windsor, Oakville and Santa Rosa, in central California, USA, are used as inputs to the support vector machines to reproduce ET0 obtained using the FAO-56 Penman-Monteith equation. A comparison is made between the estimates provided by the SVM and those of the following empirical models: the California Irrigation Management System (CIMIS) Penman, Hargreaves, Ritchie and Turc methods. The SVM results were also compared with an artificial neural networks method. Root mean-squared errors, mean-absolute errors, and determination coefficient statistics are used as comparing criteria for the evaluation of the models' performances. The comparison results reveal that the support vector machines could be employed successfully in modelling the ET0 process.
Résumé
Cet article étudie la précision de ‘support vector machines' (SVM), qui sont des procédures de régression, pour la modélisation de l'évapotranspiration de référence (ET0). Les données météorologiques journalières de rayonnement solaire, température de l'air, humidité relative et vitesse du vent de trois stations (Windsor, Oakville et Santa Rosa) de Californie centrale, Etats-Unis, sont utilisées comme données d'entrées de SVM pour reproduire l'ET0 obtenue à l'aide de l'équation FAO Penman—Monteith. Une comparaison est menée entre les estimations fournies par les SVM et par les modèles empiriques du Système de Gestion de l'Irrigation de Californie, de Penman, de Hargreaves, de Ritchie et de Turc. Les résultats des SVM sont également comparés avec ceux de réseaux de neurones artificiels. Les erreurs quadratiques moyennes et moyennes absolues, ainsi que le coefficient de détermination, sont utilisés comme critères de comparaison pour l'évaluation des performances des modèles. Les résultats de la comparaison montrent que les SVM peuvent être utilisés avec succès pour modéliser l'ET0.