The objective of this work is to perform a geometric analysis of the net present value (NPV) and Internal Rate of Return (IRR), defining analytics and in verifying the relationship between geometric properties of such functions. For this simulation, was used the values of the cash flows for each period identical and equal to US$ 200.00 cash, the initial investment US$ 1,000.00 and investments of each identical and equal to US$ 50.00 period. In addition, the discount rate and time were considered a maximum of 2 years (24 months) at a rate between 0 and 100%. The geometric analysis of the characteristics obtained from the expressions of the Net Present Value and Internal Rate of Return possible to observe that besides the analytical dependence between these quantities , the geometric relationships are relevant when studied in relation to the zero NPV and expressed a great contribution the sense of a broad vision for the administrator in the analysis of analytical variables that influences the balance sheet of the company.

O tomate é uma das hortaliças mais cultivadas no Brasil, há diversas variedades e sistemas de produção, para que não haja baixos níveis de rendimento nas lavouras é necessário assegurar o requerimento hídrico da cultura. O objetivo deste trabalho foi determinar a demanda e pegada hídrica do tomate de mesa com base na simulação de cultivos para o município de Paranapuã-SP em diferentes épocas do ano.  Foi estabelecida como área de estudo o município de Paranapuã-SP, os dados climáticos foram obtidos no Canal CLIMA da UNESP. As simulações de épocas de plantio foram realizadas no software CROPWAT 8.0. A demanda hídrica do tomate por ciclo é maior considerando o plantio em janeiro (347,3 mm) e menor quando plantado em abril (263,8 mm), a pegada hídrica azul aumenta à medida que o plantio é adiado, em função da necessidade de suprir a demanda hídrica do cultivo com aplicação de água via irrigação.

A evapotranspiração depende da interação entre variáveis meteorológicas (radiação solar, temperatura do ar, precipitação, umidade relativa do ar e velocidade do vento) e condições fitossanitárias das culturas agrícolas. É complexo construir medidas confiáveis de evapotranspiração devido aos elevados custos para implantação de técnicas micrometeorológicas, além de dificuldades na operação e manutenção dos equipamentos necessários. O propósito desta pesquisa foi modelar a evapotranspiração de referência (ETo) por meio de técnicas de machine learning em dados climáticos de 30 estações meteorológicas automáticas do Planalto Ocidental Paulista, Estado de São Paulo, Brasil, no período de 2013-2017. Uma comparação do desempenho estatístico entre as técnicas utilizadas foi realizada onde constatou-se melhor desempenho do modelo EToMLP4 (rRMSE = 0.62%), seguido por EToANFIS4 (rRMSE = 0.75%), EToSVM4 (rRMSE = 1.19%) e EToGRNN4 (rRMSE = 11.05%). Medidas de performance da base de validação evidenciam que os modelos propostos são aptos à estimativa da evapotranspiração de referência com destaque para a técnica MPL. Palavras-chave: evapotranspiração; modelagem matemática; aprendizagem de máquina.   Machine learning models applied in the estimation of reference evapotranspiration from the Western Plateau of Paulista   ABSTRACT: Evapotranspiration depends on the interaction between meteorological variables (solar radiation, air temperature, precipitation, relative humidity and wind speed) and phytosanitary conditions of agricultural crops. It is complex to build reliable evapotranspiration measurements due to the high costs of implementing micrometeorological techniques, in addition to difficulties in the operation and maintenance of the necessary equipment. The purpose of this research was to model the reference evapotranspiration through machine learning techniques in climatic data from 30 automatic weather stations in the Planalto Ocidental Paulista, State of São Paulo, Brazil, in the period 2013-2017. A comparison of the statistical performance between the techniques used was carried out, where the best performance of the EToMLP4 model (rRMSE = 0.62%), followed by EToANFIS4 (rRMSE = 0.75%), EToSVM4 (rRMSE = 1.19%) and EToGRNN4 (rRMSE = 11.05 %). Performance measures of the validation base show that the proposed models are able to estimate the reference evapotranspiration, with emphasis on the MPL technique. Keywords: evapotranspiration; modeling; machine learning.

A evapotranspiração é um fenômeno físico que promove a complexa transferência de água para a atmosfera por meio da relação entre o balanço hídrico climatológico, evaporação da água da superfície e transpiração das culturas agrícolas. É um parâmetro importante para otimização da gestão de recursos hídricos e planejamento da irrigação. Obter medidas confiáveis de evapotranspiração é uma tarefa complexa, pois depende de variáveis não disponíveis em algumas localidades. O objetivo deste trabalho foi aplicar a técnica multivariada de Análise de Componentes Principais para preenchimento de dados faltantes e propor modelos mais simples na estimação da evapotranspiração de referência para o Planalto Ocidental Paulista, comparando-os com o modelo de Penman-Monteith. Foi aplicado um procedimento baseado na Análise de Componente Principais para reconstrução da base de dados meteorológicos do período de 2013 a 2017 de 30 estações meteorológicas automáticas do Planalto Ocidental Paulista, localizado a noroeste do Estado de São Paulo, Brasil. Posteriormente foi realizada uma análise exploratória das variáveis climáticas para verificar o agrupamento de variáveis climáticas mais relevantes nos processos físicos da evapotranspiração. Esses agrupamentos foram a base para a construção de diferentes modelos de estimação da evapotranspiração de referência por meio de Regressões Múltiplas. Os resultados mostraram os melhores desempenhos dos modelos EToRLM4 (rRMSE = 5,23%) e EToRNLM4 (rRMSE = 6,39%). Os valores dos indicativos estatísticos da base de validação de RLM4 e RNLM4 indicam que ambos os modelos de regressões múltiplas podem ser utilizados na estimativa da evapotranspiração de referência.