Predicción del índice de calidad del agua utilizando regresión de conjunto apilado e inteligencia artificial...

Área de la Ciencia:

• Ciencias del medio ambiente
• Ciencia de los datos
• Gestión de los recursos hídricos

Sus antecedentes:

• La previsión precisa del índice de calidad del agua (WQI) es crucial para la gestión eficaz de los recursos hídricos y la protección de la salud pública.
• Los métodos de pronóstico existentes a menudo carecen de interpretabilidad y una alta precisión predictiva.
• Los parámetros físicoquímicos son indicadores clave de la calidad del agua de los ríos.

Objetivo del estudio:

• Desarrollar y validar un nuevo modelo de conjunto de regresión apilada para la predicción del ICQ.
• Para integrar la inteligencia artificial explicable (XAI) para la interpretabilidad del modelo.
• Identificar los parámetros fisicoquímicos más influyentes para la predicción del ICM.

Principales métodos:

• Se desarrolló un modelo de conjunto apilado utilizando seis algoritmos de aprendizaje automático (XGBoost, CatBoost, Random Forest, Gradient Boosting, Extra Trees, AdaBoost) con Regresión Lineal como metaaprendizaje.
• El modelo fue entrenado en 1.987 muestras de calidad del agua del río indio (2005-2014) utilizando siete parámetros físicoquímicos normalizados.
• SHAP (Shapley Additive explanations) fue empleado para la interpretabilidad del modelo y el análisis de la importancia de las características.

Principales resultados:

• El modelo de conjunto apilado logró un rendimiento superior con R2 de 0,9952, R2 ajustado de 0,9947, MAE de 0,7637 y RMSE de 1,0704.
• Los modelos individuales CatBoost y Gradient Boosting mostraron un fuerte rendimiento independiente.
• El análisis SHAP identificó el oxígeno disuelto (DO), la demanda bioquímica de oxígeno (BOD), la conductividad y el pH como los parámetros más influyentes para la predicción del WQI.

Conclusiones:

• El modelo de conjunto apilado propuesto con XAI ofrece una alta precisión predictiva e interpretabilidad para la predicción del WQI.
• Este enfoque mejora el monitoreo ambiental en tiempo real y apoya los marcos de políticas automatizadas.
• Los hallazgos fomentan la confianza de las partes interesadas en la sostenibilidad de los recursos hídricos a través de una mejor previsión y transparencia.