Enfoque optimizado espacialmente para predecir la calidad del agua en una cuenca agrícola heterogénea

Área de la Ciencia:

• Ciencias Ambientales
• Gestión de Recursos Hídricos
• Aplicaciones de Aprendizaje Automático

Sus antecedentes:

• La predicción de la calidad del agua en cuencas heterogéneas es compleja debido a las variaciones espaciales en los parámetros y la precisión.
• Los modelos de aprendizaje automático espacialmente adaptativos ofrecen una solución para la predicción localizada de la calidad del agua.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático espacialmente adaptativos para predecir la calidad del agua de riego.
• Identificar parámetros clave de calidad del agua para mejorar la precisión de la predicción en diferentes clústeres de cuencas.

Principales métodos:

• Se calculó el Índice de Calidad del Agua de Riego (IWQI).
• Se identificaron clústeres espaciales de estaciones de calidad del agua basados en características fisicoquímicas.
• Se desarrollaron y evaluaron seis modelos de aprendizaje automático (SVM, RF, ET, XGBoost, DT, BRT) para cada clúster.
• Se realizó un análisis de sensibilidad para determinar los parámetros clave de predicción.

Principales resultados:

• Se identificaron tres clústeres distintos de estaciones de calidad del agua basados en las características del agua.
• El modelo XGBoost demostró la mayor precisión en todos los clústeres (R²=0.99, RMSE=0.02-0.05).
• Los modelos optimizados localmente predijeron eficazmente la calidad del agua utilizando parámetros específicos dentro de cada clúster.

Conclusiones:

• Los modelos espacialmente adaptativos son efectivos para predecir la calidad del agua de riego específica de la cuenca.
• Los hallazgos respaldan alertas oportunas para la gestión de la calidad del agua en el desarrollo agrícola adaptativo.
• XGBoost muestra un rendimiento superior para la predicción localizada de la calidad del agua en entornos heterogéneos.