Aprendizaje profundo interpretable para la predicción dinámica de lluvia-escorrentía: Integración de descomposición...

Área de la Ciencia:

• Hidrología y Ingeniería de Recursos Hídricos
• Ciencias Ambientales
• Ciencia de Datos y Aprendizaje Automático

Sus antecedentes:

• La predicción precisa de la escorrentía es fundamental para una gestión eficaz de los recursos hídricos.
• Los datos de escorrentía a menudo exhiben características complejas no lineales y no estacionarias debido a factores espaciales y temporales intrincados.
• Los modelos existentes tienen dificultades para capturar estas complejidades, lo que limita la precisión de la predicción.

Objetivo del estudio:

• Desarrollar un modelo mejorado de predicción de lluvia-escorrentía que integre la descomposición adaptativa de señales y la extracción de características espaciotemporales.
• Mejorar la precisión y la interpretabilidad de los modelos de predicción de escorrentía.
• Proporcionar información sobre la modelización de datos complejos no lineales espaciotemporales.

Principales métodos:

• Descomposición de modos variacionales de optimización por enjambre de partículas adaptativa (APSO-VMD) para la descomposición y eliminación de ruido de señales multiescala.
• Mecanismos de atención espaciotemporal para capturar dependencias temporales y relaciones de conducción espacial.
• Unidades recurrentes con compuerta (GRUs) para modelar la relación dinámica lluvia-escorrentía.

Principales resultados:

• El modelo propuesto supera significativamente a los modelos tradicionales y combinados en varios horizontes de predicción.
• Rendimiento excepcional en predicciones a corto plazo con NSE = 0.9977 y RMSE = 1.1793.
• El módulo de descomposición de datos mostró el efecto principal más fuerte (hasta 62,1%), con contribuciones significativas de su interacción con la extracción de características espaciotemporales.

Conclusiones:

• El enfoque integrado aborda eficazmente la naturaleza no lineal y no estacionaria de los datos de escorrentía.
• El modelo ofrece una mayor precisión e interpretabilidad para la predicción de lluvia-escorrentía.
• Este estudio proporciona un marco sólido para la modelización y predicción de datos hidrológicos espaciotemporales complejos.