Un marco de aprendizaje automático basado en grafos para la gestión de la calidad del agua de los ríos en condiciones de limitación de datos | JoVE Visualize

Área de la Ciencia:

Ciencias Ambientales
Gestión de Recursos Hídricos
Aplicaciones de Aprendizaje Automático

Sus antecedentes:

La predicción precisa de la calidad del agua de los ríos se ve desafiada por datos escasos y información limitada sobre el caudal, común en la monitorización de cuencas hidrográficas con recursos limitados.
Los métodos existentes a menudo luchan por integrar variables hidroambientales diversas de manera efectiva para una previsión robusta.

Objetivo del estudio:

Desarrollar y validar un novedoso marco de aprendizaje automático de tres módulos para la predicción, interpretación y gestión de la calidad del agua de los ríos.
Aplicar este marco a la predicción de la cromaticidad en la cuenca del río Hantan, abordando las limitaciones de datos.

Principales métodos:

Un marco de tres módulos que combina redes neuronales de grafos (GNN) o redes recurrentes para la predicción, IA explicable para la interpretación y análisis contrafactual para la gestión.
Se utilizó un conjunto de datos de 1667 observaciones mensuales de 59 sitios que cubren 37 variables hidroambientales.
Se emplearon conjuntos de entrenamiento, validación y prueba independientes para una evaluación rigurosa del rendimiento.

Principales resultados:

Los modelos basados en grafos, en particular el Graph Sample-and-Aggregate mejorado, superaron a los modelos recurrentes de referencia, logrando un R² de prueba de 0,82.
Los análisis de interpretabilidad identificaron la subcuenca SC como una región principal de intervención y distinguieron los impulsores de la contaminación a largo plazo de los de corto plazo.
El análisis contrafactual demostró objetivos factibles de cromaticidad aguas abajo (14-15 CU) con tasas de éxito del 26-40%.

Conclusiones:

El marco de aprendizaje automático propuesto mejora significativamente la precisión y la interpretabilidad de la predicción de la calidad del agua de los ríos.
Proporciona una herramienta de apoyo a la decisión rentable para la gestión de cuencas hidrográficas, especialmente en condiciones de datos limitados.
El estudio destaca la eficacia de las GNN para capturar las características de las fuentes de contaminación y las vías de transporte.