ML-TWiX: Un enfoque de aprendizaje automático para la extensión de la anomalía del almacenamiento total de agua hasta...

Área de la Ciencia:

• Ciencias de la Tierra
• Hidrología
• Ciencias del Clima

Sus antecedentes:

• Las misiones satelitales como GRACE ofrecen datos valiosos sobre las anomalías del almacenamiento total de agua (TWSA), pero su duración limitada restringe los estudios climáticos e hidrológicos a largo plazo.
• Extender el registro de TWSA a la era anterior a GRACE es crucial para un análisis integral de los recursos hídricos globales y la variabilidad climática.

Objetivo del estudio:

• Desarrollar ML-TWiX, un conjunto de datos global de TWSA mensual de 1980 a 2012, que extiende el registro observacional anterior a la misión GRACE.
• Utilizar modelos de aprendizaje automático para reconstruir TWSA, integrando simulaciones de modelos hidrológicos y de la superficie terrestre.
• Proporcionar un producto unificado de TWSA con estimaciones de incertidumbre para diversas aplicaciones científicas.

Principales métodos:

• Se empleó un conjunto de tres modelos de aprendizaje automático: Random Forest, XGBoost y Gaussian Process Regression.
• Se entrenaron modelos con simulaciones globales de hidrología y superficie terrestre para reconstruir TWSA mensual en una cuadrícula de 0.5° × 0.5°.
• Se combinaron las salidas de los modelos individuales mediante promediación de conjuntos para generar un conjunto de datos unificado con cuantificación de la incertidumbre.

Principales resultados:

• Se reconstruyó con éxito un conjunto de datos global continuo de TWSA mensual de 1980 a 2012.
• Se validó el conjunto de datos ML-TWiX con fuentes de datos independientes, incluida la telémetría láser satelital y las estimaciones del balance del nivel del mar.
• El conjunto de datos resultante ofrece estimaciones explícitas espacialmente de la incertidumbre.

Conclusiones:

• ML-TWiX proporciona un registro valioso y extendido de TWSA global, crucial para la investigación climática e hidrológica a largo plazo.
• El conjunto de datos apoya una amplia gama de aplicaciones, incluida la evaluación de los recursos hídricos y la comprensión de los cambios hidrológicos impulsados por el clima.
• El aprendizaje automático ofrece un enfoque poderoso para reconstruir variables climáticas e hidrológicas históricas.