Evaluación comparativa de modelos de aprendizaje automático para la predicción diaria del caudal en una cuenca de...

Área de la Ciencia:

• Hidrología
• Ciencias Ambientales
• Ciencia de Datos

Sus antecedentes:

• La predicción precisa del caudal es vital para la gestión de los recursos hídricos y la emisión de advertencias de inundaciones en regiones monzónicas subtropicales.
• La selección del modelo óptimo de aprendizaje automático para la previsión de caudales sigue siendo un desafío importante.

Objetivo del estudio:

• Comparar el rendimiento de siete modelos de aprendizaje automático para la predicción diaria del caudal.
• Evaluar la robustez del modelo en condiciones extremas de alto caudal y para la predicción de picos de inundación.
• Identificar predictores clave y comprender los procesos hidrológicos que influyen en el caudal.

Principales métodos:

• Análisis comparativo de siete modelos de aprendizaje automático: Regresión Lineal (LR), Gradient Boosting Regressor, Red Neuronal Artificial (ANN), Random Forest, Extra Trees Regressor, XGBoost (XGB) y Long Short-Term Memory (LSTM).
• Evaluación utilizando métricas como la Eficiencia Nash-Sutcliffe (NSE) y la Eficiencia Kling-Gupta (KGE).
• Análisis de la importancia de las características y los patrones residuales para comprender el comportamiento del modelo y las influencias hidrológicas.

Principales resultados:

• LSTM demostró un rendimiento superior (NSE/KGE de 0.95) en comparación con otros modelos.
• LSTM mantuvo una sólida precisión predictiva durante eventos de alto caudal (NSE 0.86-0.45 para percentiles >90-99).
• LSTM redujo significativamente la subestimación de los picos de inundación (7-20%) en comparación con los modelos basados en árboles (30-50%).
• El caudal aguas arriba se identificó como el predictor dominante, lo que resalta los efectos de memoria de la cuenca.

Conclusiones:

• Los mecanismos de memoria temporal, implementados en LSTM, ofrecen ventajas significativas para la predicción de caudales, particularmente en condiciones hidrológicas extremas.
• Los hallazgos proporcionan una guía valiosa para la selección de modelos apropiados en sistemas operativos de pronóstico de inundaciones.
• La comprensión de la memoria de la cuenca y las condiciones hidrológicas es crucial para una previsión precisa del caudal.