Predicción de aprendizaje automático de la intrusión de agua salada para apoyar la gestión de los recursos hídricos...

Área de la Ciencia:

• Ciencias Ambientales Ciencias del Medio Ambiente.
• Hidrología Costera Hidrología Costera
• Aplicaciones de aprendizaje automático Aplicaciones de aprendizaje automático.

Sus antecedentes:

• La intrusión de agua salada (SWI) es una amenaza creciente para los ecosistemas y recursos de los estuarios, intensificada por el cambio climático.
• La predicción precisa de SWI es vital para una gestión eficaz de los recursos costeros y estuarios.
• La Bahía de Chesapeake se enfrenta a riesgos significativos de SWI, que afectan el suministro de agua, la agricultura y la biodiversidad.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático (ML) para estimar la longitud (Ls) de la intrusión diaria de agua salada (SWI).
• Proporcionar herramientas para la reconstrucción histórica y la proyección futura de SWI en la Bahía de Chesapeake.
• Ofrecer una alternativa computacionalmente eficiente a los complejos modelos hidrodinámicos para la evaluación SWI.

Principales métodos:

• Desarrolló modelos ML entrenados en dos décadas (2001-2020) de simulaciones de modelos hidrodinámicos.
• Utilizó datos de descarga diaria para entrenamiento y predicción.
• Rendimiento del modelo validado utilizando coeficientes de correlación y errores de raíz media cuadrada (RMSE).

Principales resultados:

• Los modelos ML lograron una alta precisión en la reproducción de la variabilidad SWI, con coeficientes de correlación de 0,88 a 0,95.
• Los valores de RMSE oscilaron entre 1,53 y 5,03 km, lo que indica estimaciones confiables.
• Los modelos demostraron capacidad predictiva para pronósticos de 7 y 14 días y fueron efectivos en experimentos de escenarios.

Conclusiones:

• Los modelos de ML ofrecen un enfoque simplificado y computacionalmente eficiente para estimar y predecir SWI.
• Los modelos desarrollados son herramientas valiosas para el análisis histórico y las proyecciones futuras de SWI bajo varios escenarios climáticos.
• Este enfoque mejora la toma de decisiones para la gestión de los recursos estuarios y costeros frente al cambio climático.