El agua se mueve en un ciclo constante de evaporación, condensación, precipitación, escorrentía y reevaporación. La salida del agua es uno de los componentes más importantes del ciclo del agua en la tierra.
Describe la cantidad de agua que cae como precipitación en un área específica y que llega a nuestros lagos y mares a través de la escorrentía natural a través de arroyos y ríos. Si bien la descarga alta puede causar inundaciones y estancamiento, la descarga baja puede ser perjudicial para los ecosistemas que dependen del río.
En ambos casos, las consecuencias pueden ser devastadoras y provocar graves daños socioeconómicos y la destrucción de los ecosistemas. Por lo tanto, la salida de agua debe predecirse con la mayor precisión posible, ya que es de vital importancia para la planificación de la gestión del agua, asegurando y regulando el suministro de agua potable y gestionando las sequías.
Numerosas variables como el clima y la hidrología, las propiedades hidráulicas del río (caudal, caudal, nivel del agua), la altitud y la captación de agua afectan al caudal. Combinado con la creciente incertidumbre y los riesgos hidroclimáticos, cada vez es más difícil predecir con precisión la descarga y abordar las vulnerabilidades en los sistemas fluviales.
Ozgur Kisi y Christoph Külls de TH Lübeck, junto con un equipo internacional, han realizado un estudio sobre la idoneidad de tres métodos de aprendizaje automático (CatBoost (CB), Random Forest (RF) y Extreme Gradient Tree Boosting (XGBoost, XGB)) para pronósticos de escorrentía mensuales usando datos de escorrentía de tres estaciones en Turquía (Ducurasu, Sutluce y Kale) y datos de precipitación satelital de la Misión de Medición de Lluvia Tropical (TRMM).
En la primera parte del estudio, los investigadores predijeron la descarga en cada estación. En la segunda parte, lo predijeron en la estación de aguas abajo utilizando los datos de las estaciones de aguas arriba.
Los resultados mostraron que los datos del satélite TRMM no solo son muy precisos y muy útiles para los pronósticos mensuales de escorrentía, sino que también mejoran significativamente la capacidad de los métodos de aprendizaje automático (por ejemplo, CB, RF y XGB).
Los resultados del estudio pueden proporcionar información útil para los responsables de la toma de decisiones, especialmente en los países en desarrollo donde faltan datos de precipitación o no están disponibles por razones técnicas. Sobre la publicación original de Mojtaba Mehraein, Aadhityaa Mohanavelu, Sujay Raghavendra Naganna, Christoph Külls y Ozgur Kisi en MDPI (Instituto Multidisciplinario de Publicaciones Digitales): https://www.mdpi.com/2073-4441/14/22/3636
Acerca del Dr. Özgur Kisi
Ozgur Kisi ha sido profesor invitado en TH Lübeck desde octubre de 2021. El profesor llegó a Lübeck con una beca de la Fundación Alexander von Humboldt. El ingeniero en ingeniería hidráulica, hidrología y gestión del agua es uno de los diez científicos más citados a nivel mundial en su campo.
Más información
El Departamento construcción
About the Author
