El agua se mueve en un ciclo constante de evaporaci\u00f3n, condensaci\u00f3n, precipitaci\u00f3n, escorrent\u00eda y reevaporaci\u00f3n. La salida del agua es uno de los componentes m\u00e1s importantes del ciclo del agua en la tierra.<\/p>\n
Describe la cantidad de agua que cae como precipitaci\u00f3n en un \u00e1rea espec\u00edfica y que llega a nuestros lagos y mares a trav\u00e9s de la escorrent\u00eda natural a trav\u00e9s de arroyos y r\u00edos. Si bien la descarga alta puede causar inundaciones y estancamiento, la descarga baja puede ser perjudicial para los ecosistemas que dependen del r\u00edo.<\/p>\n
En ambos casos, las consecuencias pueden ser devastadoras y provocar graves da\u00f1os socioecon\u00f3micos y la destrucci\u00f3n de los ecosistemas. Por lo tanto, la salida de agua debe predecirse con la mayor precisi\u00f3n posible, ya que es de vital importancia para la planificaci\u00f3n de la gesti\u00f3n del agua, asegurando y regulando el suministro de agua potable y gestionando las sequ\u00edas.<\/p>\n
Numerosas variables como el clima y la hidrolog\u00eda, las propiedades hidr\u00e1ulicas del r\u00edo (caudal, caudal, nivel del agua), la altitud y la captaci\u00f3n de agua afectan al caudal. Combinado con la creciente incertidumbre y los riesgos hidroclim\u00e1ticos, cada vez es m\u00e1s dif\u00edcil predecir con precisi\u00f3n la descarga y abordar las vulnerabilidades en los sistemas fluviales.<\/p>\n
Ozgur Kisi y Christoph K\u00fclls de TH L\u00fcbeck, junto con un equipo internacional, han realizado un estudio sobre la idoneidad de tres m\u00e9todos de aprendizaje autom\u00e1tico (CatBoost (CB), Random Forest (RF) y Extreme Gradient Tree Boosting (XGBoost, XGB)) para pron\u00f3sticos de escorrent\u00eda mensuales usando datos de escorrent\u00eda de tres estaciones en Turqu\u00eda (Ducurasu, Sutluce y Kale) y datos de precipitaci\u00f3n satelital de la Misi\u00f3n de Medici\u00f3n de Lluvia Tropical (TRMM).<\/p>\n
En la primera parte del estudio, los investigadores predijeron la descarga en cada estaci\u00f3n. En la segunda parte, lo predijeron en la estaci\u00f3n de aguas abajo utilizando los datos de las estaciones de aguas arriba.<\/p>\n
Los resultados mostraron que los datos del sat\u00e9lite TRMM no solo son muy precisos y muy \u00fatiles para los pron\u00f3sticos mensuales de escorrent\u00eda, sino que tambi\u00e9n mejoran significativamente la capacidad de los m\u00e9todos de aprendizaje autom\u00e1tico (por ejemplo, CB, RF y XGB).<\/p>\n
Los resultados del estudio pueden proporcionar informaci\u00f3n \u00fatil para los responsables de la toma de decisiones, especialmente en los pa\u00edses en desarrollo donde faltan datos de precipitaci\u00f3n o no est\u00e1n disponibles por razones t\u00e9cnicas. Sobre la publicaci\u00f3n original de Mojtaba Mehraein, Aadhityaa Mohanavelu, Sujay Raghavendra Naganna, Christoph K\u00fclls y Ozgur Kisi en MDPI (Instituto Multidisciplinario de Publicaciones Digitales): https:\/\/www.mdpi.com\/2073-4441\/14\/22\/3636<\/a><\/p>\n Ozgur Kisi ha sido profesor invitado en TH L\u00fcbeck desde octubre de 2021. El profesor lleg\u00f3 a L\u00fcbeck con una beca de la Fundaci\u00f3n Alexander von Humboldt. El ingeniero en ingenier\u00eda hidr\u00e1ulica, hidrolog\u00eda y gesti\u00f3n del agua es uno de los diez cient\u00edficos m\u00e1s citados a nivel mundial en su campo.<\/p>\n El Departamento construcci\u00f3n<\/a><\/p>\nAcerca del Dr. \u00d6zgur Kisi<\/h2>\n
M\u00e1s informaci\u00f3n<\/h2>\n