Interpretación de:
Using machine learning methods for supporting GR2M model in runoff estimation in an ungauged basin
https://doi.org/10.1038/s41598-021-99164-5Ditthakit, P., Pinthong, S., Salaeh, N., Binnui, F., Khwanchum, L., Pham, Q., 2021: Using machine learning methods for supporting GR2M model in runoff estimation in an ungauged basin, Sci Rep, https://doi.org/10.1038/s41598-021-99164-5
Intérprete
ABAD Jiménez Wilder Ernesto
Fecha de interpretación
15/06/2023
Revisor
Espinoza Jhan-Carlo
Resultados y conclusiones
La etapa de validación de cada modelo ofrecen mayor información para decidir entre un modelo generalizado(modelos que funcionan con datos fuera del proceso de calibración) y otro que esta sobre ajustado a la data. Por ejemplo, en la investigación se obtuvo que el modelo que el modelo Random Forest ofrece mejor desempeño después de validarse con métricas como coeficientes de correlación, desviaciones estándar y Error Cuadrático Medio(RMSE). Los métodos de regresión se desempeñan mejor usando variables hidrológicas como Escorrentía y precipitación. Por ello, se obtuvo como resultados que el modelo Random Forest tiene el mejor desempeño prediciendo escorrentía mensual. No obstante, el modelo de aproximación por distancia espacial (SPA) ofrece mayores ventajas cuando no se tiene información completa y abundante.
Metodología y datos
La metodología utilizada consiste en 4 etapas principales: Primero, se validaron 37 estaciones hidrométricas ubicadas en el sur de Tailandia. La calibración inicia iterando con valores iniciales X1 y X2 propios del modelo GR2M. Luego, se validarán su desempeño usando la métrica (RMSE) cuyo menor valor indica un mayor grado de precisión en el modelo. A continuación de analizó la data hidrológica comprendida por 37 estaciones hidrométricas, 18 estaciones meteorológicas que miden la temperatura del aire y 13 estaciones que miden la intensidad de lluvia. Se usó la ecuación de Tornthwaite para obtener valores de evapotranspiración. Se usó QGIS para obtener parámetros físicos de las cuencas Luego se usaron métodos de regionalización como: Método de regresión: Se realizaron correlaciones entre parámetros físicos como el área de la cuenca (A), la longitud del rio (L) y la long desde el centroide de la cuenca (Lc). Y parámetros hidrológicos como Escorrentía, Precipitación y Evapotranspiración. En este método se aplicaron algoritmos ML como Random Forest (RF), Regresión Lineal Multiple (MLR) y Modelo de árbol M5 (M5). Método de distancia: El método cosiste en transferir los parámetros de varias zonas con mediciones hacia otras zonas sin mediciones usando como principal factor la proximidad espacial entre los puntos sin data y los puntos con data. Se usó el enfoque de la proximidad espacial (SFA).4) Evaluación a escala regional de los parámetros GR2M aplicados.
Limitaciones de la investigación
La metodología aplicada usa modelos como "cajas negras" que no permiten analizar la sensivilidad y funcionamiento de los modelos propuestos.
Recomendaciones
Para modelos Machine Learning se pueden usar metodologías como "SHapley Additive exPlanations" que permiten interpretar el funcionamiento del modelo y evitar trabajar con "Cajas negras". Por otro lado, para el efoque de aproximación espacial(SPA) se podría realizar un análisis de sensivilidad usando el Método Montecarlo.
Adaptación: Agua
Mitigación: Uso de suelo, cambio de uso de suelo y silvicultura
Escala: Regional
Ámbito geográfico: Tailandia
Palabras clave: Machine learning, GR2M, Regionalización, Métodos Estadísticos, Modelo Hidrológico
Cita de la interpretación
ABAD Jiménez, Wilder Ernesto, 2023: Interpretación de Ditthakit et al. (2021, doi:10.1038/s41598-021-99164-5), Observatorio de Conocimiento Científico sobre Cambio Climático del Perú, IGP, https://cienciaclimatica.igp.gob.pe/entities/interpretation/97dfcf3c-9973-4c36-8fd2-c7180702c344