Resumen

El proceso hidrológico tiene una naturaleza dinámica caracterizada por la aleatoriedad y fenómenos complejos. La aplicación de modelos de aprendizaje automático (ML) en la predicción del flujo de ríos ha crecido rápidamente. Esto se debe a su capacidad para simular los fenómenos complejos asociados con los procesos hidrológicos y ambientales. Se desarrollaron cuatro modelos de ML diferentes para la predicción del flujo de ríos ubicados en una región semiárida, Iraq. Se investigó la influencia de la división de datos en el proceso de los modelos de ML. Se inspeccionaron tres escenarios de modelado de división de datos que incluyeron 70%30%, 80%20% y 90%10%. Se calcularon varios indicadores estadísticos para verificar el rendimiento de los modelos. Los resultados revelaron el potencial del modelo de regresión de vectores de soporte hibridizado con un algoritmo genético (SVR-GA) sobre los otros modelos de predicción de ML para la predicción mensual del flujo de r

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Proceso hidrológico; Modelos de aprendizaje automático; Pronóstico de caudal de ríos; División de datos; SVR-GA; Comportamiento estocástico
• Keywords:Hydrological process; Machine learning models; River flow forecasting; Data division; SVR-GA; Stochastic behavior