Resumen

El caudal de los ríos está asociado con varias fuentes de no estacionariedad y, por lo tanto, desarrollar modelos de aprendizaje automático (ML) es siempre el objetivo para proporcionar una metodología confiable para comprender el mecanismo real del caudal de los ríos. La investigación actual se dedicó a generar caudales mensuales a partir de caudales anuales. En este estudio, se aplicaron tres modelos de ML diferentes para este propósito, incluyendo Árboles de Regresión Aditiva Múltiple (MART), Métodos de Agrupamiento de Datos (GMDH) y Programación de Expresión Génica (GEP). Los modelos se desarrollaron en base al caudal anual y al índice de tiempo mensual de tres ríos (es decir, Zab Superior, Zab Inferior y Diyala) ubicados en la región norte de Iraq. Los resultados del modelado indicaron una simulación optimista para generar series temporales de caudal mensual a partir de series temporales de caudal anual. El potencial del modelo MART fue superior

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Caudal de un río; Modelos de aprendizaje automático; MART; GMDH; GEP; Caudal anual del río.
• Keywords:Streamflow; Machine learning models; MART; GMDH; GEP; Annual streamflow.