Resumen

La predicción precisa de la extensión de la intrusión de agua de mar es necesaria para muchas aplicaciones, como la gestión de las aguas subterráneas o la protección de los acuíferos costeros contra el deterioro de la calidad del agua. Sin embargo, la mayoría de las aplicaciones requieren un gran número de simulaciones, generalmente a expensas de la precisión de la predicción. En este estudio, se investiga el método de regresión de procesos gaussianos como posible modelo sustitutivo del modelo de densidad variable, que resulta caro desde el punto de vista computacional. La regresión de procesos gaussianos es un modelo probabilístico no paramétrico basado en núcleos, capaz de manejar relaciones complejas entre la entrada y la salida. En este estudio, la extensión de la intrusión de agua de mar está representada por la localización del iso-cloro de 0,5 kg/m3 en el fondo del acuífero (dedo del pie de la intrusión de agua de mar). La posición inicial de la punta, expresada como la distancia de la línea específica desde una serie de puntos de observación a lo largo de la línea de costa, junto con las tasas de bombeo son las entradas del modelo sustitutivo, mientras que la posición final de la punta constituye el conjunto de variables de salida. La muestra de entrenamiento del modelo sustitutivo consiste en 4.000 simulaciones de densidad variable, que difieren no sólo en el patrón de la tasa de bombeo sino también en la distribución de la concentración inicial. Se utiliza el método de muestreo de hipercubos latinos para obtener los patrones de tasa de bombeo. A efectos de comparación, se emplean varios métodos de regresión ampliamente utilizados, concretamente árboles de regresión y regresión de máquinas de vectores de apoyo (lineal y no lineal). Se aplica un método de optimización bayesiana a todos los regresores, para maximizar su eficacia en la predicción de la intrusión de agua de mar. Los resultados finales indican que el método de regresión del proceso gaussiano, aunque consume más tiempo, resultó ser más eficiente en términos del error medio absoluto (MAE), el error medio cuadrático (RMSE) y el coeficiente de determinación (R2).

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:regresión del proceso gaussiano, métodos de regresión del proceso, intrusión de agua de mar, error medio absoluto, entrada del modelo sustitutivo, extensión del agua de mar, modelo probabilístico basado, modelo de densidad variable, modelo sustitutivo potencial, número de simulación
• Keywords:gaussian process regression, process regression methods, seawater intrusion, means absolute error, surrogate model input, extent of seawater, based probabilistic model, variable density model, potential surrogate model, number of simulation