Resumen

La simulación fiable y precisa de los caudales tiene un papel vital en el desarrollo de los recursos hídricos, principalmente en la agricultura, el medio ambiente, el suministro de agua doméstica, la generación de energía hidroeléctrica, el control de inundaciones y los sistemas de alerta temprana. En este contexto, estos días, los algoritmos de aprendizaje profundo han recibido una enorme atención debido a su capacidad de simulación de alto rendimiento. En este estudio, comparamos el perceptrón multicapa (MLP), la memoria a corto plazo (LSTM) y la unidad recurrente cerrada (GRU) con los nuevos modelos híbridos propuestos, incluyendo CNN-LSTM y CNN-GRU. De este modo, podemos simular el caudal diario de un solo paso en diferentes condiciones agroclimáticas, ventanas temporales móviles y una serie de combinaciones de variables de entrada. El análisis utilizó datos diarios de series temporales multivariables y multisitios recogidos en las estaciones de la cuenca del río Awash (cuenca de Borkena: Etiopía) y de la cuenca del río Tíber (cuenca superior del río Tíber: Italia). Los conjuntos de datos se sometieron a rigurosos procesos de control de calidad. En consecuencia, se pasó a un desfase temporal diferente para eliminar el ruido en las series temporales y se dividió además en conjuntos de datos de entrenamiento y de prueba utilizando una proporción de 80 : 20, respectivamente. Por último, los resultados mostraron que la integración de la capa GRU con la capa convolucional y el uso de series temporales de entrada diarias promedio laminadas mensualmente podían mejorar sustancialmente la simulación de las series temporales de los caudales.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:cuenca del río tiber, cuenca del alto tiber, cuenca del río awash, desarrollo de recursos hídricos, nuevo modelo híbrido, series temporales de entrada, algoritmo de aprendizaje profundo, obtuvo una enorme atención, series temporales de caudales, sistema de alerta temprana
• Keywords:tiber river basin, upper tiber river, awash river basin, water resources development, new hybrid model, input time series, deep learning algorithm, got enormous attention, streamflow time series, early warning system