Se ha desarrollado un innovador modelo hidrológico llamado ED-DLSTM por investigadores de la Academia China de Ciencias (CAS), prometiendo capacidades superiores de pronóstico de inundaciones sin la necesidad de datos de caudal históricos. Los excepcionales detalles de este modelo se compartieron en una reciente publicación en la revista «The Innovation».
El profesor Ouyang Chaojun y su equipo en CAS entrenaron el modelo a escala continental utilizando cuencas con datos de monitoreo. Chaojun destacó la destreza del modelo para anticipar flujos de agua en cuencas sin la necesidad de registros de flujo existentes.
Los investigadores han elogiado el modelo por su efectividad superior en tareas de predicción de flujo transregional, comparándolo favorablemente con otros modelos de aprendizaje automático y modelos hidrológicos tradicionales. El pronóstico preciso de caudales y inundaciones sigue siendo un desafío considerable en el sector de la hidrología, especialmente en cuencas sin medición.
CAS había anunciado anteriormente un obstáculo significativo para los modelos hidrológicos, destacando que más del 95% de las cuencas medianas y pequeñas en todo el mundo carecen de datos hidrológicos suficientes, un componente crítico para predecir eventos de inundación y desbordamiento.
Estos desafíos se ven agravados cuando los modelos de pronóstico requieren conjuntos de datos de alta calidad para producir predicciones confiables de caudales en miles de cuencas sin parámetros físicos o datos históricos. Los modelos tradicionales a menudo se centran en predicciones locales y no suelen ofrecer una evaluación a escala global.
La nueva investigación propone una solución: un modelo que utiliza entradas como lluvia, temperatura y datos terrestres, fácilmente obtenibles a partir de información satelital disponible a nivel mundial. Para validar la precisión del modelo ED-DLSTM, los investigadores utilizaron datos que abarcaron de 2010 a 2012, incluida información de más de 2,000 cuencas en diversas regiones como EE. UU., Canadá, Europa Central y el Reino Unido. Estas áreas a nivel continental presentaron una diversa mezcla de flujos de aire, temperaturas, humedad del suelo y precipitación, sirviendo como una amplia prueba de la versatilidad del modelo.
Tras rigurosas pruebas, el equipo de investigación transmitió que habían entrenado múltiples modelos hidrológicos de IA por primera vez, proporcionando un análisis global comparativo a escala global de manera exhaustiva. A diferencia de otros modelos que utilizan índices agregados que llevan a errores significativos, el modelo ED-DLSTM segrega características espaciales y climáticas, mejorando así la precisión de la predicción, especialmente en cuencas con lluvias intensas o volúmenes significativos de flujo. El modelo se aplicó de manera más efectiva en los Estados Unidos, mostrando su potencial como una herramienta transformadora en el pronóstico hidrológico mundial.
The source of the article is from the blog papodemusica.com