Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua

Autores/as

DOI:

https://doi.org/10.5377/rtu.v12i33.15896

Palabras clave:

Hidrogeología, Redes Neuronales Artificiales (RNA), Aprendizaje Automatizado (AA)

Resumen

El conocimiento de la funcionalidad de un sistema hidrogeológico es de vital importancia para su gestión y conservación. Una de las variables y entrada principal que alimenta al sistema es la Recarga Potencial (Rp) producto de la precipitación (P). La finalidad del presente trabajo es el diseño de un modelo regresor no lineal usando Redes Neuronales Artificiales (RNA). Para lo anterior, se utilizó los datos recolectados por el INETER para estimar la Rp a través de las variables de entrada como: precipitación (P), texturas de suelo y demás variables ambientales en el Acuífero ubicado en Managua.  Con la información recopilada, se procedió a la exploración de datos o ‘Data mining’ por medio de la estadística descriptiva, la cual permite presentar, interpretar y analizar los datos de forma comprensiva. Utilizando el lenguaje de programación Python ​(Rossum, 1991)​ y el entorno de trabajo JupyterLab, se procedió a desarrollar los elementos de la RNA a través de la librería Scikit -Learn o mejor conocida como Sklearn ​(Cournapeau, 2010)​. Posterior a las iteraciones y arreglos de los Hiperparámetros de la RNA, se logró un mejor ajuste utilizando la función de coste o ‘cost function’, la cual determina el error entre el valor estimado y el observado. Finalmente, se indican las configuraciones finales del modelo regresor para cada una de las texturas en la zona. 

Descargas

Los datos de descargas todavía no están disponibles.

Citas

​​​ASCE. (2000). Artificial neural networks in hydrology. J. Hydrol. Eng.

​Corea, F. V. (2014). Predicción espacio temporal de la irradiancia solar global a corto plazo en España mediante geoestadistica y redes neuranales artificiales. España.

​Cortez, P., Rocha, M., Allegro, F., & Neves, J. (2002). Real-time forecasting by bio-inspired models. In. Proceeding of the Artifical Intelligence and Applications. Málaga, Spain.

​Cournapeau, D. (07 de 2010). Scikit - Learn. https://scikit-learn.org/stable/

​D. Hunter, J. (2003). Matplotlib. Matplotlib: https://matplotlib.org/

​FAO. (2013). https://coin.fao.org/. https://coin.fao.org/: https://coin.fao.org/coin-static/cms/media/5/12820625348650/fao_nic_recursoshidricos_cepal.pdf

​Galelli, S., G. B., H., H. R. Maier, A., G. C., D., & M. S., G. (62, 33–51). An evaluation framework for input variable selection algorithms for environmental data-driven models. Environ. Modell. Software, 2014.

​Glorot, X., Bordes, A., & Bengio, Y. (01 de 01 de 2010). Deep Sparse Rectifier Neural Networks. Journal of Machine Learning Research.

​Hornik, K., M., S., & H., W. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366.

​INAA/JICA. (1993). Estudio sobre el Proyecto de Abastecimiento de Agua en Managua. Managua.

​INETER. (2004). Mapa de las Provincias Geológicas de Nicaragua. INETER, Managua.

​INETER. (2020). Estudio de Potencial de Recarga Hidrica y Deficit de agua Subterránea. Managua: Nicaragua.

​INETER. (2020). Informe de Modelo Numerico del Acuifero de las Sierras. Managua: Nicaragua.

​INETER. (2021). Atlas Nacional de suelo: Mapa de Textura de suelo. Managa: Nicaragua.

​INETER. (13 de 06 de 2022). Atlas Climáticos. Período 1971 - 2010. Instituto Nicaraguense de Estudios Territoriales, Managua. Retrieved 2022, from https://www.ineter.gob.ni/

​Kenda K, P., & Klemen, K. (2019). Groundwater Modeling with Machine Learning Techniques. Inst Proc.

​Köppen, W. P. (1918). Klassifikation der Klimate nach Temperatur. Hamburg.

​Losilla, M., Rodriguez, H., Stimson, J., & Bethune, D. (2001). Los Acuifero Volcánicos y el Desarrollo sostenible en America Central. San José: Editorial Universidad de Costa Rica.

​Maier, H., & G. C., D. (2000). Neural networks for the prediction and forecasting of water resources variables: A review of modelling issues and applications. Environ. Modell. Software, 15(1), 101–124.

​McKinney, W. (2008). Pandas. https://pandas.pydata.org/

​Oliphant, T. (2005). NumPy. NumPy: https://numpy.org/

​Pedregosa, F., Varoquaux, G., & Gramfort , A. (2010). Scikit-learn: Machine Learning in Python. JMLR 12, 2011, 2825-2830. Scikit-learn: Machine Learning in Python: https://scikit-learn.org/stable/

​Pham, Q., Kumar, M., Di Nunno, F., & Elbeltagi, A. (2022). Groundwater level prediction using machine learning algorithms in a. Springer.

​Quilty, J., J. Adamowski, B., & M., R. (2016). Bootstrap rank-ordered conditional mutual information (broCMI): A nonlinear. Water Resour. Res, 52, 2299–2326.

​Reed, R., & Marks, R. (1999). Neural smithing supervised learning in feedforward neural networks. Mit Press.

​Rossum, G. v. (1991). https://www.python.org/

​S. Sahoo, T.A, R., J., E., & I., F. (2017). Machine Learning Algorithms for Modeling Groundwater Level changes in agricultural regions of the US. AGUPUBLICATIONS, 53,3878-3895.

​Schosinsky, G., & Losilla, M. (2006). Cálculo de la recarga potencial de acuíferos mediante un balance hídrico de suelos. Revista Geológica de América Central, 34-35, 13-30. .

​Shortridge J.E, G. (2019). Machine Leaning methos for empirical streamflow simulation.

​Tao, H., Hameed, M., Marhoon, H., Zounemat-Kermani, M., Heddam, S., Kim, S., . . . Saadi, Z. (2022). Groundwater Level Prediction using Machine Learning Models:A Comprehensive Review. ELSEVIER.

​Thornthwaite, C. W. (1948). An Approach Toward a Rational Classification of Climate. American Geographical Society.

​Wasserman, P. (1989). Neural computing: theory and practice. New York: Van Nostrand Reinhold.

​Werbos, P. (1994). The Roots of Backpropagation From Ordered Derivatives to Neural Networks and Political Forecasting. New York, USA: Wiley Intercescience Publication.

Publicado

17-03-2023

Cómo citar

Chevez, C. R. ., Pinell, F., & Mejía Quiroz, Álvaro A. (2023). Simulación del proceso de recarga para Aguas Subterráneas utilizando Redes Neuronales Artificiales como Método de Aproximación en el Acuífero Las Sierras, Nicaragua. Revista Torreón Universitario, 12(33), 112–125. https://doi.org/10.5377/rtu.v12i33.15896

Número

Sección

Ingeniería, Industria y Construcción

Artículos similares

<< < 5 6 7 8 9 10 11 12 13 14 > >> 

También puede {advancedSearchLink} para este artículo.