Clasificación del territorio peruano de acuerdo con su potencial de agua subterránea utilizando algoritmos de aprendizaje automatizado
Files
Date
2020-12-16
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Católica del Perú
Abstract
El agravamiento del estrés hídrico tanto en el sector urbano como en el rural motiva
cada vez más a los tomadores de decisión a impulsar la explotación sostenible de este recurso.
Para ello, se requiere conocer con certeza los emplazamientos con un mayor potencial de
explotación. Para hacer frente a este problema sin recurrir a perforaciones directas, la presente
investigación tiene como objetivo principal explorar el potencial hidrológico subterráneo del
Perú correspondiente a acuíferos de baja profundidad mediante la aplicación de modelos de
clasificación de bosques aleatorios y redes neuronales, dos algoritmos de aprendizaje
automatizado. Esta rama de la inteligencia artificial permite generar modelos
multidimensionales y con variables complejas sin efectuar presuposiciones estadísticas. Para
explicar el potencial de agua subterránea, se recurren a variables topográficas, hidrológicas,
geológicas, pedológicas y ambientales que influyen en diferente medida en la conductividad
hidráulica subterránea y en la tasa de recarga de los acuíferos. Los resultados obtenidos
indican que el mejor desempeño equiparable al estado del arte se obtiene para el modelo de
bosques aleatorios (exactitud=0.77, puntaje F1=0.73, AUC=0.88) y que la construcción de
modelos especializados en una región dada permite mejorar la capacidad de los modelos al
reducir la varianza de los datos. Las variables más importantes en los modelos fueron: aspecto,
densidad de drenaje, elevación, NDWI y precipitación. La principal limitación identificada en
el desempeño de los modelos es la escasa cantidad y distribución irregular de los pozos de
caudal conocido en el Perú, factor que parcializa el modelo hacia la costa, la región mejor
documentada. El presente estudio sirve como marco referencial para la construcción de
futuros modelos de aprendizaje automatizado una vez se amplíe el inventario público de pozos
de agua subterránea o en caso privados introduzcan su propio inventario. El código empleado
para el procesamiento de variables geoespaciales se encuentra en
https://code.earthengine.google.com/fe63cd6184b009824ed3c843fdc5544d. El código
utilizado para la construcción de modelos se encuentra registrado en Github en
https://github.com/cesport/Tesis. Aplicaciones para visualizar los resultados de manera
interactiva están disponibles para computadoras en
https://cesarportocarrero.users.earthengine.app/view/gwp-peru y dispositivos móviles en
https://cesarportocarrero.users.earthengine.app/view/gwp-peru-movil.
Description
Keywords
Aprendizaje automático (Inteligencia artificial), Estrés hídrico, Aguas subterráneas
Citation
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwised noted, this item's license is described as info:eu-repo/semantics/openAccess