Resumen

Con el fin de monitorear y predecir los niveles de agua subterránea en la cuenca Sharifabad, provincia Central de Irán,se utilizaron los modelos Regresión de mínimos cuadrados parciales (PLSR, del inglés Partial Least Square Regression),Redes neuronales artificiales (ANN, Artificial Neural Networks), y Sistema de inferencia de neurodifusión adaptativo(ANFIS, Adaptive Neuro-Fuzzy Inference System). El 70 % de la información fue utilizada para probar los tresmodelos, mientras que el 30 % se empleo en la evaluación y validación. La pluviosidad mensual, el índice topográficode humedad (TWI index), la distancia al río y la ubicación geográfica fueron los datos ingresados, mientras que el índicede agua subterránea es el resultado de cada método. Se observó que el modelo ANN es el de mayor eficiencia, y que esacorde con otros hallazgos. Los resultados del modelo ANN se utilizaron en la preparación del mapa de distribución deaguas freáticas o subterráneas. De acuerdo con el mapa de desertificación potencial y el índice de agua subterránea, elpotencial de la desertificación se ha vuelto severa desde 2002. Esto significa que desde el 60 % del suelo que, debidoa un manejo incorrecto en 2016, se llegó hasta casi el 98 % de terreno en el área de estudio. Con el modelo ANN sepredice que el 100 % del área se degradará severamente para 2025. Además de la variación del objetivo, la latitud y lalongitud juegan papeles importantes en el kriging ordinario y en la reducción del error total de los dos modelos restantes.

• Materias:Impacto ambiental Industria del reciclaje Residuos
• Subjects:Environmental impact Recycling industry Waste
• Palabras claves:Adegradación de la tierra; aprendizaje automático; nivel de aguas subterráneas; regresión de mínimos cuadrados parciales; redes neuronales artificiales; Sistema de inferencia de neurodifusión adaptativo
• Keywords:Land degradation; Machine Learning; Groundwater level; Partial Least Square Regression (PLSR); Artificial Neural Networks (ANN); Adaptive Neuro-Fuzzy Inference System (ANFIS)