Resumen

En la actualidad, los fenómenos de sequía afectan cada vez más a amplias zonas del planeta, por lo que la necesidad de una gestión cuidadosa y racional de los recursos hídricos es cada vez más acuciante. Teniendo en cuenta que la mayor parte de las reservas mundiales de agua dulce no congelada se almacenan en acuíferos, la capacidad de predicción de las descargas de los manantiales es una cuestión crucial. Un enfoque basado en el balance hídrico suele ser extremadamente complicado o ineficaz. Una alternativa prometedora la representan los enfoques basados en datos. Recientemente, muchos problemas de ingeniería hidráulica se han abordado mediante modelos avanzados derivados de estudios de inteligencia artificial. En este estudio comparativo se utilizaron tres algoritmos diferentes de aprendizaje automático para la previsión del caudal de los manantiales: Árbol de regresión M5P, bosque aleatorio y regresión de vectores de apoyo. Se seleccionó como caso de estudio el manantial de Rasiglia Alzabove, en Umbría, Italia central. Los modelos de aprendizaje automático han demostrado ser capaces de proporcionar resultados muy alentadores. M5P proporciona buenas predicciones a corto plazo de los caudales medios mensuales (por ejemplo, en la predicción de la descarga media del manantial después de 1 mes, R2=0,991, RAE=14,97%, si se considera una entrada de 4 meses), mientras que RF es capaz de proporcionar previsiones precisas a medio plazo (por ejemplo, en la predicción de la descarga media del manantial después de 3 meses, R2=0,964, RAE=43,12%, si se considera una entrada de 4 meses). A medida que avanza el tiempo de previsión, los modelos suelen proporcionar predicciones menos precisas. Además, la eficacia de los modelos depende en gran medida de la duración del periodo considerado para los datos de entrada. Esta duración debe ser cercana al tiempo de respuesta del acuífero, estimado aproximadamente por el análisis de correlación cruzada.

• Materias:Hidrología Permeabilidad Petróleo Yacimientos minerales Minería Geofluidos
• Subjects:Hydrology Permeability Petroleum Mineral deposits Mining Geofluids
• Palabras claves:caudal medio, tiempo de previsión, capacidades de predicción, caudal medio, gestión del agua, algoritmo de aprendizaje automático, modelo de aprendizaje automático, problema de ingeniería hidráulica, tiempo de respuesta del acuífero, previsión del caudal de los manantiales
• Keywords:average discharge, time of forecasting, capabilities of prediction, average flow rate, management of water, machine learning algorithm, machine learning model, hydraulic engineering problem, aquifer response time, spring discharge forecasting