Machine Learning como Herramienta para Determinar la Variación de los Recursos Hídricos

Wilber Samuel Vargas-Crispin; Edwin  Montes-Raymundo; Manuel Castrejón-Valdez; René Antonio Hinojosa-Benavides

doi:10.53942/srjcidi.v1i1.46

Machine Learning como Herramienta para Determinar la Variación de los Recursos Hídricos

Authors

Wilber Samuel Vargas-Crispin Universidad Nacional de Huancavelica
Edwin Montes-Raymundo Universidad Nacional de Huancavelica
Manuel Castrejón-Valdez Universidad Nacional de Huancavelica
René Antonio Hinojosa-Benavides Universidad Nacional Autónoma de Huanta https://orcid.org/0000-0002-0452-3162

DOI:

https://doi.org/10.53942/srjcidi.v1i1.46

Keywords:

Machine learning, Hidricos, Inteligencia Artificial

Abstract

Actualmente la inteligencia artificial es una disciplina científica que se ha venido aplicando desde inicios del presente siglo, especialmente en la gestión de recursos hídricos para mitigar el acentuado cambio climático mediante la interpretación de imágenes satelitales, monitorear y predecir la variación de cubierta vegetal, aparición o desaparición de acuíferos y lagos, variación de los volúmenes de escorrentía generadas en ríos, entre otros. De esta forma, la presente investigación busca mostrar la eficiencia del Machine Learning en el manejo de recursos hídricos. Se realizo mediante la revisión sistemática de base de datos científicas como SciELO, ScienceDirect, Redalyc, Scopus, Web of Science sobre contenidos de Inteligencia artificial aplicados a recursos hídricos. Como resultado se obtuvo que el Machine Learning optimiza los sistemas de alerta temprana, mapeo y teledetección. Concluyendo, que es un método de análisis de datos muy eficiente para la interpretación y modelado de información hidrometeorológica, especialmente al aplicarlo en cuencas hidrográficas.

Downloads

Download data is not yet available.

References

Ay M. y Ozyildirim S. (2018). Artificial Intelligence (AI) Studies in Water Resources. Natural and Engineering Sciences, 3(2),187-195.

Aylén, E. (2011). Planificación de imágenes satelitales aplicada a modelos hidrológicos de alerta temprana. [Tesis de Magister en aplicaciones espaciales de alerta y respuesta temprana a emergencias, Universidad Nacional de Córdoba, Argentina] https://n9.cl/gdxk1

Bateman, A. (2007). Hidrología básica y aplicada. Grupo de investigación y transporte de sedimentos.

Blanco, F. (2015). Los recursos hídricos en el mundo: cuantificación y distribución. Cuadernos de estrategia, ISSN 1697-6924, Nº. 186, 2017. págs. 21-70

Cano, César, Andreoli, Andrea, Arumi, José Luis, & Rivera, Diego. (2014). Uso de imágenes de satélite para evaluar los efectos de cambio de cobertura de suelo en la escorrentía directa de una cuenca andina. Tecnología y ciencias del agua, 5(4), 145-151. 06 de agosto de 2021, de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-24222014000400009&lng=es&tlng=es.

Díaz, C., Steller, M., & López, F. (2005). Recursos Hídricos. Conceptos básicos y estudios de caso en Iberoamérica. Toluca-México: Piriguazu ediciones. Centro Interamericano de recursos del agua.

Essenfelder, A. y Giupponi C. (2020). A coupled hydrologic-machine learning modelling framework to support hydrologic modelling in river basins under Interbasin Water Transfer regimes. Environmental Modelling and Software.131(104779 ),1-10.

Faraj, F. y Shen H. (2018). Forecasting the Environmental Parameters of Water Resources Using Machine Learning Methods. Annals of Advanced Agricultural Sciences, 2(4),74-80.

García, G. (2014). Modelo de Machine Learning para la Clasificación de pacientes en términos del nivel asistencial requerido en una urgencia pediátrica con Área de Cuidados Mínimos. [Tesis de grado para optar el título de Magister en Ingeniería en sistemas y computación, Universidad Tecnológica de Bolívar, Cartagena, Colombia] https://n9.cl/emjzy

Godoy A. (2019). Aplicación de ‘Aprendizaje Profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico [Trabajo de titulación de Ingeniero de Sistemas, Universidad de Cuenca, Ecuador] https://n9.cl/p6rx6

Godoy A. (2014). Técnicas de aprendizaje de máquina utilizadas para la minería de texto. BIBLIOTECOLÓGICA, 31(71), 103-126.

Luque, E. (2018). Modelo estocástico basado en redes neuronales no tradicionales aplicada a la generación de caudales mensuales caso: cuenca del rio chili, Arequipa. [Tesis profesional de Ingeniería de sistemas, Universidad Nacional de San Agustín de Arequipa, Perú] http://repositorio.unsa.edu.pe/handle/UNSA/6091

Marín, G. y Pineda I. (2019). Modelo predictivo Machine Learning aplicado a análisis de datos Hidrometeorológicos para un SAT en Represas. [Tesis de Ingeniero de Sistemas e informática, Universidad Tecnológica del Perú, Arequipa,Perú] https://acortar.link/kEU92O

Maxwell A., Warner, T. y Fang, F. (2018). Implementation of machine-learning classification in remote sensing: an applied review. International Journal of Remote Sensing, 39(9),2784-2817. https://doi.org/10.1080/01431161.2018.1433343

Oliver, N. (2020). Inteligencia Artificial, Un manual de convivencia entre humanos y máquinas para que la tecnología nos beneficie a todos. Ministerio de asuntos económicos y transformación digital.

Ponce, J., Torres, A., Quezada, F., Silva, A., Martínez, E., Casali, A. Scheihing, E., Túpac, Y., Torres, D., Ornelas, F., Hernández, J., Zavala, C., Vakhnia, N y Pedreño, O. (2014). Inteligencia Artificial. 1a ed. - Iniciativa Latinoamericana de Libros de Texto Abiertos (LATIn).

Rouhiainen, L. (2018). Inteligencia Artificial 101 cosas que debes saber hoy sobre nuestro futuro. Alienta Editorial.

Rozos, E. (2019). Machine Learning UrbanWater Resources Management and Operating Policy. Resources, 8(173). https://doi.org/10.3390/resources8040173

Sagan, V., Peterson, K., Maimaitijiang, M., Sidike, P., Sloan, J., Greeling, B., Maalouf, S., Adams, C. (2020). Monitoring inland water quality using remote sensing: potential and limitations of spectral indices, bio-optical simulations, Machine learning and cloud computing. Earth-Science Reviews, 205(103187). https://doi.org/10.1016/j.earscirev.2020.103187

Starzyk O. (2010). Water Resource Planning and Management using Motivated Machine Learning. Hydrocomplexity: New Tools for Solving Wicked Water Problems Kovacs Colloquium, 338, 214-220.

Weber, T., Sossenheimer, J., Schafer, S., Otta, M., Walther, J. y Abele, E. (2019). Machine Laerning based System Identificaction Tool for data-based energy and Resource Modeling and Simulation. Procedia CIRP, 80, 683-688.

Zamorano, J. (2018). Comparativa y análisis de algoritmos de aprendizaje automático para la predicción del tipo predominante de cubierta arbórea. [Trabajo Fin de Máster en Ingeniería de Computadores, Universidad complutense de Madrid, España] https://n9.cl/aw43r