Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach
La predicción de picos de caudal en sistemas montañosos complejos presenta desafíos en hidrología debido a la falta de datos y las limitaciones de los modelos físicos. El aprendizaje automático (ML) ofrece una solución al permitir la integración de técnicas y productos satelitales de precipitació...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | eng |
| Published: |
Universidad de Cuenca
2023
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/41878 |
| _version_ | 1785802396248571904 |
|---|---|
| author | Muñoz Pauta, Paul Andrés |
| author2 | Célleri Alvear, Rolando Enrique |
| author_facet | Célleri Alvear, Rolando Enrique Muñoz Pauta, Paul Andrés |
| author_sort | Muñoz Pauta, Paul Andrés |
| collection | DSpace |
| description | La predicción de picos de caudal en sistemas montañosos complejos presenta desafíos en
hidrología debido a la falta de datos y las limitaciones de los modelos físicos. El aprendizaje
automático (ML) ofrece una solución al permitir la integración de técnicas y productos satelitales
de precipitación (SPPs). Sin embargo, se ha debatido sobre la efectividad del ML debido a su
naturaleza de "caja negra" que dificulta la mejora del rendimiento y la reproducibilidad de los
resultados. Para abordar estas preocupaciones, se han propuesto estrategias de ingeniería de
características (FE) para incorporar conocimiento físico en los modelos de ML, mejorando la
comprensión y precisión de las predicciones. Esta investigación doctoral tiene como objetivo
mejorar la predicción de picos de caudal mediante la integración de conceptos hidrológicos a
través de técnicas de FE y el uso de datos de precipitación in-situ y SPPs. Se exploran técnicas
y estrategias de ML para mejorar la precisión en sistemas hidrológicos macro y mesoescala.
Además, se propone una estrategia de FE para aprovechar la información de SPPs y superar la
escasez de datos espaciales y temporales. La integración de técnicas avanzadas de ML y FE
representa un avance en hidrología, especialmente para sistemas montañosos complejos con
limitada o nula red de monitoreo. Los hallazgos de este estudio serán valiosos para tomadores
de decisiones e hidrólogos, facilitando la mitigación de los impactos de los picos de caudal.
Además, las metodologías desarrolladas se pueden adaptar a otros sistemas de macro y
mesoescala, beneficiando a la comunidad científica en general. |
| format | bachelorThesis |
| id | oai:dspace.ucuenca.edu.ec:123456789-41878 |
| institution | Universidad de Cuenca |
| language | eng |
| publishDate | 2023 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-418782023-05-18T17:52:02Z Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach Muñoz Pauta, Paul Andrés Célleri Alvear, Rolando Enrique Orellana Alvear, Johanna Marlene Ingeniería Civil Productos satelitales Imagen satelital Precipitación La predicción de picos de caudal en sistemas montañosos complejos presenta desafíos en hidrología debido a la falta de datos y las limitaciones de los modelos físicos. El aprendizaje automático (ML) ofrece una solución al permitir la integración de técnicas y productos satelitales de precipitación (SPPs). Sin embargo, se ha debatido sobre la efectividad del ML debido a su naturaleza de "caja negra" que dificulta la mejora del rendimiento y la reproducibilidad de los resultados. Para abordar estas preocupaciones, se han propuesto estrategias de ingeniería de características (FE) para incorporar conocimiento físico en los modelos de ML, mejorando la comprensión y precisión de las predicciones. Esta investigación doctoral tiene como objetivo mejorar la predicción de picos de caudal mediante la integración de conceptos hidrológicos a través de técnicas de FE y el uso de datos de precipitación in-situ y SPPs. Se exploran técnicas y estrategias de ML para mejorar la precisión en sistemas hidrológicos macro y mesoescala. Además, se propone una estrategia de FE para aprovechar la información de SPPs y superar la escasez de datos espaciales y temporales. La integración de técnicas avanzadas de ML y FE representa un avance en hidrología, especialmente para sistemas montañosos complejos con limitada o nula red de monitoreo. Los hallazgos de este estudio serán valiosos para tomadores de decisiones e hidrólogos, facilitando la mitigación de los impactos de los picos de caudal. Además, las metodologías desarrolladas se pueden adaptar a otros sistemas de macro y mesoescala, beneficiando a la comunidad científica en general. Peak runoff forecasting in complex mountain systems poses significant challenges in hydrology due to limitations in traditional physically-based models and data scarcity. However, the integration of machine learning (ML) techniques offers a promising solution by balancing computational efficiency and enabling the incorporation of satellite precipitation products (SPPs). However, debates have emerged regarding the effectiveness of ML in hydrology, as its black-box nature lacks explicit representation of hydrological processes, hindering performance improvement and result reproducibility. To address these concerns, recent studies emphasize the inclusion of FE strategies to incorporate physical knowledge into ML models, enabling a better understanding of the system and improved forecasting accuracy. This doctoral research aims to enhance the effectiveness of ML in peak runoff forecasting by integrating hydrological concepts through FE techniques, utilizing both ground-based and satellite-based precipitation data. For this, we explore ML techniques and strategies to enhance accuracy in complex macro- and mesoscale hydrological systems. Additionally, we propose a FE strategy for a proper utilization of SPP information which is crucial for overcoming spatial and temporal data scarcity. The integration of advanced ML techniques and FE represents a significant advancement in hydrology, particularly for complex mountain systems with limited or inexistent monitoring networks. The findings of this study will provide valuable insights for decision-makers and hydrologists, facilitating effective mitigation of the impacts of peak runoffs. Moreover, the developed methodologies can be adapted to other macro- and meso-scale systems, with necessary adjustments based on available data and system-specific characteristics, thus benefiting the broader scientific community. 0000-0002-7683-3768 0000-0002-6206-075X Doctor (PhD) en Recursos Hídricos Cuenca 2023-05-11T12:51:51Z 2023-05-11T12:51:51Z 2023-05-10 bachelorThesis http://dspace.ucuenca.edu.ec/handle/123456789/41878 eng TPHD;22 Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ openAccess application/pdf 135 páginas application/pdf Universidad de Cuenca |
| spellingShingle | Ingeniería Civil Productos satelitales Imagen satelital Precipitación Muñoz Pauta, Paul Andrés Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach |
| title | Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach |
| title_full | Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach |
| title_fullStr | Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach |
| title_full_unstemmed | Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach |
| title_short | Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach |
| title_sort | towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: a feature engineering approach |
| topic | Ingeniería Civil Productos satelitales Imagen satelital Precipitación |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/41878 |
| work_keys_str_mv | AT munozpautapaulandres towardstheimprovementofmachinelearningpeakrunoffforecastingbyexploitinggroundandsatellitebasedprecipitationdataafeatureengineeringapproach |