Implementación de una técnica de aprendizaje profundo para la predicción del caudal de un arroyo

El control y la gestión de los recursos hídricos se ven muy favorecidos por las presas y embalses, que han beneficiado a las sociedades humanas de muchas maneras. Entre estos beneficios se incluyen la mejora de la salud humana, el aumento de la producción de alimentos, el acceso a agua limpia para uso doméstico e industrial, el crecimiento económico, la irrigación, la producción de energía hidroeléctrica y el control de las inundaciones. Un paso importante no relacionado con la ingeniería para verificar las medidas de control de las inundaciones y mejorar la eficiencia del suministro de agua es la previsión precisa de la afluencia. Además, dado que el caudal de entrada es la principal aportación a los embalses, una predicción precisa del caudal de entrada puede proporcionar recomendaciones para el desarrollo y la gestión de los embalses. El objetivo de este estudio es comparar cómo se utilizan los algoritmos de aprendizaje profundo y los algoritmos de aprendizaje automático tradicionales para predecir el caudal de entrada a los embalses. LSTM, como modelo eficaz de aprendizaje profundo, superó a otros modelos convencionales de aprendizaje automático en la predicción de la afluencia de los embalses. Las conclusiones del presente estudio podrían ser de interés directo para las organizaciones mundiales del agua y los sectores público y privado del agua de todo el mundo.