La aplicación de redes neuronales de aprendizaje profundo en la hidrología está dando pasos agigantados, con un enfoque particular en la modelación de series temporales complejas como las que representan el proceso de escorrentía lluvia-descarga. Utilizando datos globales provistos por los conjuntos de datos CAMELS y Caravan, investigadores de universidades estadounidenses han explorado nuevas formas de mejorar la predicción hidrológica a gran escala.
En los últimos tres años, se han descrito y publicado más de cincuenta nuevos modelos de aprendizaje profundo para tratar series temporales científicas, y esta investigación específica se centra en la hidrología. Al analizar los datos de lluvias y escorrentía utilizando conjuntos de datos globales, los investigadores han identificado mejoras significativas en la representación de datos cuando se aumenta la información exógena. Específicamente, se observó una reducción del valor del error cuadrático medio al 60% del inicial en el conjunto de datos más grande examinado.
Este enfoque se basa en considerar los flujos observados y las características estáticas en múltiples localidades, reforzando la importancia de capturar las dependencias espaciotemporales. La capacidad de las redes neuronales para manejar datos es-clave en la identificación de patrones ocultos similares a leyes físicas, lo que lleva a una interpretación más precisa del ciclo hidrológico.
Al usar procesamientos de datos en Jupyter Notebooks dentro de Google Colab, los investigadores han demostrado que tal enfoque no solo es educativo sino también aplicable para establecer un nuevo punto de referencia en la investigación hidrológica. Mediante el uso de arquitecturas de red neuronal avanzadas, los modelos que incorporan observaciones exógenas tienden a superar otros métodos limitados en flexibilidad, como los modelos Foundation.
A través de la integración de datos metódicos de diversas naciones, el trabajo ha demostrado la viabilidad de escalar estos modelos de aprendizaje profundo para adaptarse a contextos globales, superando así las limitaciones asociadas con la disponibilidad de datos localizados y los costos computacionales.
En última instancia, el trabajo concluye que, aunque tradicionalmente los modelos de escorrentía se centraban en características físicas y fórmulas matemáticas, el modelo propuesto que emplea redes neuronales de aprendizaje profundo ofrece una alternativa efectiva y escalable que promete acelerar las capacidades predictivas en la ciencia de sistemas complejos como lo es la hidrología.