A machine learning-based analysis of actual evaporation drivers across different land covers in the chilean andean plateau
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La estimación precisa de la evaporación (E) es crucial para la gestión del agua en regiones áridas como el Altiplano chileno. Aquí, E es el principal flujo de salida de agua en cuencas endorreicas, predominando en salares, superficies vegetadas, suelos desnudos con aguas subterráneas poco profundas y lagunas salinas someras. Estimar E es desafiante debido a su naturaleza altamente dinámica, influenciada por procesos atmosféricos y por el tipo de cobertura terrestre. Aunque los algoritmos de aprendizaje automático (ML) han mostrado ser prometedores para entender E, aún no se ha profundizado en cómo la cobertura terrestre afecta las principales variables que predicen E. Este estudio emplea técnicas de ML para determinar los impulsores de E en distintas coberturas evaporíticas del Altiplano. Tres algoritmos de ML fueron evaluados utilizando flujos de E y datos ambientales de campañas de terreno. Random Forest (RF) emergió como el algoritmo más efectivo debido a su mejor rendimiento y menor tiempo de ejecución. Las variables ambientales clave fueron identificadas utilizando el método explicativo SHAP. Los resultados revelaron que E en salares y vegetación están principalmente limitadas por la disponibilidad de energía. El suelo desnudo se ve influenciado tanto por la energía como por la disponibilidad de agua, mientras que la turbulencia mecánica domina sobre las superficies de agua. Al definir umbrales de impacto para los principales impulsores, se demostró la interdependencia entre procesos físicos y estados ambientales en la promoción de E. Finalmente, la sensibilidad del modelo indicó que es posible predecir E con cuatro variables para salares, vegetación y suelo desnudo, y tres para superficies de agua, sin pérdida significativa de precisión. Este enfoque permite establecer una red de estaciones meteorológicas de bajo costo para estimar E en toda la región. Esta investigación mejora la comprensión de cómo las características de la superficie y las condiciones ambientales influyen en E, ofreciendo información valiosa para la gestión efectiva de los recursos hídricos en regiones áridas.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2024.
Keywords
Evapotranspiración, Aprendizaje automático, Shapley additive explanation (SHAP), Cobertura terrestre, Altiplano chileno, Regiones áridas