Title: | Towards the improvement of machine learning peak runoff forecasting by exploiting ground- and satellite-based precipitation data: A feature engineering approach |
Authors: | Muñoz Pauta, Paul Andrés |
metadata.dc.contributor.advisor: | Célleri Alvear, Rolando Enrique |
metadata.dc.contributor.tutor: | Orellana Alvear, Johanna Marlene |
metadata.dc.description.uri: | 0000-0002-7683-3768 0000-0002-6206-075X |
metadata.dc.subject.other: | Precipitación |
Keywords: | Ingeniería Civil Productos satelitales Imagen satelital |
metadata.dc.audience.educationLevel: | Tesis de Doctorado (PhD) en Recursos Hídricos |
metadata.dc.ucuenca.areaconocimientounescoamplio: | 25 Ciencias de la Tierra y del Espacio |
metadata.dc.ucuenca.areaconocimientounescodetallado: | 2508.10 Precipitación |
metadata.dc.ucuenca.areaconocimientounescoespecifico: | 2507 Geofísica |
Issue Date: | 10-May-2023 |
metadata.dc.ucuenca.embargoend: | 31-Dec-2023 |
metadata.dc.format.extent: | 135 páginas |
Publisher: | Universidad de Cuenca |
metadata.dc.description.city: | Cuenca |
Series/Report no.: | TPHD;22 |
metadata.dc.type: | bachelorThesis |
Abstract: | 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. |
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. |
metadata.dc.description.degree: | Doctor (PhD) en Recursos Hídricos |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/41878 |
Appears in Collections: | Tesis Doctoral/PHD
|