Modelación de la variabilidad espacial de la profundidad de nieve con Machine Learning y Geoestadística utilizando datos

Abstract

En el presente trabajo de título se desarrollan modelos que caractericen la variabilidad espacial de la profundidad de nieve mediante modelos de Machine Learning (ML) y Geoestadística. Se utilizan 3 fechas de información LiDAR terrestre obtenidas en campañas de terreno en la cuenca experimental Piuquenes durante la temporada 2018. Para ambos tipos de modelos, se utilizan variables topográficas como variables independientes. Las variables utilizadas son la altura, pendiente, curvatura del terreno, Upwind Slope (Sx) y el Topographic Position Index (TPI). Las variables independientes se obtienen a partir de un DEM tomado con LiDAR durante el verano (resolución de 5 metros). En los modelos, TPI muestra ser la variable independiente más influyente para 2 de las 3 fechas LiDAR. Se crean tres modelos de ML: Redes Neuronales (ANN), Random Forest (RF) y GradientBoost (GBR). Los modelos de RF y GBR están basados en árboles de regresión, método ampliamente usado para explicar la variabilidad de la profundidad de nieve. De los tres modelos, Random Forest muestra el mejor comportamiento pudiendo explicar un 44-48 % de la variabilidad de la profundidad de nieve. Del análisis de los modelos de ML se llega a la conclusión que el parámetro menos influyente en los modelos es el Sx, lo que se explica debido a que no se tiene información de la profundidad de nieve en sitios donde Sx es negativo, razón por la cual la variable no logra tomar importancia en los modelos. Se modela además la profundidad de nieve mediante el método de co-kriging utilizando las mismas variables independientes antes mencionadas. Se modela el co-kriging utilizando validación cruzada con el método leave one out. El análisis de los estadísticos de los errores de los modelos muestra que, en general, co-kriging entrega un desempeño parecido a los métodos de ML, exceptuando una fecha donde co-kriging es capaz de explicar el 76 % de la varianza de la variable de interés.