La calidad de un trabajo de modelamiento de aguas subterráneas se basa en tres factores: la distribución espacio-temporal de los datos observados, la construcción y calibración del modelo y las conclusiones extraídas de las simulaciones predictivas. En base en las complejidades de las herramientas numéricas, la cantidad de parámetros involucrados, la calibración de un modelo de agua subterránea podría ser un desafío extremo para los modeladores principiantes, intermedios o avanzados con muchos casos de éxito y fracaso a menudo acompañados de estrés psicológico.
Los avances en los algoritmos de aprendizaje automático deben combinarse con herramientas numéricas de modelamiento de aguas subterráneas para mejorar la capacidad del modelador para comprender el rendimiento general del modelo, la correlación entre observado y calculado y un mejor conjunto de parámetros que represente las condiciones observadas del flujo y la calidad del agua subterránea.
Hemos realizado un tutorial sobre un modelo de complejidad baja con ríos, lagos, recarga y flujo de agua subterránea regional realizado en Model Muse en un tutorial anterior. El modelo se importó como un objeto en Python con Flopy. Se realizó un análisis de sensibilidad con SALib para evaluar la respuesta del flujo de agua subterránea del objeto de modelo a una muestra diferente de parámetros y se registró un conjunto resultante de parámetros y las cargas hidráulicas correspondientes (parámetros a cargas hidráulicas). Luego, se realizó una regresión de aprendizaje automático con Scikit-Learn con el conjunto inverso (cargas hidráulicas a parámetros) para obtener los parámetros predichos para los datos observados. Se realizaron diferentes medidas de error en dos modelos para evaluar la calidad general del regresor de la red neuronal.
ADVERTENCIA: El uso de algoritmos de aprendizaje automático para la calibración de modelos o cualquier otra herramienta numérica no sustituye a los criterios del modelador de aguas subterráneas. El aprendizaje automático es solo una herramienta y, como cualquier herramienta humana, debe usarse de manera adecuada bajo el control de nuestra inteligencia. Recuerde que si usamos computadoras como una “caja negra” para la calibración del modelo estamos arriesgando la calidad de las conclusiones y todo el trabajo de modelamiento.
