Simulation of the recharge process for groundwater using Artificial Neural Networks as an Approximation Method in the Las Sierras Aquifer, Nicaragua
DOI:
https://doi.org/10.5377/rtu.v12i33.15896Keywords:
Hydrogeology, Artificial Neural Networks (ANN), Machine Learning (ML)Abstract
The knowledge of hydrogeologial system functionality, is a vital importance for its management and sustainable development. One of the variables and main input it feeds this system is Recharge (R) product of precipitation (P). The purpose of this study is desing a No Lineal Regresor Model using Artificial Neural Networks (ANN). For the above, with INETER data collected, it was estimate R using input variables for instance: precipitation (P), soil textures and other known environmental variables in Managua Aquifer. With the information collected, data exploration or 'Data mining' was carried out through descriptive statistics, which allows presenting, interpreting and analyzing the data in a comprehensive way. Using the Python programming language (Rossum, 1991) and the JupyterLab work environment, the ANN elements were developed through the Scikit-Learn library or better known as Sklearn (Cournapeau, 2010). After the iterations and settings of hyperparameters, a better fit will be improved using the cost function, which determines the error between the estimated value and the observed value, in order to optimize the parameters of ANN. At the end, the final configurations of ANN are indicated for each soil texture.
Downloads
221
VISOR (Español (España)) 0
HTML (Español (España)) 192
PDF 12
HTML 8
References
ASCE. (2000). Artificial neural networks in hydrology. J. Hydrol. Eng.
Corea, F. V. (2014). Predicción espacio temporal de la irradiancia solar global a corto plazo en España mediante geoestadistica y redes neuranales artificiales. España.
Cortez, P., Rocha, M., Allegro, F., & Neves, J. (2002). Real-time forecasting by bio-inspired models. In. Proceeding of the Artifical Intelligence and Applications. Málaga, Spain.
Cournapeau, D. (07 de 2010). Scikit - Learn. https://scikit-learn.org/stable/
D. Hunter, J. (2003). Matplotlib. Matplotlib: https://matplotlib.org/
FAO. (2013). https://coin.fao.org/. https://coin.fao.org/: https://coin.fao.org/coin-static/cms/media/5/12820625348650/fao_nic_recursoshidricos_cepal.pdf
Galelli, S., G. B., H., H. R. Maier, A., G. C., D., & M. S., G. (62, 33–51). An evaluation framework for input variable selection algorithms for environmental data-driven models. Environ. Modell. Software, 2014.
Glorot, X., Bordes, A., & Bengio, Y. (01 de 01 de 2010). Deep Sparse Rectifier Neural Networks. Journal of Machine Learning Research.
Hornik, K., M., S., & H., W. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366.
INAA/JICA. (1993). Estudio sobre el Proyecto de Abastecimiento de Agua en Managua. Managua.
INETER. (2004). Mapa de las Provincias Geológicas de Nicaragua. INETER, Managua.
INETER. (2020). Estudio de Potencial de Recarga Hidrica y Deficit de agua Subterránea. Managua: Nicaragua.
INETER. (2020). Informe de Modelo Numerico del Acuifero de las Sierras. Managua: Nicaragua.
INETER. (2021). Atlas Nacional de suelo: Mapa de Textura de suelo. Managa: Nicaragua.
INETER. (13 de 06 de 2022). Atlas Climáticos. Período 1971 - 2010. Instituto Nicaraguense de Estudios Territoriales, Managua. Retrieved 2022, from https://www.ineter.gob.ni/
Kenda K, P., & Klemen, K. (2019). Groundwater Modeling with Machine Learning Techniques. Inst Proc.
Köppen, W. P. (1918). Klassifikation der Klimate nach Temperatur. Hamburg.
Losilla, M., Rodriguez, H., Stimson, J., & Bethune, D. (2001). Los Acuifero Volcánicos y el Desarrollo sostenible en America Central. San José: Editorial Universidad de Costa Rica.
Maier, H., & G. C., D. (2000). Neural networks for the prediction and forecasting of water resources variables: A review of modelling issues and applications. Environ. Modell. Software, 15(1), 101–124.
McKinney, W. (2008). Pandas. https://pandas.pydata.org/
Oliphant, T. (2005). NumPy. NumPy: https://numpy.org/
Pedregosa, F., Varoquaux, G., & Gramfort , A. (2010). Scikit-learn: Machine Learning in Python. JMLR 12, 2011, 2825-2830. Scikit-learn: Machine Learning in Python: https://scikit-learn.org/stable/
Pham, Q., Kumar, M., Di Nunno, F., & Elbeltagi, A. (2022). Groundwater level prediction using machine learning algorithms in a. Springer.
Quilty, J., J. Adamowski, B., & M., R. (2016). Bootstrap rank-ordered conditional mutual information (broCMI): A nonlinear. Water Resour. Res, 52, 2299–2326.
Reed, R., & Marks, R. (1999). Neural smithing supervised learning in feedforward neural networks. Mit Press.
Rossum, G. v. (1991). https://www.python.org/
S. Sahoo, T.A, R., J., E., & I., F. (2017). Machine Learning Algorithms for Modeling Groundwater Level changes in agricultural regions of the US. AGUPUBLICATIONS, 53,3878-3895.
Schosinsky, G., & Losilla, M. (2006). Cálculo de la recarga potencial de acuíferos mediante un balance hídrico de suelos. Revista Geológica de América Central, 34-35, 13-30. .
Shortridge J.E, G. (2019). Machine Leaning methos for empirical streamflow simulation.
Tao, H., Hameed, M., Marhoon, H., Zounemat-Kermani, M., Heddam, S., Kim, S., . . . Saadi, Z. (2022). Groundwater Level Prediction using Machine Learning Models:A Comprehensive Review. ELSEVIER.
Thornthwaite, C. W. (1948). An Approach Toward a Rational Classification of Climate. American Geographical Society.
Wasserman, P. (1989). Neural computing: theory and practice. New York: Van Nostrand Reinhold.
Werbos, P. (1994). The Roots of Backpropagation From Ordered Derivatives to Neural Networks and Political Forecasting. New York, USA: Wiley Intercescience Publication.
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 National Autonomous University of Nicaragua, Managua
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Los autores que publican en esta revista están de acuerdo con los siguientes términos.
- El autor o los autores de los artículos, ensayos o investigaciones conceden a la Universidad Nacional Autónoma de Nicaragua, Managua (UNAN-Managua) los derechos de edición (copyright) del trabajo enviado, por consiguiente la Universidad cuenta con el derecho exclusivo para publicar el artículo durante el periodo completo de los derechos de autor.
- Estos derechos de autor/ autores autorizan a la Revista Torreón Universitario y a la Universidad editar y divulgar/publicar el artículo en dicha Revista, incluyendo reproducción impresa y electrónica, el almacenamiento, recuperación y cualquier otro tipo de publicación, y fuentes de información secundaria como servicios de resúmenes y bases de datos, así mismo la facultan a proteger el artículo contra el uso no autorizado para su difusión por medios impresos o electrónicos (PDF, HTML, EPUB, XML u otros).
Licencia para el uso del contenido
La revista hace uso de la Licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional.
Bajo esta declaración:
Este revista está sujeta a una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional. Puede ser copiada, distribuida y transmitida públicamente siempre y cuando se cite al autor y la fuente (Revista Torreón Universitario), no debe modificarse ni utilizarse con ningún fin comercial. La licencia completa se puede consultar en http://creativecommons.org/licenses/by-nc-nd/4.0/.
