Machine learning applied to the analysis of glacier masses

Abstract

Los glaciares desempeñan un papel vital como indicadores del cambio climático, ofreciendo información valiosa sobre la evolución del clima global y los amplios impactos del derretimiento de los glaciares en las ciudades cercanas, incluyendo el suministro de agua y los ecosistemas. La hidrología del glaciar Antisana, que proporciona agua potable de alta calidad a Quito y su región circundante, es de suma importancia para la investigación. En este contexto, este trabajo tiene como objetivo explorar el potencial del aprendizaje automático en la predicción del balance de masas de los glaciares en Ecuador, específicamente en el glaciar Antisana 12. Para lograrlo, se recopiló y procesó un conjunto completo de datos de variables climáticas de una región de Antisana utilizando los conjuntos de datos TerraClimate y ERA5. Se desarrollaron y compararon varios modelos de regresión lineal múltiple y ARIMA. La configuración ARIMA(0,0,1) proporcionó predicciones fiables. Por otro lado, las suposiciones del modelo de regresión lineal múltiple fueron invalidadas debido a la autocorrelación, lo que llevó a resultados sobreestimados. Se identificaron la precipitación y la presión en la superficie como variables significativas, siendo la precipitación la que tiene un efecto sustancial en el balance de masas del glaciar, como se confirmó con los resultados de pronóstico. Este estudio enfatiza la importancia del aprendizaje automático para mejorar nuestra comprensión de la dinámica de los glaciares y respaldar la toma de decisiones informadas frente al cambio climático. Se recomienda recopilar datos específicos adicionales para mejorar la precisión y la experiencia integral de la dinámica de los volcanes. La incorporación de estos datos adicionales en el análisis permitirá refinar el modelo y realizar pronósticos más precisos. Además, considerar técnicas alternativas de aprendizaje automático junto con enfoques estadísticos tradicionales puede capturar interacciones complejas, revelar relaciones no lineales y mejorar aún más la precisión de las predicciones.