Desafíos y oportunidades de ML y AI explicable en hidrología de grandes muestras

El aprendizaje automático (ML) es una herramienta poderosa para la modelización hidrológica, la predicción, la creación de conjuntos de datos y la generación de conocimientos sobre los procesos hidrológicos. Como tal, el ML se ha vuelto integral en el campo de la hidrología de grandes muestras, donde cientos a miles de cuencas fluviales se incluyen dentro de un único modelo de ML para capturar diversos comportamientos hidrológicos y mejorar la generalización del modelo. Este manuscrito describe los avances recientes en ML para la hidrología de grandes muestras. Revisamos nuevas herramientas en AI explicable (XAI) y enfoques de interpretabilidad, así como los desafíos en estas áreas. Las principales vías de investigación en hidrología de grandes muestras incluyen abordar la variabilidad en las interpretaciones resultantes de diferentes modelos de ML y técnicas de XAI, mejorar las predicciones hidrológicas en regiones con escasez de datos y afectadas por el ser humano, reducir la 'cascada de incertidumbre' inherente a la modelización hidrológica, desarrollar métodos mejorados para la predicción multivariada e identificar relaciones causales. Este artículo es parte del número de reuniones de discusión 'Hidrología en el siglo XXI: desafíos en la ciencia, la política y la práctica.'