Datos sintéticos de series temporales en análisis de aguas subterráneas: Desafíos, Perspectivas y Aplicaciones

Este estudio presenta ‘Pozos Sintéticos’, un método para generar datos sintéticos de series temporales de niveles de aguas subterráneas utilizando aprendizaje automático (ML) con el objetivo de mejorar la gestión del agua subterránea en contextos donde los datos reales son escasos. Utilizando datos del Sistema Nacional de Información del Agua del Servicio Geológico de los EE. UU., esta investigación emplea el modelo sintetizador Probabilístico AutoRegresivo (PAR) del marco del Vault de Datos Sintéticos (SDV) para simular las fluctuaciones reales del agua subterránea. Los datos sintéticos generados para aproximadamente 100 pozos se alinean estrechamente con los datos reales, logrando una puntuación de calidad del 70.94%, indicando una replicación razonable de la dinámica del agua subterránea. También se desarrolló una aplicación web basada en Streamlit, que permite a los usuarios generar conjuntos de datos sintéticos personalizados. Un estudio de caso en Misisipi, EE. UU., demostró la utilidad de los datos sintéticos para mejorar la precisión de los modelos de pronóstico de series temporales. Este enfoque único representa una herramienta innovadora sin precedentes en el ámbito de la investigación de aguas subterráneas, brindando nuevas oportunidades para la toma de decisiones y gestión basadas en datos en estudios hidrológicos.