Marco de IA Explicable para Series Temporales Hidroquímicas Multivariadas

La comprensión de la calidad del agua y sus procesos subyacentes es importante para la protección de los entornos acuáticos. Con la rara oportunidad de acceso a un experto en la materia, se propone un marco de IA explicable (XAI) que es aplicable a series temporales multivariadas. La XAI proporciona explicaciones que son interpretables por expertos en la materia. En tres pasos, combina una elección impulsada por datos de una medida de distancia con árboles de decisión supervisados guiados por clústeres basados en proyección. La serie temporal multivariada consta de mediciones de calidad del agua, incluyendo nitrato, conductividad eléctrica y otros doce parámetros ambientales. Las relaciones entre la calidad del agua y los parámetros ambientales se investigan identificando días similares dentro de un clúster y días disímiles entre clústeres. El marco, llamado DDS-XAI, no depende de un conocimiento previo sobre la estructura de los datos, y sus explicaciones son tendencialmente contrastivas. Las relaciones en los datos se pueden visualizar mediante un mapa topográfico que representa estructuras de alta dimensión. Dos XAI de última generación llamados eUD3.5 y minimización iterativa de errores (IMM) no pudieron proporcionar explicaciones significativas y relevantes de los tres datos de series temporales multivariadas. El marco DDS-XAI puede aplicarse rápidamente a nuevos datos. Se proporciona código de código abierto en R para todos los pasos del marco XAI y los pasos están estructurados orientados a la aplicación.