Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12008/52384
MetadatoEtiquetaValorIdioma
dc.contributor.author Autor Pastorini, Marcos-
dc.contributor.author Autor Rodríguez, Rafael-
dc.contributor.author Autor Etcheverry, Lorena-
dc.contributor.author Autor Castro, Alberto-
dc.contributor.author Autor Gorgoglione, Angela-
dc.contributor.filiacion Filiación Pastorini Marcos, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacion Filiación Rodríguez Rafael, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacion Filiación Etcheverry Lorena, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacion Filiación Castro Alberto, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacion Filiación Gorgoglione Angela, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.date.accessioned Fecha ingreso 2025-11-10T14:12:43Z-
dc.date.available Fecha disponible 2025-11-10T14:12:43Z-
dc.date.issued Año de publicación 2024-
dc.description.abstract Resumen In water resources management, new computational capabilities have made it possible to develop integrated models to jointly analyze climatic conditions and water quantity/quality of the entire watershed system. Although the value of this integrated approach has been demonstrated so far, the limited availability of field data may hinder its applicability by causing high uncertainty in the model response. In this context, before collecting additional data, it is recommended first to recognize what improvement in model performance would occur if all available records could be well exploited. This work proposes a novel machine learning framework with physical constraints capable of successfully imputing a high percentage of missing data belonging to several environmental domains (meteorology, water quantity, water quality), yielding satisfactory results. In particular, the minimum NSE computed for meteorologic variables is 0.72. For hydrometric variables, NSE is always >0.97. More than 78 % of the physical-water-quality variables is characterized by NSE > 0.45, and >66 % of the chemical-water quality variables reaches NSE > 0.35. This work's results demonstrate the proposed framework's effectiveness as a data augmentation tool to improve the performance of integrated environmental modeling.es
dc.description.sponsorship Financiadores Este trabajo fue financiado parcialmente por la Agencia Nacional de Investigación e Innovación (ANII), código FSDA-1-2018-1-153967 y FMV_3_2022_1_172720es
dc.format.extent Extensión 44 p.es
dc.format.mimetype Formato application/pdfes
dc.identifier.citation Citación Pastorini, M., Rodríguez, R., Etcheverry, L. y otros. Enhancing environmental data imputation: A physically-constrained machine learning framework. [Preprint] Publicado en: Science of The Total Environment, 2024, vol. 926, pp. 1-16. DOI: 10.1016/j.scitotenv.2024.171773.es
dc.identifier.uri URI https://hdl.handle.net/20.500.12008/52384-
dc.language.iso Idioma enes
dc.relation.ispartof EN Science of The Total Environment, vol. 926, may. 2024, pp. 1-16.es
dc.rights Derechos Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)es
dc.rights.licence Licencia Atribución/Reconocimiento-NoComercial-SinDerivados 4.0 Internacionales
dc.subject Palabras clave Environmental dataes
dc.subject Palabras clave Missing valueses
dc.subject Palabras clave Data imputationes
dc.subject Palabras clave Machine learninges
dc.subject Palabras clave Physical constraintses
dc.title Título Enhancing environmental data imputation: A physically-constrained machine learning frameworkes
dc.type Tipo de documento Preprintes
FicherosDescripciónTamañoFormato
PRECG24.pdf Preprint 2.89 MB Adobe PDF

Licencia Creative Commons:

Excepto donde se indique lo contrario, la licencia de este ítem se describe como Atribución/Reconocimiento-NoComercial-SinDerivados 4.0 Internacional