| Metadato | Etiqueta | Valor | Idioma |
|---|---|---|---|
| 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_172720 | es |
| dc.format.extent | Extensión | 44 p. | es |
| dc.format.mimetype | Formato | application/pdf | es |
| 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 | en | es |
| 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 Internacional | es |
| dc.subject | Palabras clave | Environmental data | es |
| dc.subject | Palabras clave | Missing values | es |
| dc.subject | Palabras clave | Data imputation | es |
| dc.subject | Palabras clave | Machine learning | es |
| dc.subject | Palabras clave | Physical constraints | es |
| dc.title | Título | Enhancing environmental data imputation: A physically-constrained machine learning framework | es |
| dc.type | Tipo de documento | Preprint | es |
Colecciones:
| Ficheros | Descripción | Tamaño | Formato | ||
|---|---|---|---|---|---|
| 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

