Descripción

Este repositorio alberga el TETIS_Runtime_Predictor validado, una herramienta predictiva basada en Aprendizaje Automático (ML) desarrollada para estimar el rendimiento computacional (tiempo de ejecución) del modelo hidrológico TETIS v9.1.

El paquete contiene los modelos de regresión Random Forest (RF) ya entrenados y los scripts de Python asociados necesarios para su ejecución. Esta herramienta permite a investigadores y usuarios finales predecir el tiempo de ejecución de dos procesos críticos:

• Topolco.sds generation (proceso paralelo)
• Hydrological Simulation execution (proceso serial)

Este recurso es fundamental para planificar experimentos con grandes conjuntos (ensembles), optimizar la asignación de recursos y mejorar la fiabilidad operativa del software TETIS.

La figura Runtime TETIS experiments muestra el rendimiento del tiempo de ejecución de la simulación hidrológica para el diseño experimental. Las columnas corresponden a configuraciones de hardware, mientras que las filas representan las principales variables de interés: número de celdas de la cuenca, número de pasos de tiempo, densidad de estaciones de entrada y densidad de estaciones de salida. Cada marcador representa una simulación individual; los colores indican la densidad combinada de estaciones de entrada–salida, mientras que la forma del marcador representa el número de pasos de tiempo.

Esta figura presenta la distribución completa de los tiempos de ejecución que sustenta los resultados resumidos mostrados en las Figuras 5 y 6.

Cite el artículo asociado cuando utilice esta herramienta predictiva:

• Scalability and Computational Performance of an Ecohydrological Model Using Machine Learning-Based Prediction
• DOI: https://doi.org/10.3390/w18040466

Imágenes

Descarga