RESUM
Els models d’aprenentatge automàtic han demostrat un gran potencial durant l’última dècada per a la predicció del cabal. Tot i assolir una precisió considerable, els models d’aprenentatge automàtic encara presenten algunes limitacions i exploren poc alguns aspectes d’aquest tema: la disminució de la precisió en cabals elevats, les aplicacions d’estimació de la incertesa i la interpretació hidrològica dels models. Els valors elevats de cabal són els més rellevants per als sistemes d’alerta primerenca per a la mitigació d’inundacions. No obstant això, aquestes dades són escasses. Per tant, es veu una disminució de la precisió, que s’intensifica en escenaris extrapolats.
Aquesta tesi proposa dues metodologies que complementen els models d’aprenentatge automàtic amb les sortides d’un model basat en la física per millorar les capacitats de predicció en l’àmbit dels cabals elevats. La primera metodologia genera un model d’aprenentatge automàtic entrenat amb una combinació d’esdeveniments de cabal elevat observats i sintètics, generats per un model basat en la física. La segona metodologia crea un model híbrid que combina les sortides d’un model basat en la física amb la predicció dels seus residus per part d’un model d’aprenentatge automàtic. Ambdues metodologies han demostrat millores en l’exactitud en comparació amb models entrenats només amb dades observades, assolint reduccions dels errors quadràtics mitjans de més del 23 % per a valors de cabal superiors al període de retorn de 3 anys a l’àrea d’estudi. No obstant això, la segona metodologia assoleix aproximacions més properes al valor màxim observat amb capacitats d’extrapolació significatives. Malgrat l’exactitud, la incertesa relacionada amb el model és un tema principal a explorar.
En la tesi es desenvolupa una metodologia per estimar la incertesa del resultat d’un model de predicció de cabal de riu mitjançant tècniques d’aprenentatge automàtic. Els resultats de la metodologia mostren que les distribucions dels residus es poden descriure de manera acceptable. En conseqüència, l’interval d’incertesa cobreix el 87,9 % dels valors observats superiors al període de retorn de 3 anys, amb una amplada de l’interval significativament menor que la del mètode Box-Cox, àmpliament utilitzat. Finalment, es duu a terme la interpretació hidrològica d’un model d’aprenentatge automàtic per a la predicció del cabal.
Els resultats mostren que el model pot identificar zones de la conca hidrogràfica la escorrentia de les quals contribueix considerablement al punt de control, així com el període de saturació prèvia del sòl i l’impacte dels valors de precipitació més elevats en la predicció del model. Quan l’hidrògraf puja de manera pronunciada, el model considera de manera acceptable la precipitació acumulada recent com les característiques més rellevants, juntament amb la saturació prèvia. A mesura que s’acosta el pic de l’hidrògraf i durant la fase de descens, el cabal anterior adquireix la principal rellevància, recolzat pel drenatge de regions allunyades. El model d’aprenentatge automàtic pot interpretar adequadament el sistema de la conca i proporcionar informació valuosa.
Tutors:
-
- Prof Ernest Bladé
- Prof Fernando Salazar
CANDIDAT
El Sr. Sergio Ricardo López Chacón és doctorand en Enginyeria Civil i Ambiental, membre del clúster de recerca en Aprenentatge Automàtic i Models en Enginyeria Hidro-ambiental del CIMNE.