Els models d’aprenentatge autom\u00e0tic han demostrat un gran potencial durant l’\u00faltima d\u00e8cada per a la predicci\u00f3 del cabal. Tot i assolir una precisi\u00f3 considerable, els models d’aprenentatge autom\u00e0tic encara presenten algunes limitacions i exploren poc alguns aspectes d’aquest tema: la disminuci\u00f3 de la precisi\u00f3 en cabals elevats, les aplicacions d’estimaci\u00f3 de la incertesa i la interpretaci\u00f3 hidrol\u00f2gica dels models. Els valors elevats de cabal s\u00f3n els m\u00e9s rellevants per als sistemes d’alerta primerenca per a la mitigaci\u00f3 d’inundacions. No obstant aix\u00f2, aquestes dades s\u00f3n escasses. Per tant, es veu una disminuci\u00f3 de la precisi\u00f3, que s’intensifica en escenaris extrapolats. <\/p>\n
Aquesta tesi proposa dues metodologies que complementen els models d’aprenentatge autom\u00e0tic amb les sortides d’un model basat en la f\u00edsica per millorar les capacitats de predicci\u00f3 en l’\u00e0mbit dels cabals elevats. La primera metodologia genera un model d’aprenentatge autom\u00e0tic entrenat amb una combinaci\u00f3 d’esdeveniments de cabal elevat observats i sint\u00e8tics, generats per un model basat en la f\u00edsica. La segona metodologia crea un model h\u00edbrid que combina les sortides d’un model basat en la f\u00edsica amb la predicci\u00f3 dels seus residus per part d’un model d’aprenentatge autom\u00e0tic. Ambdues metodologies han demostrat millores en l’exactitud en comparaci\u00f3 amb models entrenats nom\u00e9s amb dades observades, assolint reduccions dels errors quadr\u00e0tics mitjans de m\u00e9s del 23 % per a valors de cabal superiors al per\u00edode de retorn de 3 anys a l’\u00e0rea d’estudi. No obstant aix\u00f2, la segona metodologia assoleix aproximacions m\u00e9s properes al valor m\u00e0xim observat amb capacitats d’extrapolaci\u00f3 significatives. Malgrat l’exactitud, la incertesa relacionada amb el model \u00e9s un tema principal a explorar. <\/p>\n
En la tesi es desenvolupa una metodologia per estimar la incertesa del resultat d’un model de predicci\u00f3 de cabal de riu mitjan\u00e7ant t\u00e8cniques d’aprenentatge autom\u00e0tic. Els resultats de la metodologia mostren que les distribucions dels residus es poden descriure de manera acceptable. En conseq\u00fc\u00e8ncia, l’interval d’incertesa cobreix el 87,9 % dels valors observats superiors al per\u00edode de retorn de 3 anys, amb una amplada de l’interval significativament menor que la del m\u00e8tode Box-Cox, \u00e0mpliament utilitzat. Finalment, es duu a terme la interpretaci\u00f3 hidrol\u00f2gica d’un model d’aprenentatge autom\u00e0tic per a la predicci\u00f3 del cabal. <\/p>\n
Els resultats mostren que el model pot identificar zones de la conca hidrogr\u00e0fica la escorrentia de les quals contribueix considerablement al punt de control, aix\u00ed com el per\u00edode de saturaci\u00f3 pr\u00e8via del s\u00f2l i l’impacte dels valors de precipitaci\u00f3 m\u00e9s elevats en la predicci\u00f3 del model. Quan l’hidr\u00f2graf puja de manera pronunciada, el model considera de manera acceptable la precipitaci\u00f3 acumulada recent com les caracter\u00edstiques m\u00e9s rellevants, juntament amb la saturaci\u00f3 pr\u00e8via. A mesura que s’acosta el pic de l’hidr\u00f2graf i durant la fase de descens, el cabal anterior adquireix la principal rellev\u00e0ncia, recolzat pel drenatge de regions allunyades. El model d’aprenentatge autom\u00e0tic pot interpretar adequadament el sistema de la conca i proporcionar informaci\u00f3 valuosa. <\/p>\n
Tutors:<\/strong><\/p>\n\n
\n
CANDIDAT<\/strong><\/h5>\n
![\"L\u00f3pez](\"https:\/\/cimne.com\/wp-content\/uploads\/2026\/06\/lopezchacon_CIMNE-150x150.jpg\")
El Sr. Sergio Ricardo L\u00f3pez Chac\u00f3n \u00e9s doctorand en Enginyeria Civil i Ambiental, membre del cl\u00faster de recerca en