RESUMEN
En la última década, los modelos de aprendizaje automático han demostrado un gran potencial para la predicción de caudales fluviales. A pesar de alcanzar una precisión considerable, estos modelos siguen presentando algunas limitaciones y hay aspectos de este tema que apenas se han explorado: la disminución de la precisión en caudales elevados, las aplicaciones de estimación de la incertidumbre y la interpretación hidrológica de los modelos. Los valores de caudales elevados son los más relevantes para los sistemas de alerta temprana de mitigación de inundaciones. Sin embargo, estos registros son escasos en los datos. Por lo tanto, se observa una disminución de la precisión, que se acentúa en los escenarios extrapolados.
Esta tesis propone dos metodologías que complementan los modelos de aprendizaje automático con los resultados de un modelo basado en la física para mejorar la capacidad de predicción de caudales extremos. La primera metodología genera un modelo de aprendizaje automático entrenado con una combinación de eventos de caudales extremos observados y sintéticos, generados por un modelo basado en la física. La segunda metodología crea un modelo híbrido que combina los resultados basados en un modelo basado en la física y la predicción de sus residuos mediante un modelo de aprendizaje automático. Ambas metodologías han demostrado mejoras en la precisión en comparación con los modelos entrenados únicamente con datos observados, alcanzando reducciones del error cuadrático medio de más del 23 % para valores de caudal superiores al período de retorno de tres años en el área de estudio. Sin embargo, la segunda metodología alcanza aproximaciones más cercanas al valor máximo observado con capacidades de extrapolación significativas. A pesar de la precisión, la incertidumbre relacionada con el modelo es un tema principal que debe explorarse.
En la tesis se desarrolla una metodología para estimar la incertidumbre de los resultados de un modelo de predicción del caudal fluvial mediante el uso de técnicas de aprendizaje automático. Los resultados de la metodología muestran que las distribuciones de los residuos pueden describirse de forma aceptable. En consecuencia, el intervalo de incertidumbre abarca el 87,9 % de los valores observados superiores al período de retorno de tres años, con una amplitud del intervalo significativamente menor que la del método de Box-Cox, ampliamente utilizado. Por último, se lleva a cabo la interpretación hidrológica de un modelo de aprendizaje automático para la predicción del caudal fluvial.
Los resultados muestran que el modelo puede identificar zonas de la cuenca cuya escorrentía contribuye de manera considerable al punto de control, así como el período de saturación previa del suelo y el impacto de los valores más altos de precipitación en la predicción del modelo. Cuando el hidrograma asciende abruptamente, el modelo considera de forma aceptable la precipitación acumulada reciente como la característica más relevante, junto con la saturación previa. A medida que se aproxima el pico del hidrograma y durante la fase descendente, el caudal previo adquiere mayor relevancia, respaldado por la escorrentía de regiones distantes. El modelo de aprendizaje automático puede interpretar adecuadamente el sistema de la cuenca y proporcionar información valiosa.
Tutores:
-
- Prof Ernest Bladé
- Prof Fernando Salazar
CANDIDATO
El Sr. Sergio Ricardo López Chacón es doctorando en Ingeniería Civil y Medioambiental y forma parte del clúster de investigación «Aprendizaje automático y modelos en ingeniería hidroambiental» del CIMNE.