En la \u00faltima d\u00e9cada, los modelos de aprendizaje autom\u00e1tico han demostrado un gran potencial para la predicci\u00f3n de caudales fluviales. A pesar de alcanzar una precisi\u00f3n considerable, estos modelos siguen presentando algunas limitaciones y hay aspectos de este tema que apenas se han explorado: la disminuci\u00f3n de la precisi\u00f3n en caudales elevados, las aplicaciones de estimaci\u00f3n de la incertidumbre y la interpretaci\u00f3n hidrol\u00f3gica de los modelos. Los valores de caudales elevados son los m\u00e1s relevantes para los sistemas de alerta temprana de mitigaci\u00f3n de inundaciones. Sin embargo, estos registros son escasos en los datos. Por lo tanto, se observa una disminuci\u00f3n de la precisi\u00f3n, que se acent\u00faa en los escenarios extrapolados. <\/p>\n
Esta tesis propone dos metodolog\u00edas que complementan los modelos de aprendizaje autom\u00e1tico con los resultados de un modelo basado en la f\u00edsica para mejorar la capacidad de predicci\u00f3n de caudales extremos. La primera metodolog\u00eda genera un modelo de aprendizaje autom\u00e1tico entrenado con una combinaci\u00f3n de eventos de caudales extremos observados y sint\u00e9ticos, generados por un modelo basado en la f\u00edsica. La segunda metodolog\u00eda crea un modelo h\u00edbrido que combina los resultados basados en un modelo basado en la f\u00edsica y la predicci\u00f3n de sus residuos mediante un modelo de aprendizaje autom\u00e1tico. Ambas metodolog\u00edas han demostrado mejoras en la precisi\u00f3n en comparaci\u00f3n con los modelos entrenados \u00fanicamente con datos observados, alcanzando reducciones del error cuadr\u00e1tico medio de m\u00e1s del 23 % para valores de caudal superiores al per\u00edodo de retorno de tres a\u00f1os en el \u00e1rea de estudio. Sin embargo, la segunda metodolog\u00eda alcanza aproximaciones m\u00e1s cercanas al valor m\u00e1ximo observado con capacidades de extrapolaci\u00f3n significativas. A pesar de la precisi\u00f3n, la incertidumbre relacionada con el modelo es un tema principal que debe explorarse. <\/p>\n
En la tesis se desarrolla una metodolog\u00eda para estimar la incertidumbre de los resultados de un modelo de predicci\u00f3n del caudal fluvial mediante el uso de t\u00e9cnicas de aprendizaje autom\u00e1tico. Los resultados de la metodolog\u00eda 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 per\u00edodo de retorno de tres a\u00f1os, con una amplitud del intervalo significativamente menor que la del m\u00e9todo de Box-Cox, ampliamente utilizado. Por \u00faltimo, se lleva a cabo la interpretaci\u00f3n hidrol\u00f3gica de un modelo de aprendizaje autom\u00e1tico para la predicci\u00f3n del caudal fluvial. <\/p>\n
Los resultados muestran que el modelo puede identificar zonas de la cuenca cuya escorrent\u00eda contribuye de manera considerable al punto de control, as\u00ed como el per\u00edodo de saturaci\u00f3n previa del suelo y el impacto de los valores m\u00e1s altos de precipitaci\u00f3n en la predicci\u00f3n del modelo. Cuando el hidrograma asciende abruptamente, el modelo considera de forma aceptable la precipitaci\u00f3n acumulada reciente como la caracter\u00edstica m\u00e1s relevante, junto con la saturaci\u00f3n previa. A medida que se aproxima el pico del hidrograma y durante la fase descendente, el caudal previo adquiere mayor relevancia, respaldado por la escorrent\u00eda de regiones distantes. El modelo de aprendizaje autom\u00e1tico puede interpretar adecuadamente el sistema de la cuenca y proporcionar informaci\u00f3n valiosa. <\/p>\n
Tutores:<\/strong><\/p>\n\n
\n
CANDIDATO<\/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 es doctorando en Ingenier\u00eda Civil y Medioambiental y forma parte del cl\u00faster de investigaci\u00f3n \u00ab