Estimación de caudales a partir de ensambles hidrológicos multimodelo a diferentes escalas temporales en la cuenca del río Prado

Abstract

Los modelos hidrológicos son imperfectos y sus incertidumbres difieren para la predicción de un mismo evento hidrológico. Esto se debe a que la estructura de los modelos es una representación simplificada del comportamiento agregado de procesos naturales muy complejos y muy variables. En los últimos años, la estimación de caudales por medio de ensambles hidrológicos ha ganado espacio en los centros de predicción hidrológica del mundo, ya que no solo mejora las estimaciones, sino que ofrece un rango de los posibles resultados, es decir que los ensambles permiten abordar la incertidumbre asociada a diferentes fuentes y obtener resultados más útiles y confiables para la toma de decisiones. En la búsqueda de mejorar la estimación de caudales, se construyeron y evaluaron ensambles hidrológicos multimodelo para la cuenca del río Prado y dos de sus subcuencas (Cunday y San Pablo), tanto a escala diaria como mensual, para el periodo 1981-2011. La estimación se basó en establecer mejores ensambles promedio, desde el resultado de dos métricas determinísticas y una probabilística, evaluadas en las posibles combinaciones de las series de caudales resultantes de 17 modelos hidrológicos con escalas espaciales, estructuras, conceptos y enfoques diferentes (i. e., model-driven y data-driven). Posteriormente, los miembros (modelos) de los mejores ensambles promedio según cada métrica fueron valorados mediante el método del Modelo Bayesiano Promedio (en inglés BMA) para conocer su participación o peso dentro de estos mejores ensambles. Con los pesos conocidos se generaron tres nuevos ensambles que fueron evaluados en su desempeño frente a los anteriores ensambles promedio y los mejores modelos para las dos escalas temporales evaluadas, tanto a escala de cuenca como de sus subcuencas. Por otra parte, el BMA permitió establecer que los modelos de escala local (SWAT y algoritmo deep learning) tienen mayor importancia en la mejora de la estimación de caudales, ya que sus pesos en el ensamble fueron mayores a los demás modelos evaluados. Finalmente, modificando los pesos, anteriormente obtenidos, se estimó la franja de incertidumbre de cada ensamble, con el fin de evaluarla mediante tres criterios. El desempeño de los tres ensambles que consideran los pesos según las métricas determinísticas y probabilística aumentó permitiendo mejorar la estimación de los caudales y la franja de incertidumbre evaluada en los tres ensambles mostró que el ensamble según la métrica probabilística se redujo

Abstract: Hydrological models are imperfect and their uncertainties fluctuate for the prediction of the same hydrological event. This is because the model’ structure is a simplified representation of the aggregate behavior of highly complex and highly variable natural processes. Recently, the estimation of flows through the hydrological ensemble has gained space in the hydrological prediction agencies around the world, because not only improves the estimates but also offers a range of probabilistic results. The ensembles allow addressing the uncertainty associated to different sources to get more useful and reliable estimation for stakeholders. In the search to improve the flow estimation, multi-model hydrological ensembles were constructed and evaluated for the Prado river basin and two of its sub-basins (Cunday and San Pablo), both on a daily and monthly scale for the period 1981-2011. The estimation was based on establishing the best average ensembles according to two deterministic and probabilistic metrics, evaluated in the possible combinations of the flow series resulting from 17 hydrological models with different spatial scales, structures, concepts and approaches (i.e., model-driven and data-driven). Subsequently, the members (models) of the best average ensembles according to each metric were valued using Average Bayesian Model BMA method to know their participation or weight within these best-ensembles. Knowing weights, three new assemblies were generated that evaluated in their performance against the previous average assemblies and the best models for both time scales at the basin scale and its sub-basins. On the other hand, the BMA allowed establishing that local-scale models (SWAT and deep learning algorithm) have greater importance in the improvement of discharge since their ensemble’s weights were higher than the other evaluated models. Finally, by modifying the weights previously obtained, the ensemble uncertainty range was estimated and evaluated it by three criteria. The performance of the three ensembles that consider BMA’s weights according to the deterministic and probabilistic metrics increased performance of flow estimation and the uncertainty range evaluated in the three best-ensembles was reduced with probabilistic metric.