Elaboración y comparación de dos modelos predictivos para determinar caudales a través del análisis de variables hidroclimáticas de una cuenca hidrográfica tropical: caso de estudio cuenca del rio Tuluá.
Cargando...
Autores
Director
Tipo de contenido
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Se compararon dos enfoques analíticos estadístico y neuronal artificial para estimar los caudales en la cuenca hidrográfica tropical del río Tuluá, a partir del análisis de variables hidroclimáticas registradas en estaciones de monitoreo ambiental de la CVC. Para ello, se analizaron cinco variables de entrada entre 2004 y 2022: caudal hídrico, precipitaciones, evaporación, temperatura y humedad relativa.
Del análisis exploratorio de datos se detectaron anomalías en el comportamiento de dichas variables, incluyendo registros atípicos y variaciones inesperadas dentro del patrón normal de las series. La identificación de estos comportamientos irregulares justificó el uso de los coeficientes de Shapiro-Wilk, Kolmogorov-Smirnov y Mann-Kendall, lo cual permitió comprender el contexto hidroclimático que condiciona el comportamiento del caudal. Los análisis de normalidad evidenciaron que las variables no siguen una distribución normal. Asimismo, el coeficiente de Mann-Kendall permitió evaluar tendencias hidroclimáticas, especialmente en la zona plana de la cuenca, donde se observaron aumentos anómalos en la intensidad de lluvias en áreas montañosas y una tendencia creciente en temperatura y
evaporación. Para completar los datos faltantes, se aplicaron correlaciones entre estaciones mediante el coeficiente de Pearson y el método de KNN (k-Nearest Neighbors), sobre un total de 6785
registros diarios. El desempeño de los modelos se evaluó mediante el coeficiente de correlación lineal R. En cuanto a los modelos predictivos, el algoritmo estadístico random forest explicó entre el
30 % y el 39 % de la variabilidad del caudal, con un valor de R=0,622. Las redes neuronales artificiales mostraron desempeños variables: el perceptrón multicapa (MLP) tipo feedforward-backpropagation alcanzó R=0,534, mientras que la red de funciones de base radial (RBF) presentó R=0,512, ambos considerados moderados. El modelo long short-term memory (LSTM) logró los mejores resultados en todas sus fases: R=0,908 (entrenamiento), R=0,8381 (prueba), R=0,7556 (validación) y R=0,908 (simulación general), lo que evidencia una alta capacidad de ajuste y excelente generalización.
Se concluye que los modelos basados en redes neuronales, especialmente LSTM, ofrecen un alto potencial para la predicción de caudales en cuencas tropicales, superando al modelo
estadístico random forest, el cual presenta baja precisión frente a los requerimientos de información en la cuenca hidrográfica. Futuras investigaciones podrían integrar variables relacionadas con el uso del suelo, cobertura vegetal y datos satelitales, así como aplicar modelos híbridos para fortalecer la precisión y robustez de las predicciones. Debido a su flexibilidad, escalabilidad y eficacia, este enfoque puede replicarse en otras cuencas con condiciones similares y constituye una herramienta valiosa para apoyar la gestión pública del recurso hídrico, la planificación territorial y la adaptación al cambio climático. (Texto tomado de la fuente)
Abstract
Palabras clave propuestas
Análisis de tendencias climáticas; Aprendizaje automático; Caudal; Coeficiente de Mann Kendall; Hidrología de cuencas; Hidrología fluvial; Modelos neuronales artificiales; Modelo LSTM; Predicción hidrológica; Series de tiempo; Climate trend analysis; Climate trend analysis; Streamflow; Mann-Kendall coefficient; Basin hydrology; River hydrology; Artificial neural models; LSTM model; Hydrological prediction; Time series
Descripción
Ilustraciones, tablas