Estimación de la precipitación en la cuenca hidrográfica del río Bolo con técnicas de inteligencia artificial

Abstract

La complejidad de los sistemas hidroclimatológicos demuestra la necesidad del uso de herramientas de análisis más efectivas y contextualizadas al área de estudio que soporten la gestión a nivel de cuenca y subcuenca hidrográfica. La variabilidad natural y los efectos provocados por el cambio climático antropogénico requieren un análisis extensivo del comportamiento de variables como la precipitación y la ocurrencia de anomalías en sus patrones espaciales y temporales. Gracias a los avances recientes en distintas técnicas de inteligencia artificial, el objetivo de esta investigación fue evaluar un modelo de lógica difusa y un modelo de redes neuronales artificiales para la estimación de los patrones de precipitación en la cuenca hidrográfica del río Bolo en el Valle del Cauca. Se realizó una recopilación de datos de precipitación y un análisis exploratorio de datos a partir de los cuales se determinó la estimación de los patrones de precipitación como variable categórica objetivo de los modelos (periodos: extremadamente seco, muy seco, moderadamente seco, normal, moderadamente húmedo, muy húmedo, extremadamente húmedo). Estos modelos se enfocaron en el análisis mensual de la precipitación usando como línea base el Índice Estándar de precipitación mensual (SPI-1) y la comparación con el comportamiento esperado por el Índice Niño Oceánico (ONI). Se implementó un sistema de inferencia difuso con 3 variables explicativas y 48 reglas de implicación y se evaluaron varias configuraciones de redes neuronales obteniéndose los mejores resultados para el algoritmo de entrenamiento de regularización Bayesiana con un R de 0.8 seguido de Levenberg-Marquardt con un R de 0.76. El sistema de inferencia difuso generó resultados más alineados con lo esperado del análisis exploratorio y el comportamiento histórico de la precipitación en la cuenca del río Bolo, mientras que la red neuronal artificial demostró un sesgo en la estimación del tipo de evento extremo de precipitación. (Texto tomado de la fuente)

The complexity of hydroclimatological systems demonstrates the need for more effective and context-specific analysis tools in the study area to support watershed and sub-watershed management. Natural variability and the effects of anthropogenic climate change require an extensive analysis of variables such as precipitation and the occurrence of anomalies in their spatial and temporal patterns. Given the recent advancement of various artificial intelligence techniques, the objective of this study was to evaluate a fuzzy logic model and an artificial neural network model for estimating precipitation patterns in Bolo river watershed in Valle del Cauca. Data collection and exploratory data analysis were conducted to determine the estimation of precipitation patterns as the categorical target variable for the models (periods: extremely dry, very dry, moderately dry, normal, moderately wet, very wet, and extremely wet). These models focused on monthly precipitation analysis using the monthly Standard Precipitation Index (SPI-1) as a baseline and comparing it with the expected behavior of the Oceanic Niño Index (ONI). A fuzzy inference system was implemented with 3 explanatory variables and 48 implication rules, and several neural network configurations were evaluated, with the best results obtained for the Bayesian regularization training algorithm with an R of 0.8 followed by Levenberg-Marquardt with an R of 0.76. The fuzzy inference system generated results that aligned more closely with the expected outcomes based on the exploratory analysis and the historical behavior of precipitation in the Bolo River. On the other hand, the artificial neural network demonstrated a bias in estimating the type of extreme precipitation event.