Publication: Aprendizaje de máquinas para calibrar un modelo hidrológico agregado en Cuencas Andinas
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Corporación Universitaria Remington
Abstract
El presente proyecto de investigación aborda la mejora de la modelización hidrológica en las cuencas andinas de Colombia, un área caracterizada por su complejidad geográfica y climática, así como por la creciente presión sobre los recursos hídricos debido al cambio climático y al crecimiento poblacional. La necesidad de modernizar los modelos hidrológicos tradicionales se justifica por la ineficiencia de estos ante las variaciones climáticas y la heterogeneidad de los datos disponibles. Para enfrentar este desafío, se desarrolló un modelo hidrológico automatizado en Python que integra técnicas de aprendizaje automático (ML), específicamente redes neuronales LSTM y la técnica de optimización por enjambre de partículas (PSO). La metodología incluye el preprocesamiento automatizado de datos, la selección del modelo de ML más adecuado y un sistema de calibración para mejorar la precisión de las simulaciones. Los resultados obtenidos tras 10 épocas de entrenamiento muestran que el modelo presenta un error cuadrático medio (RMSE) estabilizado en aproximadamente 0.2, lo que indica un buen ajuste sin sobreajuste. Sin embargo, se observó que el modelo tiende a sobreestimar la lluvia, con errores que varían entre -20 y 5, y presenta picos de error en eventos extremos. La optimización mediante PSO ha demostrado ser efectiva, logrando una reducción en el costo del ajuste (KGE negativo) y mejorando la precisión en la simulación del flujo. En conclusión, este estudio resalta la efectividad de las técnicas avanzadas de ML en la modelización hidrológica, superando las limitaciones de los modelos tradicionales. Se sugiere que futuras investigaciones se enfoquen en el ajuste de hiperparámetros y en la exploración de técnicas alternativas de optimización y modelado, con el objetivo de seguir mejorando la precisión en la predicción de caudales en cuencas complejas como la del río Medellín, Colombia.
Description
Keywords
LSTM (Long Short-Term Memory), PSO (Optimización por Enjambre de Partículas), KGE (Kling-Gupta Efficiency), IDEAM, Modelo TETIS