Aprendizaje de máquinas para calibrar un modelo hidrológico agregado en Cuencas Andinas

Segura Pérez, Eliel de Jesús

Publication:
Aprendizaje de máquinas para calibrar un modelo hidrológico agregado en Cuencas Andinas

dc.contributor.advisor	Bedoya Soto, Juan Mauricio
dc.contributor.author	Segura Pérez, Eliel de Jesús
dc.date.accessioned	2024-12-11T15:01:38Z
dc.date.available	2024-12-11T15:01:38Z
dc.date.issued	2024
dc.description.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.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero(a) civil	spa
dc.format.extent	61 p.
dc.format.mimetype	application/pdf	spa
dc.identifier.uri	https://repositorio.uniremington.edu.co/handle/123456789/5692
dc.language.iso	spa	spa
dc.publisher	Corporación Universitaria Remington	spa
dc.publisher.faculty	Facultad de Ingenierías	spa
dc.publisher.place	Medellín (Antioquia, Colombia)	spa
dc.publisher.program	Ingeniería Civil	spa
dc.rights	Derechos Reservados - Corporación Universitaria Remington, 2024	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.license	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	spa
dc.subject	LSTM (Long Short-Term Memory)	spa
dc.subject	PSO (Optimización por Enjambre de Partículas)	spa
dc.subject	KGE (Kling-Gupta Efficiency)	spa
dc.subject	IDEAM	spa
dc.subject	Modelo TETIS	spa
dc.subject.lemb	Cambios climáticos
dc.subject.lemb	Climatología
dc.subject.lemb	Predicciones geofísicas
dc.title	Aprendizaje de máquinas para calibrar un modelo hidrológico agregado en Cuencas Andinas	spa
dc.type	Trabajo de grado - Pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	http://purl.org/redcol/resource_type/TP	spa
dc.type.version	info:eu-repo/semantics/publishedVersion	spa
dspace.entity.type	Publication	spa