Enfoque metodológico basado en modelación híbrida para la estimación de la incertidumbre predictiva en la simulación hidrológica de cuencas a escala diaria
DOI:
https://doi.org/10.26507/paper.4787Palabras clave:
incertidumbre predictiva, modelación hidrológica, incertidumbre paramétrica, incertidumbre estructural, aprendizaje automático, ensambles de modelos, modelos híbridos, redes neuronales artificiales, recursos hídricosResumen
La modelación hidrológica de cuencas es una herramienta fundamental para comprender los procesos físicos que rigen el movimiento y la distribución del agua, así como para la cuantificación de la disponibilidad hídrica y la planificación de los recursos hídricos. Sin embargo, la complejidad inherente de los procesos hidrológicos, marcada por su heterogeneidad, variabilidad espacio-temporal y comportamiento no lineal, introduce incertidumbres significativas en las simulaciones del ciclo hidrológico. La presente investigación propone un enfoque metodológico para la estimación y reducción de la incertidumbre predictiva en la modelación hidrológica, diferenciando sus principales fuentes: incertidumbre en los datos de entrada, incertidumbre paramétrica e incertidumbre estructural del modelo. Para ello, se emplean técnicas de aprendizaje automático junto con ensambles de modelos hidrológicos agregados (GR4J, HBV, TPHM, SIMHYD, AWBM, SHIA, entre otros), permitiendo evaluar la incertidumbre en la simulación continua de caudales a escala diaria. Como caso de estudio, se analiza una cuenca andina tropical, donde se desarrolla una estrategia de modelos híbridos que combina la conceptualización de procesos físicos con redes neuronales artificiales profundas. Este enfoque busca mejorar la comprensión de los mecanismos que generan incertidumbre en la modelación hidrológica, así como explorar alternativas para reducirla mediante modelos híbridos que integren el conocimiento físico con las ventajas del aprendizaje automático. Los resultados obtenidos tendrán aplicaciones en la planificación de los recursos hídricos, asegurando una distribución eficiente del agua para distintos usos (agrícola, industrial y doméstico), además de contribuir a la evaluación del impacto del cambio climático en la disponibilidad hídrica y en la caracterización de eventos extremos como sequías.
Citas
Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: Guidelines for computing crop water requirements (FAO Irrigation and Drainage Paper No. 56). FAO.
Chen, S. M., Wang, Y. M., & Tsou, I. (2013). Using artificial neural network approach for modelling rainfall-runoff due to typhoon. Journal of Earth System Science, 122(2), 399–405. https://doi.org/10.1007/s12040-013-0289-8
Diaz, A., Chingate, N., Muñoz, D. P., Olaya, W. R., Perilla, C., Sanchez, F., & Sanchez, K. (2009). Desarrollo sostenible y el agua como derecho en Colombia Sustainable Development and the Right to Water in Colombia. Historia, 11(1), 84–116.
FAO. (2009). La agricultura mundial en la perspectiva del año 2050. Fao, 4. https://www.fao.org/fileadmin/templates/wsfs/docs/Issues_papers/Issues_papers_SP/La_agricultura_mundial.pdf
Fernández, M., Vela, A., & Castaño, S. (1997). La utilización de modelos en hidrología. In Ensayos: Revista de la Facultad de Educación de Albacete (Issue 12, pp. 305–318).
Gattke, C., & Schumann, A. (2007). Comparison of different approaches to quantify the reliability of hydrological simulations. Advances in Geosciences, 11, 15–20. https://doi.org/10.5194/adgeo-11-15-2007
Gupta, A., & Govindaraju, R. S. (2023). Uncertainty quantification in watershed hydrology: Which method to use? Journal of Hydrology, 616(October 2022), 128749. https://doi.org/10.1016/j.jhydrol.2022.128749
Hassan, Z., Jefferson, A. J., Avellaneda, P. M., & Bhaskar, A. S. (2024). Assessment of hydrological parameter uncertainty versus climate projection spread on urban streamflow and floods. Journal of Hydrology, 638(June), 131546. https://doi.org/10.1016/j.jhydrol.2024.131546
Hernández, A., Solera Solera, A., Nowak, W., & Andreu, J. (2014). Reducción de incertidumbre en la parametrización de modelos hidrológicos usados para la gestión conjunta de recursos hídricos. January 2016, 11.
Kuok, K. K., & Bessaih, N. (2007). Artificial Neural Networks (ANNs) for Daily Rainfall Runoff Modelling. The Journal of the Institution of Engineers, 68(3), 31–42. https://www.researchgate.net/publication/309546851_Artificial_Neural_Networks_ANNs_for_Daily_Rainfall_Runoff_Modelling
Martínez, C. M. G., López, E. J. G., & Chamorro, F. R. M. (2018). Estado del arte de modelos hidrológicos. Boletín Informativo CEI, 5(2), 116–117.
Méndez, J. (2017). Análisis comparativo de modelos agregados de balance hídrico en la España Peninsular y su incertidumbre climática.
Michel, C. (1991), Hydrologie appliquée aux petits bassins ruraux. Hydrology handbook (in French), Cemagref, Antony, Francehttps://dialnet.unirioja.es/servlet/tesis?codigo=153504&info=resumen&idioma=SPA
Moges, E., Demissie, Y., Larsen, L., & Yassin, F. (2021). Review: Sources of hydrological model uncertainties and advances in their analysis. Water (Switzerland), 13(1), 1–23. https://doi.org/10.3390/w13010028
Mosaffa, H., Sadeghi, M., Mallakpour, I., Naghdyzadegan Jahromi, M., & Pourghasemi, H. R. (2022). Application of machine learning algorithms in hydrology. Computers in Earth and Environmental Sciences: Artificial Intelligence and Advanced Technologies in Hazards and Risk Management, 585–591. https://doi.org/10.1016/B978-0-323-89861-4.00027-0
Muñoz, E., Gutiérrez-Vejar, J. C., & Zapata, P. I. T. (2018). Incertidumbre en los caudales de salida de un modelo hidrológico semidistribuido. Tecnologia y Ciencias Del Agua, 9(2), 150–172. https://doi.org/10.24850/j-tyca-2018-02-06
Neiting, T. G., & Aftery, A. E. R. (2007). Strictly Proper Scoring Rules , Prediction , and Estimation. 102(477). https://doi.org/10.1198/016214506000001437
Renard, B., Kavetski, D., Kuczera, G., Thyer, M., & Franks, S. W. (2010). Understanding predictive uncertainty in hydrologic modeling: The challenge of identifying input and structural errors. Water Resources Research, 46(5), 1–22. https://doi.org/10.1029/2009WR008328
Salgado, F., Barrios, M., & velez upegui, J. (2023). Skew-normal distribution model for rainfall uncertainty estimation in a distributed hydrological model. Hydrological Sciences Journal, 00(00), 1–10. https://doi.org/10.1080/02626667.2023.2185149
Scheller, M., van Meerveld, I., Sauquet, E., Vis, M., & Seibert, J. (2024). Are temporary stream observations useful for calibrating a lumped hydrological model? Journal of Hydrology, 632(December 2023), 130686. https://doi.org/10.1016/j.jhydrol.2024.130686
Teweldebrhan, A. T., Burkhart, J. F., & Schuler, T. V. (2018). Parameter uncertainty analysis for an operational hydrological model using residual-based and limits of acceptability approaches. Hydrology and Earth System Sciences, 22(9), 5021–5039. https://doi.org/10.5194/hess-22-5021-2018
Tian, Y., Xu, Y. P., Yang, Z., Wang, G., & Zhu, Q. (2018). Integration of a parsimonious hydrological model with recurrent neural networks for improved streamflow forecasting. Water (Switzerland), 10(11). https://doi.org/10.3390/w10111655
Tu, T., Li, Y., Duan, K., & Zhao, T. (2024). Enhancing physically-based hydrological modeling with an ensemble of machine-learning reservoir operation modules under heavy human regulation using easily accessible data. Journal of Environmental Management, 359(October 2023), 121044. https://doi.org/10.1016/j.jenvman.2024.121044
Van Beusekom, A. E., Hay, L. E., Bennett, A. R., Choi, Y. D., Clark, M. P., Goodall, J. L., Li, Z., Maghami, I., Nijssen, B., & Wood, A. W. (2022). Hydrologic Model Sensitivity to Temporal Aggregation of Meteorological Forcing Data: A Case Study for the Contiguous United States. Journal of Hydrometeorology, 23(2), 167–183. https://doi.org/10.1175/JHM-D-21-0111.1
Vrugt, J. A., Diks, C. G. H., Gupta, H. V., Bouten, W., & Verstraten, J. M. (2005). Improved treatment of uncertainty in hydrologic modeling: Combining the strengths of global optimization and data assimilation. Water Resources Research, 41(1), 1–17. https://doi.org/10.1029/2004WR003059
Zhang, J., Li, Y., Huang, G., Chen, X., & Bao, A. (2016). Assessment of parameter uncertainty in hydrological model using a Markov-Chain-Monte-Carlo-based multilevel-factorial-analysis method. Journal of Hydrology, 538, 471–486. https://doi.org/10.1016/j.jhydrol.2016.04.044
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
