Summary: | El pronóstico hidrológico en cuencas montañosas complejas es una tarea difícil. El rendimiento
de los modelos de pronóstico basados en técnicas de aprendizaje automático puede mejorarse
explotando los conjuntos de datos espaciales de precipitación disponibles e incorporando
conocimientos hidrológicos basados en procesos, ambos mediante estrategias de ingeniería de
características (FE). En este estudio, evaluamos la mejora en el desarrollo de modelos de
previsión de escorrentía a corto plazo utilizando las redes Long Short-Term Memory (LSTM). Las
estrategias de FE seleccionadas se basaron en Sistemas de Información Geográfica (SIG) y en
el método del Número de Curva del Servicio de Conservación del Suelo (SCS-CN). Para
demostrar la utilidad de las estrategias FE seleccionadas, desarrollamos modelos referenciales
y especializados (con estrategias FE) para una cuenca de 3390 km2 utilizando el producto de
precipitación por satélite GSMaP-NRT (SPP). Desarrollamos modelos de pronóstico para plazos
de 1, 6 y 11 h para tener en cuenta pronósticos en tiempo casi real, las crecidas repentinas y el
tiempo de concentración de la cuenca, respectivamente. Nuestros resultados muestran que las
estrategias de EF propuestas mejoraron las eficiencias de los modelos referenciales LSTM para
todas las ventanas de pronóstico, con valores de eficiencia de Nash-Sutcliffe de 0,93 (1 h), 0,77
(6 h) y 0,67 (11 h). Se demuestra la utilidad de los modelos desarrollados explotando productos
de precipitación satelital no validadas, ya que los resultados son comparables a los de otros
estudios que utilizan información de precipitaciones medida in situ. La metodología propuesta y
las conclusiones de este estudio proporcionan a los hidrólogos nuevas herramientas para
desarrollar modelos avanzados de pronóstico de caudal basados en datos en otros sistemas
hidrológicos que carezcan de información medida en tierra y dispongan de información
geográfica.
|