Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin
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 hidrológ...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | submittedVersion |
| Language: | eng |
| Published: |
Universidad de Cuenca
2025
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/42021 |
| _version_ | 1785802405222285312 |
|---|---|
| author | Merizalde Mora, María José |
| author2 | Célleri Alvear, Rolando Enrique |
| author_facet | Célleri Alvear, Rolando Enrique Merizalde Mora, María José |
| author_sort | Merizalde Mora, María José |
| collection | DSpace |
| description | 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. |
| format | submittedVersion |
| id | oai:dspace.ucuenca.edu.ec:123456789-42021 |
| institution | Universidad de Cuenca |
| language | eng |
| publishDate | 2025 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-420212023-06-05T17:44:21Z Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin Merizalde Mora, María José Célleri Alvear, Rolando Enrique Muñoz Pauta, Paul Andrés Ingeniería Civil Hidrología Andes tropicales Pronósticos fluviales Método SCS-CN CIUC::Ciencias de la Tierra::Hidrología::Precipitación 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. Hydrological forecasting in complex mountain basins is a challenging task. The performance of machine learning forecasting models can be improved by exploiting available spatial rainfall datasets and by incorporating process-based hydrological knowledge, both using feature engineering (FE) strategies. In this study, we assessed the improvement in developing short-term runoff forecasting models using the long short-term memory (LSTM) networks. The selected FE strategies were based on GIS and the Soil Conservation Service Curve Number (SCS-CN) method. To demonstrate the usefulness of the selected FE strategies, we developed referential and specialized (with FE strategies) models for a 3390-km2 basin using the GSMaP-NRT satellite precipitation product (SPP). We developed forecasting models for lead times of 1, 6, and 11 h to account for near-real-time forecasting, flash floods, and concentration time of the basin, respectively. Our results show that the proposed FE strategies improved the efficiencies of LSTM referential models for all lead times, with Nash-Sutcliffe efficiency values of 0.93 (1 h), 0.77 (6 h), and 0.67 (11 h). The utility of the developed models exploiting non-validated satellite precipitation is demonstrated because the results are comparable to those of other studies using ground precipitation information. The proposed methodology and insights from this study provide hydrologists with new tools for developing advanced data-driven runoff models that integrate available geographic information into other precipitation-ungauged hydrological systems. 0000-0002-7683-3768 0000-0002-8000-8840 2025-12-31 2023-06-05T17:42:46Z 2026-01-01 2023-06-05T17:42:46Z 2023-06-05 submittedVersion http://dspace.ucuenca.edu.ec/handle/123456789/42021 eng TM4;2081 Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ openAccess application/pdf 43 páginas application/pdf Universidad de Cuenca |
| spellingShingle | Ingeniería Civil Hidrología Andes tropicales Pronósticos fluviales Método SCS-CN CIUC::Ciencias de la Tierra::Hidrología::Precipitación Merizalde Mora, María José Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin |
| title | Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin |
| title_full | Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin |
| title_fullStr | Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin |
| title_full_unstemmed | Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin |
| title_short | Development of specialized LSTM runoff forecasting models based on GIS and the SCS–CN method in a complex mountain basin |
| title_sort | development of specialized lstm runoff forecasting models based on gis and the scs–cn method in a complex mountain basin |
| topic | Ingeniería Civil Hidrología Andes tropicales Pronósticos fluviales Método SCS-CN CIUC::Ciencias de la Tierra::Hidrología::Precipitación |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/42021 |
| work_keys_str_mv | AT merizaldemoramariajose developmentofspecializedlstmrunoffforecastingmodelsbasedongisandthescscnmethodinacomplexmountainbasin |