Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data
Las inundaciones causan daños significativos a la vida humana, infraestructura, agricultura y economía. Prever caudales máximos es crucial para la evaluación de riesgos, pero resulta desafiante en áreas remotas como los Andes debido a los limitados datos hidrometeorológicos. Para abordar esto, ut...
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | eng |
| Published: |
Universidad de Cuenca
2028
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/43530 |
| _version_ | 1789157325050740736 |
|---|---|
| author | Álvarez Estrella, Julio Joaquín |
| author2 | Muñoz Pauta, Paul Andrés |
| author_facet | Muñoz Pauta, Paul Andrés Álvarez Estrella, Julio Joaquín |
| author_sort | Álvarez Estrella, Julio Joaquín |
| collection | DSpace |
| description | Las inundaciones causan daños significativos a la vida humana, infraestructura, agricultura y
economía. Prever caudales máximos es crucial para la evaluación de riesgos, pero resulta
desafiante en áreas remotas como los Andes debido a los limitados datos
hidrometeorológicos. Para abordar esto, utilizamos datos de teledetección (RS), en particular
datos de precipitación derivados de radar. Empleando la técnica de Random Forest (RF)
(técnica de aprendizaje automático) en combinación con una estrategia de Ingeniería de
Características (FE) aprovechamos el producto de RS. Este enfoque nos permitió incorporar
conocimientos físicos en los modelos de RF, mejorando su rendimiento predictivo. La
estrategia de FE se basa en un enfoque basado-en-objetos, que deriva características de
precipitación a partir de datos de RS. Estas características sirvieron como entradas para los
modelos, diferenciándolos como 'modelos mejorados' en comparación con 'modelos
referenciales' que incorporan estimaciones de precipitación de todos los píxeles disponibles
(1210) para cada hora. Utilizamos datos horarios de precipitación del radar y de caudal de 29
eventos de caudales máximos en una cuenca ubicada en los Andes Ecuatorianos. Los
modelos mejorados lograron eficiencias de Nash-Sutcliffe que oscilan entre 0.94 y 0.50 para
tiempos de pronóstico de 1 a 6 horas. Un análisis comparativo entre los modelos mejorados
y referenciales revela un notable aumento del 23% en la eficiencia de NSE a las 3 horas de
anticipación, marcando la mejora máxima. Los modelos mejorados integraron nuevos datos
en los modelos de RF, resultando en una representación más precisa de la precipitación y su
transformación temporal en caudal. |
| id | oai:dspace.ucuenca.edu.ec:123456789-43530 |
| institution | Universidad de Cuenca |
| language | eng |
| publishDate | 2028 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-435302024-01-03T13:57:47Z Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data Álvarez Estrella, Julio Joaquín Muñoz Pauta, Paul Andrés Ingeniería Civil Hidrología Pronóstico de caudales Radar meteorológico CIUC::Ciencias de la Tierra::Hidrología Las inundaciones causan daños significativos a la vida humana, infraestructura, agricultura y economía. Prever caudales máximos es crucial para la evaluación de riesgos, pero resulta desafiante en áreas remotas como los Andes debido a los limitados datos hidrometeorológicos. Para abordar esto, utilizamos datos de teledetección (RS), en particular datos de precipitación derivados de radar. Empleando la técnica de Random Forest (RF) (técnica de aprendizaje automático) en combinación con una estrategia de Ingeniería de Características (FE) aprovechamos el producto de RS. Este enfoque nos permitió incorporar conocimientos físicos en los modelos de RF, mejorando su rendimiento predictivo. La estrategia de FE se basa en un enfoque basado-en-objetos, que deriva características de precipitación a partir de datos de RS. Estas características sirvieron como entradas para los modelos, diferenciándolos como 'modelos mejorados' en comparación con 'modelos referenciales' que incorporan estimaciones de precipitación de todos los píxeles disponibles (1210) para cada hora. Utilizamos datos horarios de precipitación del radar y de caudal de 29 eventos de caudales máximos en una cuenca ubicada en los Andes Ecuatorianos. Los modelos mejorados lograron eficiencias de Nash-Sutcliffe que oscilan entre 0.94 y 0.50 para tiempos de pronóstico de 1 a 6 horas. Un análisis comparativo entre los modelos mejorados y referenciales revela un notable aumento del 23% en la eficiencia de NSE a las 3 horas de anticipación, marcando la mejora máxima. Los modelos mejorados integraron nuevos datos en los modelos de RF, resultando en una representación más precisa de la precipitación y su transformación temporal en caudal. Floods cause significant damage to human life, infrastructure, agriculture, and the economy. Predicting peak runoffs is crucial for hazard assessment, but it's challenging in remote areas like the Andes due to limited hydrometeorological data. To address this, we used remote sensing (RS) data, particularly radar-derived precipitation data. Employing the Random Forest (RF) (Machine Learning technique) in combination with a Feature Engineering (FE) strategy we leverage the RS product. This approach allowed us to incorporate physical knowledge into the RF models, enhancing their forecasting performance. The FE strategy is based on an object-based approach, which derive precipitation characteristics from RS data. These characteristics served as inputs for the models, distinguishing them as 'enhanced models' compared to 'referential models' that incorporate precipitation estimates from all available pixels (1210) for each hour. We utilized hourly precipitation radar and runoff data from 29 peak runoff events in a catchment situated in the Ecuadorian Andes. The enhanced models achieved Nash-Sutcliffe efficiencies ranging from 0.94 to 0.50 for lead times between 1 and 6 hours. A comparative analysis between the enhanced and referential models reveals a remarkable 23% increase in NSE efficiency at the 3-hour lead time, which marks the peak improvement. The enhanced models integrated new data into the RF models, resulting in a more accurate representation of precipitation and its temporal transformation into runoff. 0000-0002-8000-8840 2028-12-21 2024-01-03T13:57:43Z 2028-12-22 2024-01-03T13:57:43Z 2023-12-21 http://dspace.ucuenca.edu.ec/handle/123456789/43530 eng TM4;2146 Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ restrictedAccess application/pdf 32 páginas application/pdf Universidad de Cuenca |
| spellingShingle | Ingeniería Civil Hidrología Pronóstico de caudales Radar meteorológico CIUC::Ciencias de la Tierra::Hidrología Álvarez Estrella, Julio Joaquín Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data |
| title | Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data |
| title_full | Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data |
| title_fullStr | Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data |
| title_full_unstemmed | Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data |
| title_short | Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data |
| title_sort | enhancing forecasts of peak runoff events. application of a feature engineering approach using x-band radar data |
| topic | Ingeniería Civil Hidrología Pronóstico de caudales Radar meteorológico CIUC::Ciencias de la Tierra::Hidrología |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/43530 |
| work_keys_str_mv | AT alvarezestrellajuliojoaquin enhancingforecastsofpeakrunoffeventsapplicationofafeatureengineeringapproachusingxbandradardata |