Predecir los caudales en un río es un proceso esencial para la gestión del agua, la planificación de infraestructuras hidráulicas y la prevención de desastres naturales (como inundaciones), que implica estimar la cantidad de agua que fluirá en un río en un momento futuro o durante un período específico.
Para la predicción de caudales en un río se emplean actualmente multitud de métodos numéricos, todos ellos basados en la discretización espacio-temporal de las ecuaciones de balance y transporte (flujo de agua) convenientemente parametrizadas.
Los múltiples métodos numéricos que se emplean para la predicción de caudales son técnicas matemáticas utilizadas para resolver problemas complejos mediante la aproximación de soluciones a través de cálculos computacionales.
En el contexto de la predicción de caudales, estos métodos permiten modelar el comportamiento del agua en el río utilizando algoritmos y modelos matemáticos.
Sin embargo, los modelos numéricos presentan problemas que han impedido su extensión generalizada, aplicándose sólo a determinados tramos de determinadas cuencas.
Discretización espacio-temporal de las ecuaciones de balance y transporte
La discretización espacio-temporal de las ecuaciones de balance y transporte es el proceso que consiste dividir el espacio y el tiempo en segmentos discretos o celdas, y expresar las ecuaciones que gobiernan el flujo de agua en términos de estas celdas discretas y sus interacciones a lo largo del tiempo.
La discretización es un paso esencial en la modelización numérica del flujo de agua, que permite simular y comprender mejor los procesos hidrológicos e hidrogeológicos en diferentes entornos y escalas espaciales y temporales.
Para llevar a cabo esta discretización, es necesario parametrizar convenientemente las propiedades del medio, como la permeabilidad del suelo o la porosidad del acuífero, para cada celda de la malla espacial. Estos parámetros controlan cómo el agua fluye a través del medio y cómo se almacena en él.
Las ecuaciones de balance y transporte son fundamentales para modelar el flujo del agua en el río. Estas ecuaciones describen cómo la cantidad de agua cambia con el tiempo y el espacio debido a diversos procesos, como la entrada de agua, la evaporación, la infiltración en el suelo, el flujo superficial y subterráneo, entre otros.
Para simplificar el modelado del flujo del agua, se utilizan parámetros que representan características importantes del sistema, como, por ejemplo:
- La geometría del río
- La rugosidad del lecho
- La conductividad hidráulica del suelo
- La vegetación circundante
- Y las condiciones climáticas
Estos parámetros se ajustan de manera que reflejen adecuadamente el comportamiento observado del sistema, lo que facilita la implementación de los modelos numéricos y mejora la precisión de las predicciones.
Los problemas de los modelos numéricos
Los modelos numéricos presentan problemas que han impedido su extensión generalizada, aplicándose sólo a determinados tramos de determinadas cuencas.
Los principales problemas de los modelos numéricosson:
- Conjunto de datos de partida de costosa obtención y parametrización.
Los ríos son sistemas hidrológicos complejos que están influenciados por una gran variedad de factores, como la geología, la topografía del terreno, la vegetación, las condiciones climáticas, humedad inicial del suelo, la interacción con otras fuentes de agua o las actividades humanas, como la agricultura y el desarrollo urbano, etc.
Con la complejidad añadida de un proceso manual (a menudo iterativo) de zonificación espacial (partición) de tales datos.
- Situaciones de normalidad, sequía y avenidas.
Los modelos numéricos no son capaces de ajustar simultáneamente situaciones de normalidad, sequía y avenidas.
- Calibración manual de muchos parámetros.
Los modelos numéricos precisan de un mecanismo de calibración manual de muchos parámetros (o semiautomática con supervisión manual en el mejor de los casos), con el consiguiente riesgo de “overfitting” (número excesivo de parámetros que permiten un buen ajuste en fase de calibración que pasa a ser malo en fase de ejecución).
- Elevado nivel de detalle espacial
En cuencas de pequeña área y alta velocidad (de respuesta rápida, por ejemplo ríos de montaña o torrenciales) es preciso un elevado nivel de detalle espacial que permita diferenciar adecuadamente lluvias locales que no cubran toda la cuenca.
- Tiempo medio de ejecución elevado
El tiempo medio de ejecución suele ser muy elevado, lo cual impide su uso a “tiempo real” en cuencas de respuesta rápida.
Redes neuronales para la predicción de valores en el tiempo
Las redes neuronales pueden usarse con éxito para predecir valores en el tiempo, pero estas redes neuronales requieren gran cantidad y calidad de datos para su entrenamiento
Una red neuronal entrenada con datos reales actúa mejor en aquellos rangos de valores más frecuentes y actúa de forma errática en aquellos datos de entrada en los que nunca ha sido entrenada o ha sido entrenada insuficientemente.
La mayoría de las observaciones meteorológicas con las que se entrena una red neuronal siguen una distribución de campana de Gauss.
Si bien la campana de Gauss es útil para modelar una amplia gama de fenómenos naturales y sociales, su aplicación a la predicción de eventos extremos, como las avenidas que provocan inundaciones, tiene limitaciones significativas: no solo el fenómeno se adapta a otro tipo de distribuciones estadísticas (como la distribución Gumbel), sino que las condiciones extremas son poco numerosas y generan poca base para un entrenamiento completo.
Sin embargo, es en estos eventos de grandes inundaciones o prolongadas sequías cuando se hace más necesaria la predicción fiable, porque son precisamente estas situaciones extremas las que mayores perjuicios causan.
La necesidad de un mayor número de observaciones extremas
Las situaciones extremas son las que más daños causa y son, sin embargo, las situaciones menos predecibles porque disponemos de pocos datos reales para el entrenamiento de la red neuronal.
Esta contradicción nos lleva a que tengamos que ampliar las observaciones del dataset, dotándolas de un mayor número de observaciones extremas y, como éstas no existen en la realidad, necesitamos poder crear uno datos “sintéticos” (por oposición a los datos “reales” suministrados por la medición del fenómeno).
Para crear observaciones extremas, podemos emplear Generative Adversarial Networks (que compiten entre sí) y permiten simular eventos realistas y llegar realizar predicciones en diferentes escenarios y bajo todo tipo de situaciones.
Las Generative Adversarial Networks mejoran la predicción hidrológica de eventos extremos
NEURITE Lab solventa este problema de comportamiento errático de las redes neuronales en eventos extremos, investigando un proceso que permite a la red neuronal adquirir sentido físico en eventos extremos.
Nuestra metodología hace uso de los últimos avances en Inteligencia Artificial (IA), y consiste en una generación de eventos extremos basados en Generative Adversary Networks (GANs).
Las Generative Adversarial Networks son una técnica de aprendizaje profundo que consta de dos redes neuronales (la generadora y la discriminadora) que se utilizan para generar datos sintéticos que son similares a los datos de entrenamiento originales.
Las GANs tienen el potencial de mejorar significativamente la predicción hidrológica de eventos extremos al generar datos sintéticos, mejorar la resolución de los datos, asimilar datos observacionales y modelados, generar escenarios futuros e identificar patrones climáticos.
NEURITE Lab: Innovación en el sector de la Inteligencia Artificial
Somos una empresa innovadora en el sector de la Inteligencia Artificial aplicada a las predicciones en diferentes sectores, especializada en el modelaje de series numéricas medioambientales, especialmente en el área de la gestión de cuencas hidrológicas.
A lo largo de nuestra trayectoria, hemos sido reconocidos con el SELLO PYME INNOVADORA por el Ministerio de Ciencia e Innovación y con el SELLO DE EXCELENCIA de la Unión Europea.
Si deseas saber más sobre Predicción de eventos extremos:
Gestión de cuencas hidrológicas: Predicción de eventos extremos (1)
Sequías e inundaciones: Predicción de eventos extremos (2)
Modelos de Inteligencia Artificial: Predicción de eventos extremos (4)
NEURITE Lab: Especialización, tecnología e innovación, con más de 30 años de experiencia trabajando con confederaciones hidrográficas y empresas suministradoras de agua.
Si necesita más información o desea realizar una consulta:
neuriteblog.com 
3 comentarios sobre “Modelos numéricos: Predicción de eventos extremos (3)”