What is a water body?

The term «water body» is a technical term, a unit of assessment or unit of management defined in the European Water Framework Directive (WFD), a regulation of the European Parliament that entered into force on 22 December 2000.

«Water body» is a basic division (a portion, an extension, a volume or a significant and homogeneous part) of a surface or groundwater course, natural or artificial, inland or marine (coastal waters), whether in liquid or solid state (glaciers, etc.).

The incorporation of such a management unit is to categorize (provide an order and classify) a limited number of «water divisions», in order to facilitate their management and to maintain or improve their ecological, chemical and quantitative status (balance between abstractions and needs that guarantees or ensures a good capacity for renewal of the resource).

Prior to the WFD and outside the specialized field of water management, the term «oceanic water body» has been and is used to refer to volumes of seawater, «masses» with temperature and salinity characteristics that are created in surface processes, sink and mix with other water masses moving through ocean basins.

The Water Framework Directive (WFD)

The Water Framework Directive was created with the aim of unifying actions related to water management in the European Union, implementing homogeneous environmental objectives among the Member States and establishing a common framework for action, a «legislative framework that is coherent, effective and transparent».

The first point of the Directive states that «Water is not a commercial good like any other, but a heritage to be protected, defended and treated as such», both in terms of quality and quantity, to ensure its sustainability in circumstances of «increasing pressure due to the continuous growth in demand, of good quality and in sufficient quantities for all uses».

The aim of its implementation was to halt deterioration and achieve «good status» of rivers, lakes and groundwater, protecting water in all its forms (surface, ground, inland and transitional), regenerating ecosystems and reducing pollution.

Classification of water bodies in the WFD

Surface water and groundwater

  • Surface water: all non-groundwater inland waters, transitional waters and coastal waters.
  • Surface water body: a distinct and significant part of surface water (all or part of a lake, reservoir, stream, river or canal; transitional water or stretch of coastal water).
  • Groundwater: all water below the ground surface in the zone of saturation.
  • Groundwater body: a clearly differentiated volume of groundwater in an aquifer or aquifers.

Inland, transitional or coastal waters

  • Inland waters: bodies of still or flowing surface water and all groundwaters.
  • Transitional waters: surface water bodies close to river mouths, partially saline, but with significant influence of freshwater flows.
  • Coastal waters: bodies of surface water «lying landward of a line all points of which lie at a distance of one nautical mile offshore from the nearest point on the baseline from which the breadth of the territorial waters is measured and extending, where appropriate, to the outer limit of the transitional waters».

Artificial or heavily modified water bodies

  • Natural water body: a body of water that maintains its original hydromorphology and ecological characteristics.
  • Heavily modified water body: a surface water body that has undergone a substantial change brought about by human activity.
  • Artificial water body: surface water body created by human activity.

Water body, river basin and river basin district

A water body is a basic unit of assessment or management, from a river or part of a river (natural «fresh» water flowing on the surface or underground) or a reservoir (artificial «fresh» water body still on the surface), to a transitional water body (partially saline surface water body near the mouth of rivers) or coastal water body (marine water body).

A river basin is, as defined in the European Framework Directive, an «area of land whose surface runoff flows in its entirety through a series of streams, rivers and possibly lakes to the sea via a single mouth, estuary or delta» and is or can therefore also be a series of water bodies of different nature.

The definition of a river basin would not include aquifers as they are neither a surface area, nor necessarily «flow» into the sea, let alone at a single point; however, groundwater is often included in this term as well.

A river basin district is «the marine and terrestrial area consisting of one or more neighboring river basins and the transitional, groundwater and coastal waters associated with those basins».

NEURITE Lab: Prediction and control software for optimal water management

Optimal water management requires precise knowledge that takes into account both physical phenomena and those resulting from human action.

Forecasting what may happen in hours, days or months at each point of the river or aquifer is essential to facilitate optimal management of surface and groundwater bodies, protect their quantity and quality, and ensure more and better sustainability.

Neurite Lab’s forecasting and monitoring software is an innovative and effective tool for both reservoir forecasting and ecological flow monitoring in drought situations, as well as for flood prediction, monitoring and management.

If you need more information or would like to make a consultation:

Contact us

Caudal de agua de un río: clasificación y definiciones

Caudal de agua de un río es una medida que indica la cantidad de agua que circula por un punto específico de su cauce en un lugar concreto y en un determinado período de tiempo. Se trata de un concepto esencial en áreas como la hidrología, la ingeniería hidráulica, el diseño de sistemas de abastecimiento de agua, la gestión de ríos y cuencas, y la evaluación de recursos hídricos.

¿Cómo se expresa el caudal de agua?

Generalmente se expresa en litros por segundo (l/s) o  metros cúbicos por segundo (m³/s), según el Sistema Internacional, dependiendo del contexto y de la magnitud del flujo de agua que se esté midiendo.

  • Litros por segundo (l/s) se utiliza frecuentemente en situaciones donde el caudal es relativamente pequeño, como en el suministro de agua en instalaciones domésticas, sistemas de riego o en estudios hidrológicos de pequeñas corrientes.
  • Metros cúbicos por segundo (m³/s) se utiliza para caudales mayores, como en ríos, grandes canales, plantas de tratamiento de agua y en la gestión de recursos hídricos a gran escala.

¿Cómo se realiza el cálculo del caudal de agua?

El caudal de agua se calcula generalmente utilizando la siguiente fórmula:

Q=A×vQ = A \times vQ=A×v

  • QQQ es el caudal (en unidades de volumen por tiempo, como m³/s),
  • AAA es el área de la sección transversal del flujo (en unidades de área, como m²),
  • vvv es la velocidad del flujo (en unidades de longitud por tiempo, como m/s).

Principales tipos de caudal

Definir y entender los principales tipos de caudal es esencial para mantener flujos de agua adecuados y preservar hábitats acuáticos, desarrollar infraestructuras de mitigación de desastres y sistemas de alerta temprana más efectivos,  y garantizar un suministro adecuado de agua para las necesidades básicas de las personas y la producción de alimentos.

  1. Caudal máximo o de crecida
  2. Caudal medio
  3. Caudal mínimo del año o estiaje
  4. Caudal de servidumbre
  5. Caudal ecológico
  6. Caudal de diseño
  7. Caudal instantáneo
  8. Caudal residual
  9. Caudal de retorno

Caudal máximo o de crecida

Caudal máximo o de crecida es el caudal máximo registrado o esperado en un punto durante un tiempo específico, generalmente asociado con eventos de precipitación intensa o deshielo.

Es importante para el diseño de infraestructuras hidráulicas (como presas y canales de desvío) y para la gestión y la evaluación del riesgo de inundaciones y crecidas.

Caudal medio

Caudal medio es la media del caudal de agua que pasa por un punto durante un período de tiempo específico, como un día, un mes o un año.

Es importante para evaluar la disponibilidad de agua en una cuenca hidrográfica a lo largo del tiempo, para la planificación de recursos hídricos y para el diseño de infraestructuras hidráulicas, como presas, acueductos y plantas de tratamiento.

Caudal mínimo o estiaje

Caudal mínimo o estiaje es el flujo mínimo de agua en un cuerpo de agua durante un año, generalmente asociado con períodos de sequía o estiaje.

Es fundamental para la conservación y el mantenimiento de ecosistemas acuáticos, para garantizar el suministro de agua potable y para la planificación de riegos y usos agrícolas.

Caudal de servidumbre

Caudal de servidumbre es el flujo de agua que debe mantenerse disponible para garantizar el funcionamiento adecuado de infraestructuras hidráulicas, como presas, canales o sistemas de riego.

Caudal ecológico

Caudal ecológico (también llamado caudal “ambiental”, caudal “medioambiental” o, incluso, caudal “de mantenimiento”) es el flujo mínimo de agua necesario en un río, lago u otro cuerpo de agua para proteger, restaurar y preservar los ecosistemas acuáticos, sostener la biodiversidad y asegurar la sostenibilidad del uso de los recursos hídricos a largo plazo, incluso en períodos de sequía o cuando hay extracciones de agua para usos humanos

El Fondo Mundial para la Naturaleza (WWF) define “caudal ecológico” como un instrumento, una herramienta de gestión imprescindible para “acordar” un uso y una conservación medioambiental que favorezca a la sociedad en su conjunto.

Caudal de diseño

Caudal de diseño es el caudal utilizado como base para el diseño de infraestructuras hidráulicas, como puentes, presas, canales y sistemas de drenaje.

Es esencial para minimizar el riesgo de fallos y daños estructurales, y garantizar la seguridad y funcionalidad de las infraestructuras.

Caudal instantáneo

Caudal instantáneo es el caudal en un instante específico, sin considerar la variabilidad a lo largo del tiempo. Se utiliza en estudios hidrológicos detallados y en la calibración de modelos hidrológicos e hidráulicos.

Es importante para evaluar el comportamiento del caudal en respuesta a eventos específicos, como lluvias intensas, deshielos o aperturas de presas.

Caudal de retorno

Caudal de retorno es el agua que regresa a su fuente original después de haber sido utilizada para un propósito específico, como el riego o el consumo humano.

Caudal residual

Caudal residual es el flujo de agua que queda en un cuerpo de agua después de que se ha extraído una cierta cantidad para usos humanos, industriales o agrícolas. En un río con concesiones de agua para riego y consumo humano, por ejemplo,  el caudal residual es la cantidad de agua que fluye después de que se hayan atendido las demandas de agua asignadas.

Software para predecir el caudal de un río y el riesgo de inundaciones

NEURITE Lab  ha creado un software basado en la Inteligencia artificial que predice el comportamiento del agua de las cuencas hidrológicas y determina a tiempo real aspectos como, por ejemplo, cuál será el volumen del caudal de un río en las siguientes horas o facilita información sobre el riesgo de inundaciones o desbordamientos.

Para predecir el comportamiento del agua, el software de Neurite combina datos provenientes de modelos numéricos (captados mediante sensores instalados en los ríos, pluviómetros y radares meteorológicos, entre otros) con algoritmos de inteligencia artificial.

Estos algoritmos de inteligencia artificial analizan —a través de técnicas de aprendizaje automático (deep learning)— extracciones de agua para el riego, el consumo humano o la producción eléctrica.

Si necesita más información o desea realizar una consulta:

Clique aquí y le informaremos

¿Qué es una cuenca hidrográfica?: Definición, tipos y gestión

Una cuenca hidrográfica es un área de terreno “cuya escorrentía superficial fluye en su totalidad a través de una serie de corrientes, ríos y, eventualmente, lagos hacia el mar por una única desembocadura, estuario o delta”, según definición de la Directiva Marco del Agua (DMA), legislación de la UE adoptada en el año 2000 con el objetivo de establecer un marco común para la gestión sostenible de los recursos hídricos en Europa.

Las cuencas hidrográficas abarcan grandes áreas geográficas y pueden incluir múltiples subcuencas, subdivisiones más pequeñas dentro de una cuenca principal.

Las subcuencas están delimitadas por sus propias divisorias de aguas y drenan hacia un punto de salida secundario, como un lago, un arroyo o un afluente de un río principal.

La zona marina y terrestre compuesta por una o varias cuencas hidrográficas vecinas y las aguas subterráneas y costeras asociadas se denomina demarcación hidrográfica.

Cuenca hidrográfica: Unidad básica de gestión

Según la DMA, una cuenca hidrográfica se define como «la unidad básica para la gestión de las aguas superficiales y subterráneas» y abarca tanto el agua como el territorio que la drena.

Esta definición resalta la importancia de considerar no solo los cursos de agua visibles en la superficie, sino también el flujo subterráneo que puede alimentarlos.

La DMA destaca que las cuencas hidrográficas son más que simples límites geográficos: son sistemas dinámicos que incorporan tanto los componentes físicos del agua como los factores ambientales, sociales y económicos que influyen en su gestión y calidad.

Principales tipos de cuencas hidrográficas

Las cuencas hidrográficas se clasifican en varios tipos según sus características y procesos hidrológicos.

  • Cuencas endorreicas
  • Cuencas exorreicas
  • Cuencas arreicas
  • Cuencas mixtas

Cuencas endorreicas

Son cuencas en las que las aguas fluyen hacia un área baja, como un lago o una depresión, pero no tienen salida al mar o a otro cuerpo de agua externo.

El agua puede evaporarse o infiltrarse en el suelo, sin alcanzar cuerpos de agua más grandes.

El Gran Lago Salado en Utah, Estados Unidos, o el Mar Muerto, en Oriente Medio, son ejemplos icónicos de cuencas endorreicas a nivel mundial.

En España, la laguna de Gallocanta, en la provincia de Zaragoza, es un ejemplo de cuenca endorreica.

Cuencas exorreicas

Son cuencas en las que las aguas fluyen hacia un punto de salida, como un río, que desemboca en el mar, un lago o un océano.

La cuenca del río Misisipi, en América del Norte, o la cuenca del río Amazonas, en América del Sur, son dos de las cuencas exorreicas más extensas en el mundo.

En España, la cuenca del río Duero, que recorre el norte y el noroeste de la península, es un ejemplo destacado de una cuenca exorreica.

Cuencas arreicas

Son cuencas en las que el agua de lluvia no tiene una salida clara hacia el mar o un lago, y tiende a acumularse en áreas bajas, formando lagos temporales o estacionales. Estas cuencas son comunes en regiones áridas o semiáridas.

El lago Eyre, en Australia, que se llena solo ocasionalmente después de fuertes lluvias, es un ejemplo de cuenca arreica a nivel mundial.

En la Península Ibérica, la depresión del Ebro es un ejemplo de cuenca arreica. En esta área, las aguas de lluvia pueden acumularse en lagos temporales durante períodos de lluvias intensas.

Cuencas mixtas

Son cuencas que presentan características tanto de cuencas exorreicas como endorreicas. Esto puede ocurrir en áreas donde las aguas superficiales pueden fluir hacia un punto de salida, pero también pueden acumularse en áreas bajas sin salida clara.

El lago Chad, en África, es un ejemplo de una cuenca mixta. El lago recibe agua de varios ríos, pero también se alimenta de fuentes subterráneas y puede experimentar fluctuaciones estacionales significativas.

La cuenca del río Guadiana, que atraviesa España y Portugal, puede considerarse una cuenca mixta. Aunque gran parte de su flujo se dirige hacia el océano Atlántico, también alimenta varios humedales y lagunas endorreicas en su recorrido.

¿Qué organismos gestionan las cuencas hidrográficas en España?

En 1926, en España, las cuencas hidrográficas reemplazan a las provincias como unidades territoriales para la gestión y la planificación del agua. 

Desde ese momento, los organismos competentes para realizar la gestión y la administración de los recursos hídricos de las cuencas hidrográficas fueron las Confederaciones Hidrográficas, dependientes actualmente del Ministerio para la Transición Ecológica y el Reto Demográfico.

Principales funciones de las Confederaciones Hidrográficas

Cada Confederación Hidrográfica cuenta con una estructura organizativa que incluye unidades especializadas en la gestión integral de los recursos hídricos, la planificación hidrológica, la autorización de usos del agua, la protección del medio ambiente acuático, entre otras funciones.

  • Planificación hidrológica

Elaboración de planes hidrológicos para la gestión sostenible de los recursos hídricos en cada cuenca hidrográfica, conforme a la normativa nacional y europea, como la Directiva Marco del Agua.

  • Autorización y control de usos del agua

Concesión de derechos de uso del agua, autorización de infraestructuras hidráulicas, control del cumplimiento de normativas y regulaciones en materia de agua, entre otros.

  • Gestión de caudales

Regulación de los caudales de los ríos y embalses para garantizar un uso equitativo y sostenible del agua, así como la protección de ecosistemas.

  • Protección del dominio público hidráulico

Preservación y restauración de ríos, humedales y ecosistemas acuáticos, así como la gestión de la calidad del agua y la protección contra la contaminación.

  • Participación y coordinación

Colaboración con otras administraciones públicas, organismos, entidades locales y usuarios del agua en la planificación y gestión de los recursos hídricos, así como la promoción de la participación ciudadana en temas relacionados con el agua.

NEURITE Lab

NEURITE Lab es 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 necesita más información o desea realizar una consulta:

Clique aquí y le informaremos

Artificial Intelligence Models: Predicting Extreme Events

Artificial Intelligence (AI) models appear to be good candidates for predicting flow rates and extreme events because they would solve some of the problems presented by numerical models based on the spatial-temporal discretization of balance and transport equations (water flow).

Main Problems of Numerical Models for Predicting Extreme Events

Numerical models based on the spatial-temporal discretization of balance and transport equations are tools used to simulate and predict the behavior of water flow in rivers, watersheds, aquifers, etc.

These models are based on physical and mathematical principles to describe how water moves through space and time and how it interacts with its environment.

Numerical models for predicting extreme events have problems that can affect their accuracy and reliability and have hindered their widespread adoption.

Some of the problems with numerical models are as follows:

  1. The initial data set is costly to obtain and parameterize.
  2. Numerical models depend on accurate input data, such as meteorological, topographic, and land use data. The lack of data or the insufficient quality of data related to extreme events can introduce significant errors in the predictions.
  3. The spatial and temporal resolution of numerical models may be insufficient to capture the complexity and variability of extreme phenomena.
  4. Extreme events are often localized and of short duration, requiring very high resolution to be accurately represented.
  5. Numerical models require a manual calibration mechanism for many parameters (or semi-automatic with manual supervision in the best cases), with the consequent risk of «overfitting.»
  6. In small, high-speed catchments (rapid response, such as mountain or torrential rivers), a high level of spatial detail is needed to adequately differentiate local rains that do not cover the entire basin.
  7. Numerical models are not able to simultaneously adjust to normal, drought, and flood situations.
  8. The average execution time is usually very high, which prevents their use in «real-time» in rapid response basins.

The Fundamental Problem of AI Models Compared to numerical models, AI models do not require expensive data (beyond the temporal record of rainfall and flow rates at gauging stations), their calibration is implicit in the training process, and the execution speed in the simulation phase is usually very fast.

The fundamental problem of AI models that has prevented their widespread use is known as the «reference frame problem.»

In the context of river flow prediction, the «reference frame problem» refers to the difficulty of AI models to correctly capture and understand complex patterns and relationships in the data when faced with changes in the environment or input conditions.

This problem can arise when the model is trained with data collected in a specific environment or conditions and then deployed in a different environment or conditions, leading to low accuracy and model performance.

An Elephant in the Room?

The example known as «The Elephant in the Room» illustrates this problem. In this example, an AI model is trained using historical data of river flow measurements in a particular area.

Suppose this data includes information about local topography, surrounding vegetation, precipitation, temperature, and other relevant factors. The model fits well to this data and can make accurate predictions within that specific frame of reference.

However, when the model is deployed in a different environment with input values very different from those used for training, the model’s performance can deteriorate significantly.

This is because the model may have learned specific patterns and relationships that are valid only within the reference frame in which it was trained and cannot generalize adequately to new or extreme situations.

Unusual Situations: Nonsense Results?

Therefore, only correct results can be expected in interpolation, not in extrapolation:

For «unusual» situations, the AI model may produce nonsensical results, such as a flow rate implying a volume of water greater than the volume of water that has fallen as rain.

Moreover, even in extreme flood situations similar to those used in the training phase, the model may produce unreliable results precisely because of their extreme, infrequent nature and, consequently, with few similar episodes in the training phase.

Recent Advances in AI for Predicting Extreme Events

NEURITE Lab addresses this erratic behavior problem of neural networks by investigating a process that allows the neural network to acquire physical sense in extreme events.

Our methodology uses the latest advances in Artificial Intelligence (AI) and consists of generating extreme events based on Generative Adversarial Networks (GANs), a process that generates, for example, numerous extreme rainfall maps that, although they have never existed, can be considered real, meaning they resemble a real rainfall map.

«Synthetic» Rainfall Events

The sequencing of these maps over time produces «synthetic» rainfall events. These events must be controllable in magnitude, location, and frequency to cover the broadest spectrum of future events.

Synthetic events refer to generating simulated data that mimics the characteristics of real events, such as precipitation patterns, river flows, or time series of climatic variables.

With the generation of «synthetic events,» extreme cases become more numerous without normal cases losing preponderance.

These extreme rainfall events (now numerous) are calculated by a classical hydrology model incorporating the classical physical equations of mass and transport balance to obtain the flow evolution at the river’s measurement point based on each synthetic sequence of rainfall fields.

A Dataset of Physically Coherent Extreme

Rainfalls and Flows In this way, a dataset of extreme rainfalls and flows, physically coherent (by applying the mass and transport balance equations of the classical model), is obtained to train the neural networks.

If situations never before recorded occur in the future, the neural network will respond with the «physical sense» of a classical numerical model.

Additionally, this algorithm can address both flood (maximum flow) and drought (minimum flow) events.

NEURITE Lab: Innovation in Artificial Intelligence

Neurite Lab is an innovative company in the field of Artificial Intelligence applied to predictions in various sectors, specializing in the modeling of environmental time series, especially in watershed management.

If you want to continue reading:

Numerical Models: Predicting Extreme Events (3)

Modelos de Inteligencia Artificial: Predicción de eventos extremos (4)

Los modelos de Inteligencia artificial (IA) parecen ser buenos candidatos para la predicción de caudales y la predicción de eventos extremos, porque resolverían algunos de los problemas presentados por los modelos numéricos basados en la discretización espacio-temporal de las ecuaciones de balance y transporte (flujo de agua).

Principales problemas de los modelos numéricos para la predicción de eventos extremos

Los modelos numéricos basados en la discretización espacio-temporal de las ecuaciones de balance y transporte son herramientas utilizadas para simular y predecir el comportamiento del flujo de agua en ríos, cuencas hidrográficas, acuíferos, etc.

Estos modelos se basan en principios físicos y matemáticos para describir cómo se mueve el agua a través del espacio y el tiempo, y cómo interactúa con su entorno.

Los modelos numéricos para la predicción de eventos extremos presentan problemas que pueden afectar su precisión y confiabilidad y que han impedido su extensión generalizada.

Algunos de los problemas de los modelos numéricos, son los siguientes:

  1. El conjunto de datos de partida es de costosa obtención y parametrización.
  2. Los modelos numéricos dependen de datos de entrada precisos, como datos meteorológicos, topográficos y de uso del suelo. La falta de datos o la calidad insuficiente de los datos relacionados con los eventos extremos pueden introducir errores significativos en las predicciones.
  3. La resolución espacial y temporal de los modelos numéricos puede ser insuficiente para capturar la complejidad y la variabilidad de los fenómenos extremos.
  4. Los eventos extremos suelen ser localizados y de corta duración, lo que requiere una resolución muy alta para ser correctamente representados.
  5. 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”.
  6. 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.
  7. Los modelos numéricos no son capaces de ajustar simultáneamente situaciones de normalidad, sequía y avenidas.
  8. El tiempo medio de ejecución suele ser muy elevado, lo cual impide su uso a “tiempo real” en cuencas de respuesta rápida.

El problema fundamental de los modelos de IA

Los modelos de Inteligencia Artificial, en comparación con los modelos numéricos, no requieren costosos datos (más allá del registro temporal de lluvia y caudal en estaciones de aforo), su calibración está implícita en el proceso de entrenamiento y la velocidad de ejecución en fase de simulación suele ser muy rápida.

El problema fundamental de los modelos de IA que ha impedido su  uso generalizado es el problema conocido como “problema del marco de referencia”.

El «problema del marco de referencia» en el contexto de la predicción del caudal de un río se refiere a la dificultad de los modelos de inteligencia artificial para capturar y entender correctamente los patrones y relaciones complejas en los datos cuando se enfrentan a cambios en el entorno o en las condiciones de entrada.

Este problema puede manifestarse cuando el modelo se entrena con datos recopilados en un entorno o condiciones específicas, y luego se despliega en un entorno o condiciones diferentes, lo que conlleva una baja precisión y rendimiento del modelo.

¿Un elefante en la habitación?

El ejemplo conocido como «The Elephant in the Room» ilustra este problema. En este ejemplo, un modelo de IA se entrena utilizando datos históricos de mediciones de caudal de un río en un área particular.

Supongamos que estos datos incluyen información sobre la topografía local, la vegetación circundante, las precipitaciones, la temperatura y otros factores relevantes.

El modelo se ajusta bien a estos datos y puede hacer predicciones precisas dentro de ese marco de referencia específico. Sin embargo, cuando el modelo se despliega en un entorno diferente con valores de entrada muy alejados de los que se usaron para entrenarla,  el rendimiento del modelo puede deteriorarse significativamente.

Esto se debe a que el modelo puede haber aprendido patrones y relaciones específicos que son válidos solo dentro del marco de referencia en el que se entrenó, y no puede generalizar adecuadamente a nuevas situaciones o situaciones extremas. Principio del formulario

Situaciones atípicas: ¿resultados sin sentido?

Por lo tanto, sólo puede esperarse resultados correctos en la interpolación, no así en la extrapolación:

  • Para situaciones “atípicas” el modelo de IA puede dar resultados sin sentido, como por ejemplo un caudal que implique un volumen de agua superior al volumen de agua que ha llovido.

Con el agravante de que, incluso en situaciones de avenidas extremas parecidas a las históricas usadas en la fase de entrenamiento, el modelo puede dar resultados poco fiables, precisamente por su carácter extremo, es decir, poco frecuente y, por consiguiente, con pocos episodios parecidos en la fase de entrenamiento.

Últimos avances en IA para la predicción de eventos extremos

NEURITE Lab solventa este problema de comportamiento errático de las redes neuronales, 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), un proceso que genera, por ejemplo, numerosos mapas de lluvia extremos que, aunque no han existido nunca, pueden considerarse reales, es decir, que se parecen a un mapa de lluvias real.

“Eventos sintéticos” de lluvia

La secuenciación en el tiempo de estos mapas produce unos “eventos sintéticos” de lluvia. Estos eventos deben poder controlarse en magnitud, localización y frecuencia de modo que se cubra el más amplio espectro de futuros eventos.

Los eventos sintéticos se refieren a la generación de datos simulados que imitan las características de eventos reales, como patrones de precipitación, caudales de ríos o series temporales de variables climáticas.

Con la generación de los “eventos sintéticos”, los casos extremos se convierten en casos más numerosos, sin que los casos «normales» pierdan preponderancia.

Estos eventos de lluvia extrema (ahora numerosos) son calculados por un modelo clásico de hidrología que incorpora las ecuaciones físicas clásicas de balance de masas y transporte, para obtener como resultado la evolución del caudal en el punto de medida del río en base a cada secuencia sintética de campos de lluvia.

Dataset de lluvias y caudales extremos físicamente coherentes

De este modo, se obtiene un dataset de lluvias y caudales extremos, físicamente coherentes (por aplicación de las ecuaciones de balance de masas y transporte del modelo clásico) con el que entrenar las redes neuronales.

Si se presentan en el futuro situaciones de las que nunca se ha tenido registro real, la red neuronal responderá con el “sentido físico” de un modelo numérico clásico.

Adicionalmente, esta algoritmia puede abordar tanto eventos de inundación (caudal máximo) como de sequía (caudal mínimo).

NEURITE Lab: Innovación en Inteligencia Artificial

Neurite Lab es 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 continuar leyendo:

Modelos numéricos: Predicción de eventos extremos (3)

Modelos numéricos: Predicción de eventos extremos (3)

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:

  1. 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.

  1. Situaciones de normalidad, sequía y avenidas.

Los modelos numéricos no son capaces de ajustar simultáneamente situaciones de normalidad, sequía y avenidas.

  1. 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).

  1. 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.

  1. 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)

Si necesita más información o desea realizar una consulta:

Contacte con nosotros y le informaremos

Predicción de inundaciones y tormentas extremas (II)

La predicción de las inundaciones y las tormentas extremas es uno de los grandes retos del siglo XXI. Para conseguirlo es necesario desarrollar e implementar los recursos que nos permitan anticiparnos a eventos extremos como, por ejemplo, las avenidas que provocan inundaciones con consecuencias desastrosas.

En la actualidad, los eventos extremos están siendo más frecuentes o intensos, lo que subraya la importancia de comprenderlos y llevar a cabo una predicción fiable que nos permita estar preparados para mitigar sus impactos.

¿Qué es un evento extremo?

Tormentas e inundaciones, olas de calor o de frío y sequías son eventos meteorológicos extremos caracterizados por su inusual intensidad, duración o frecuencia en comparación con las condiciones consideradas habituales.

Los eventos extremos son fenómenos meteorológicos que se desvían significativamente de las condiciones climáticas consideradas normales y tienen o pueden tener un impacto severo en el medio ambiente, la sociedad y la economía.

En este contexto, es la dificultad para contar con una predicción adecuada y la consiguiente falta de planificación la mayor responsable de que los efectos de ciertos episodios climáticos tengan mayor o menor trascendencia.

Predecir valores en el tiempo: entrenamiento de la red neuronal

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.

La mayoría de las observaciones meteorológicas con las que se entrena una red neuronal siguen una distribución de campana de Gauss, con lo que las condiciones extremas son poco numerosas y generan poca base para un training completo.

Predicción fiable de eventos extremos

Los eventos extremos como, por ejemplo, las avenidas que provocan inundaciones son, por definición, poco frecuentes.

Sin embargo, es en estos eventos de grandes inundaciones o prolongadas sequías cuando se hace más necesaria la predicción fiable, no necesariamente exacta, pero sí que siga las pautas de un sentido “físico”, porque son precisamente estas situaciones extremas las que mayores perjuicios causan y, por tanto, son las que necesitan una mejor predicción.

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 poderlas crear.

Para crear observaciones extremas, podemos emplear redes neuronales adversas (que compiten entre sí) y permiten simular eventos realistas y llegar realizar predicciones en diferentes escenarios y bajo todo tipo de situaciones (stress test).

 Últimos avances en Inteligencia Artificial

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 (GAN).

Este proceso genera, por ejemplo, numerosos mapas de lluvia extremos que, no habiendo existido nunca, puedan considerarse reales, es decir, que se parecen a un mapa de lluvias real.

“Eventos sintéticos” de lluvia

La secuenciación en el tiempo de estos mapas produce unos “eventos sintéticos” de lluvia. Estos eventos deberán poder controlarse en magnitud, localización y frecuencia de modo que se cubra el más amplio espectro de futuros eventos.

Con la generación de los “eventos sintéticos”, los casos extremos (por definición escasos), se convierten en casos artificialmente más numerosos, sin que los casos «normales» pierdan preponderancia.

Estos eventos de lluvia extrema (ahora numerosos) serán calculados por un modelo clásico de hidrología que incorpora las ecuaciones físicas clásicas de balance de masas y transporte, para obtener como resultado la evolución del caudal en el punto de medida del río en base a cada secuencia sintética de campos de lluvia.

Dataset de lluvias y caudales extremos físicamente coherentes

De este modo, se obtiene un dataset de lluvias y caudales extremos, físicamente coherentes (por aplicación de las ecuaciones de balance de masas y transporte del modelo clásico) con el que entrenar las redes neuronales, a fin de que, si se presentan en el futuro situaciones de las que nunca se ha tenido registro real, la red neuronal responderá con el “sentido físico” de un modelo numérico clásico.

Adicionalmente, esta algoritmia puede abordar tanto eventos de inundación (caudal máximo) como de sequía (caudal mínimo).

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.

La finalidad de las soluciones de software de NURITE Lab es transformar los datos disponibles en conocimiento útil que ayude realmente en los procesos de toma de decisiones, con un sistema que combina inteligencia artificial e inteligencia humana, datos internos y datos externos, para generar información relevante y constantemente actualizada.

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 Inundaciones y Sequías:

Gestión de cuencas hidrológicas: Predicción de eventos extremos (1)

Modelos numéricos: Predicción de eventos extremos (3)

Modelos de Inteligencia Artificial: Predicción de eventos extremos (4)

Si necesitas más información o deseas realizar una consulta:

Contacte con nosotros y le informaremos

Generative Adversarial Networks: Definición y Datos clave

Las Generative Adversarial Networks (GANs), en español Redes generativas adversarias (RGAs), 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.

¿Cómo funciona una Generative Adversarial Networks?

Durante el proceso de entrenamiento, ambas redes, la generadora y la discriminadora, se entrenan de manera adversarial, lo que significa que compiten entre sí en un juego de suma cero (la ganancia o pérdida de una de las redes se compensa con la ganancia o pérdida de la opuesta).

La red generadora intenta mejorar su capacidad para generar datos que sean indistinguibles de los datos reales, mientras que la red discriminadora intenta mejorar su capacidad para distinguir entre datos reales y datos falsos.

¿Las GANs pueden mejorar la predicción hidrológica de eventos extremos?

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.

Su aplicación en este campo puede conducir a predicciones más precisas y, por tanto, a una mejor preparación para eventos hidrológicos extremos, algo que que es esencial para mitigar desastres y  proteger vidas y propiedades.

Aplicación de los Generative Adversarial Networks (GANs)

En el contexto de la predicción hidrológica, las GANs pueden ser utilizadas para mejorar la precisión de los modelos de predicción, especialmente en lo que respecta a eventos extremos como tormentas, inundaciones y sequías.

Generación de datos sintéticos

Los GANs pueden generar datos sintéticos que se asemejan a eventos meteorológicos extremos, con el objetivo de aumentar conjuntos de datos de entrenamiento y mejorar la capacidad de los modelos de predicción.

Mejora de la resolución espacial y temporal de los datos meteorológicos

Los GANs pueden utilizarse para mejorar la resolución espacial y temporal de los datos meteorológicos, con el objetivo de capturar detalles finos en la atmósfera y proporcionar predicciones más precisas de eventos extremos.

Asimilación de datos

Los GANs pueden ser utilizados en el proceso de asimilación de datos para combinar datos observacionales con datos de modelos y mejorar la precisión de las predicciones hidrológicas.

Generación de escenarios futuros

Los GANs pueden utilizarse para generar escenarios futuros de eventos extremos, lo que puede facilitar una planificación que minimice eficazmente sus efectos adversos.

Identificación de patrones climáticos

Los GANs pueden ayudar a identificar patrones climáticos complejos asociados con eventos extremos, que proporcionen información útil para la comprensión y predicción de estos eventos.

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.

La finalidad de las soluciones de software de NURITE Lab es transformar los datos disponibles en conocimiento útil que ayude realmente en los procesos de toma de decisiones, con un sistema que combina inteligencia artificial e inteligencia humana, datos internos y datos externos, para generar información relevante y constantemente actualizada.

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 necesita más información o desea realizar una consulta:

Contacte con nosotros y le informaremos

Agua subterránea y acuiferos

La mitad de los acuíferos del mundo están perdiendo agua y uno de cada diez está reduciéndose a un ritmo de medio metro al año, según advierte una reciente investigación publicada en la revista ‘Nature’. España destaca como uno de los países con mayor riesgo de verse afectado por este fenómeno.

Al hablar de acuíferos, a menudo se usan también de manera indistinta expresiones como «agua subterránea» o “masas de agua subterránea”, por lo que a continuación ofrecemos una definición de los tres términos.

¿Qué es un acuífero?

La Ley de Aguas española define “acuífero” como “una o más capas subterráneas de roca o de otros estratos geológicos que tienen la suficiente porosidad y permeabilidad como para permitir un flujo significativo de aguas subterráneas o la extracción de cantidades significativas de aguas subterráneas”.

¿Qué es una masa de agua subterránea?

La Directiva Marco del Agua introdujo en 2000 el término «Masa de Agua» y  estableció su relación con el término “acuífero” y el término «Aguas subterráneas»:

  • Aguas subterráneas son todas las aguas que se encuentran bajo la superficie del suelo en la zona de saturación y en contacto directo con el suelo o el subsuelo.
  • Masa de agua es un término técnico, una unidad de evaluación o de gestión definida en la Directiva Marco Europea del Agua (DMA) como una división básica de un curso de agua superficial o subterráneo, natural o artificial, continental o marino (aguas costeras), tanto en estado líquido como en estado sólido (glaciares, etc.).
  • Masa de agua subterránea es un volumen claramente diferenciado de aguas subterráneas en un acuífero o acuíferos.

¿Por qué es esencial preservar los acuíferos?

Según estimaciones de la UNESCO, los acuíferos proporcionan el agua potable que precisa la mitad de la población mundial para su subsistencia:

  • Cerca de 270 grandes reservas de agua subterránea albergan el 96 por ciento de agua dulce del planeta.
  • Y alrededor de 2.500 millones de personas dependen exclusivamente de los recursos de aguas subterráneas para satisfacer sus necesidades básicas diarias.

En la Unión Europea, los acuíferos proporcionan más del 70 por ciento del agua utilizada y, con frecuencia, son la única fuente de abastecimiento de agua en muchas regiones áridas o semiáridas.

En España, el Ministerio para la Transición Ecológica y el Reto Demográfico afirma que “la mayor parte de la población se beneficia, de forma directa o indirecta, de los diferentes usos del agua subterránea. Es por tanto de vital importancia conocer y preservar el agua subterránea, ya que sostiene nuestros ríos y ecosistemas, apoya nuestra agricultura, quita nuestra sed y hace frente a los efectos generados por el cambio climático y las sequías”.

¿Cuándo y cómo se produce la sobreexplotación de un acuífero?

La sobreexplotación de un acuífero se produce “cuando la extracción de agua del subsuelo se realiza a un ritmo superior al de la infiltración o recarga natural”, tal como detalla el Instituto Geográfico Nacional (IGN).

El aumento de la demanda de agua para el consumo doméstico, para la industria y especialmente para el regadío ha sido constante en España a lo largo de los últimos años.

Actualmente, la sobreexplotación de los acuíferos es un problema especialmente importante en las cuencas mediterráneas, que se suma a la creciente salinización de los acuíferos costeros mediterráneos e insulares, cuando el agua salada rellena los “huecos” que deja el agua dulce cuando es extraída en exceso.

Disminución global y acelerada de las reservas de agua subterránea

Científicos de la Universidad de California en Santa Bárbara (EEUU) han publicado recientemente en la revista Nature la mayor evaluación de los niveles de agua subterránea en todo el mundo, un análisis exhaustivo de las reservas de agua que se encuentran en el subsuelo en más de 40 países, que ha permitido constatar que la mitad de los acuíferos del mundo está perdiendo agua a un ritmo alarmante.

Según se explica en el informe, si no se toman medidas, un tercio de las reservas de agua subterránea del planeta podría sufrir un agotamiento acelerado a lo largo de los próximos decenios.

La disminución acelerada del nivel de los acuíferos se ha constatado de norte a sur del planeta, pero es especialmente acuciante en EEUU, Oriente Medio, la India, regiones del este de China, Australia y la Península Ibérica.

NEURITE Lab: ¿Quiénes somos?

NEURITE Lab es 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.

El software  de predicción y control AIBLOCKS4WATER es una herramienta innovadora tanto para la previsión de reservas y el control de caudales ecológicos en situación de sequía, como para la predicción, el control y la gestión de inundaciones.

Con el software de NEURITE Lab, es posible llevar a cabo una predicción y un control realmente efectivos que faciliten gestionar masas de agua superficiales y subterráneas, protegerlas en cantidad y en calidad, y asegurar más y mejor su sostenibilidad.

Reconocida con el distintivo PYME Innovadora por el Ministerio de Ciencia e Innovación de España, NEURITE Lab posee el Sello de Excelencia de la Comisión Europea, certificado de calidad  otorgado a Startups y Pymes para la Investigación y la Innovación en función de tres criterios: excelencia, impacto y calidad, y eficiencia de la ejecución.

Si necesita más información o desea realizar una consulta:

Contacte con nosotros y le informaremos:

Gestión de cuencas hidrológicas: Predicción de eventos extremos (I)

El mayor problema de la gestión de las cuencas hidrológicas radica en su impredecibilidad, y esta proviene de su altísima complejidad.

La impredecibilidad no permite a los gestores de cuencas aprovechar al máximo los caudales, planificar mejor los riegos agropecuarios, verificar el caudal ecológico en tramos con centrales eléctricas que las utilizan y, en los peores casos, evitar episodios de inundaciones que cada 15 o 20 años provocan innumerables daños.

  • Aprovechar al máximo los caudales.
  • Planificar mejor los riegos agropecuarios.
  • Verificar el caudal ecológico en tramos con centrales eléctricas.
  • Evitar episodios de inundaciones.

El elevado coste de los estudios ad hoc para cada cuenca

En España, los gestores de cuencas acuíferas son las confederaciones hidrográficas, mientras que en el resto del mundo son otros los organismos públicos que encargan a despachos de ingeniería estudios ad hoc para cada cuenca.

Estos estudios ad hoc son costosos, individuales por cuenca y estáticos: al cabo de poco tiempo pueden estar totalmente obsoletos. Además, si cada uno de estos organismos puede gestionar entre 20 y 40 cuencas, el coste de los estudios es tan alto que muchas veces no llega ni a plantearse.

La innovación que propone Neurite

Neurite, cuyo equipo fundador lleva más de 30 años trabajando con confederaciones hidrográficas, conoce bien esta problemática.

Fruto de esta prolongada experiencia, la innovación que propone Neurite es sustituir dichos estudios, tan costosos y tan pronto obsoletos, por una plataforma analítica de datos en SaaS (Software As A Service) que genere predicciones inmediatas.

Plataforma analítica de datos en SaaS: generación de predicciones inmediatas

La tecnología que está detrás de esta plataforma se basa en la combinación de bloques de algoritmos basados en ecuaciones físicas con otros bloques de inteligencia artificial que se nutren de observaciones (series temporales meteorológicas, caudales en puntos de los ríos y nivel en acuíferos).

La alimentación previa de estos bloques de aprendizaje profundo les permite interpretar y entender las relaciones entre los datos introducidos, y emplear esos conocimientos para realizar previsiones.

Una vez entrenados y combinados adecuadamente, estas combinaciones de bloques permiten realizar predicciones inmediatas y con exactitud similar a los estudios de ingeniería comparativos.

A mayor calidad de la base de datos, mejores predicciones

El mayor problema de los bloques de algoritmos que proporcionan inteligencia artificial al sistema son los datos necesarios para su entrenamiento: A mayor calidad y cantidad de la base de datos, mejores predicciones.

Sin embargo, la mayoría de las observaciones meteorológicas con las que se han entrenado siguen una distribución de campana de Gauss, con lo que las condiciones extremas son poco numerosas y generan poca base para un training completo.

No obstante, esas situaciones extremas son las que mayores perjuicios causan a la sociedad y, por tanto, son las que necesitan una mejor predicción.

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 poderlas crear, para lo cual se han empleado redes neuronales adversas (que compiten entre sí) y permite simular eventos realistas.

Una vez creado un número suficiente de situaciones extremas, la facilidad y la usabilidad de la plataforma puede facilitar que personas sin conocimientos informáticos puedan llegar realizar predicciones en diferentes escenarios y bajo todo tipo de situaciones (stress test).

NEURITE Lab: Quiénes somos

NEURITE Lab es 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 necesita más información o desea realizar una consulta:

Contacte con nosotros y le informaremos