Estimación de caudales en base a técnicas de aprendizaje automático: caso para el sitio de construcción de la presa Quingoyacu en la cuenca del Río Yanuncay

Abstract

Muchas obras de infraestructura demandan conocer y modelar los caudales de ríos, los pronósticos basados en metodologías estadísticas comúnmente ofrecen probabilidades de excedencia o déficit de caudal, convirtiéndose en una limitación al momento de realizar la gestión del uso del agua. Lo que se busca es contar con una metodología alternativa para la estimación de caudales basados en técnicas de aprendizaje autónomo. Las limitaciones en la disponibilidad de registros y datos para realizar el modelado de ríos son comunes, por esta razón, en este trabajo se emplean únicamente como fuente de entrada el caudal medio diario en el punto de interés, consistente en una serie de tiempo entre 1965 y 2025, correspondiente una cuenca andina de pequeño tamaño. Con la finalidad de elegir el modelo de aprendizaje autónomo más adecuado para para la estimación de caudales se plantearon cuatro algoritmos diferentes. Los modelos empleados fueron árboles de decisión potenciado por gradiente (XGB), Random Forest o Bosque aleatorio, Regresión de Soporte Vectorial (SVR) y Redes Neuronales (LSTM). Los resultados obtenidos muestran que el modelo Random Forest presenta el mejor desempeño general de los cuatro métodos evaluados. Se realizó la optimización del modelo Random Forest por medio de la búsqueda aleatoria de hiperparámetros, con el cual se realizó la estimación de caudales para 90, 180 y 365 días, obteniendo resultados en todos los casos un factor de correlación superior a 0.9 y un índice NSE superior a 0.8. Se realizó un análisis de sensibilidad del modelo obteniendo que las variables que mayor importancia tienen son la ventana de días previos utilizados para el pronóstico de caudales (10 días) y el valor del caudal en los días inmediatamente anteriores al pronóstico.