Enhancing Hydrological Modeling with Artificial Intelligence

  1. Farfán Durán, Juan Fernando
Dirigida por:
  1. Luis Cea Director

Universidad de defensa: Universidade da Coruña

Fecha de defensa: 04 de octubre de 2024

Tribunal:
  1. Jerónimo Puertas Presidente
  2. Paula Camus Braña Secretario/a
  3. Alex Avilés Añazco Vocal

Tipo: Tesis

Resumen

Los modelos hidrológicos son esenciales para aplicaciones como la simulación del flujo de ríos, la previsión de inundaciones y la gestión de recursos hídricos. Sin embargo, su eficacia depende frecuentemente de formulaciones matemáticas precisas, datos de entrada exactos y una calibración adecuada de los parámetros del modelo. El objetivo de esta tesis es mejorar la modelización hidrológica mediante la integración de Inteligencia Artificial (IA), centrándose en mejorar la calibración de modelos, avanzar en la modelización de ensamble para incrementar la precisión predictiva, explorar la predicción de caudales en cuencas no aforadas y proporcionar percepciones sobre modelos de Aprendizaje Profundo (DL) para la previsión de caudales. La investigación se ha llevado a cabo en diversas cuencas ubicadas en Galicia, en el noroeste de España, donde los desafíos específicos de las cuencas locales proporcionan un contexto único para la aplicación de estas técnicas de IA. Los resultados demuestran que las técnicas de IA reducen sustancialmente el tiempo de calibración para modelos tanto agregados como distribuidos mediante la exploración efectiva de los espacios de solución. Además, los enfoques de modelización de ensamble han demostrado mejorar el rendimiento predictivo general en comparación con los modelos individuales. Sin embargo, la aplicación de IA para la predicción en cuencas no aforadas reveló que estos métodos requieren una cantidad sustancial de datos para el entrenamiento, lo que sugiere que los métodos tradicionales podrían seguir siendo más efectivos en nuestra región de estudio. Finalmente, se ha demostrado que los modelos de DL son más efectivos en cuencas con mayores tiempos de concentración. Los hallazgos de esta tesis proporcionan percepciones significativas sobre las aplicaciones potenciales de la IA para fines de modelización hidrológica y destacan los desafíos relacionados futuros.