Comparación de dos modelos hidrológicos del tipo conceptual y deep learning aplicado en la obtención de caudales del río Marañon, Perú

• Autor: Gavilan Abanto, Maby Esperanza
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/452
• Enlace del recurso: https://hdl.handle.net/20.500.12815/452
• Nivel de acceso: acceso abierto
• Materia: LSTM; GR4J; Modelacion hidrológica; Deep learning; https://purl.org/pe-repo/ocde/ford#2.01.01; https://purl.org/pe-repo/ocde/ford#2.05.01

La inteligencia artificial ha ganado relevancia en modelación hidrológica como alternativa a modelos tradicionales como el GR4J, destacando por su capacidad para estimar caudales usando variables La inteligencia artificial ha ganado relevancia en modelación hidrológica como alternativa a modelos tradicionales como el GR4J, destacando por su capacidad para estimar caudales usando variables hidrometeorológicas. Este estudio comparó el modelo conceptual GR4J con el modelo de deep learning LSTM en las cuencas Balsas, Cumba y Corral Quemado (cuenca del Marañón), utilizando datos de ERA5 y PISCO para precipitación, evapotranspiración, temperatura y humedad del suelo. Los resultados mostraron que el GR4J obtuvo valores NSE/KGE de 0.78/0.86 en Balsas, 0.42/0.46 en Cumba y 0.42/0.42 en Corral Quemado, mientras que el LSTM alcanzó 0.85/0.79, 0.68/0.67 y 0.61/0.71 respectivamente en el mismo orden de cuencas mencionado antes, con mejor desempeño al incluir humedad del suelo. Sin embargo, el análisis de incertidumbre reveló que el GR4J presentó mejor equilibrio entre error e incertidumbre en Balsas, mientras que ambos modelos tuvieron limitaciones en Cumba y Corral Quemado. Se concluye que ambos modelos son ´útiles para estimación de caudales y gestión hídrica, aunque se recomienda ampliar el entrenamiento del LSTM a más cuencas para aprovechar su capacidad de generalización, además de profundizar en el estudio de variables adicionales y la optimización de algoritmos para reducir la incertidumbre en las predicciones hidrológicas.