Prediction of monthly flows in rivers of high Andean basins with an artificial neural network approach. Case: Crisnejas river, Peru.

• Autores: Vásquez, L., Vásquez-Paredes, L.F.
• Formato: artículo
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de Cajamarca
• Repositorio: UNC-Institucional
• Lenguaje: inglés
• OAI Identifier: oai:repositorio.unc.edu.pe:20.500.14074/10196
• Enlace del recurso: http://hdl.handle.net/20.500.14074/10196; https://doi.org/10.24850/j-tyca-14-01-04
• Nivel de acceso: acceso abierto
• Materia: caudales mensuales; redes neuronales artificiales; predicción de caudal mensual; https://purl.org/pe-repo/ocde/ford#1.05.11

Predecir el comportamiento hidrológico en cuencas hidrográficas compuestas por ecosistemas altoandinos que tienen una variedad de climas, con geología compleja, topografía muy variada y suelos con alto contenido de materia orgánica generadoras de una cobertura vegetal muy heterogénea es muy difícil, y si a ello se adiciona la escasez de información hidrométrica en las redes hidrográficas se genera gran incertidumbre al planificar el aprovechamiento del recurso hídrico. La tendencia predominante para la predicción es a través de modelos hidrológicos que relacionan precipitación y escorrentía, los cuales requieren información histórica no disponible en la mayoría de los casos. La aplicación de la técnica de redes neuronales artificiales, en contraste, permite disponer de una metodología adaptable a la información disponible en cada cuenca para analizar la relación entre precipitación y escorrentía, y gracias a su robustez se pueden obtener resultados con gran precisión. El objetivo de esta investigación fue estimar y predecir los caudales promedio mensuales para la cuenca del río Crisnejas, ubicada en la región norte de los Andes peruanos; para ello se contó con registros históricos de 12 estaciones meteorológicas y una estación hidrométrica, utilizando datos de caudal, precipitación, temperatura e índice de vegetación de diferencia normalizada (NDVI), mediante una red neuronal artificial del tipo perceptrón multicapa, con bondad de ajuste del 81 %. Luego, con el registro generado de caudales, se entrenó otra red del tipo recurrente para predecir caudales medios mensuales de ocho años con una bondad de ajuste del 71 %.