Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac

Descripción del Articulo

Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Recursos Hídricos
Detalles Bibliográficos
Autor: Vidal Moreno, James Deán
Formato: tesis de maestría
Fecha de Publicación:2025
Institución:Universidad Nacional Agraria La Molina
Repositorio:UNALM-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.lamolina.edu.pe:20.500.12996/7330
Enlace del recurso:https://hdl.handle.net/20.500.12996/7330
Nivel de acceso:acceso abierto
Materia:Inteligencia artificial
Pendiente
id UNAL_1b8a07dfa33254554183a1476645f918
oai_identifier_str oai:repositorio.lamolina.edu.pe:20.500.12996/7330
network_acronym_str UNAL
network_name_str UNALM-Institucional
repository_id_str 3039
dc.title.none.fl_str_mv Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
title Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
spellingShingle Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
Vidal Moreno, James Deán
Inteligencia artificial
Pendiente
title_short Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
title_full Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
title_fullStr Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
title_full_unstemmed Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
title_sort Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
author Vidal Moreno, James Deán
author_facet Vidal Moreno, James Deán
author_role author
dc.contributor.advisor.fl_str_mv Lavado Casimiro, Waldo Sven
dc.contributor.author.fl_str_mv Vidal Moreno, James Deán
dc.subject.none.fl_str_mv Inteligencia artificial
topic Inteligencia artificial
Pendiente
dc.subject.ocde.none.fl_str_mv Pendiente
description Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Recursos Hídricos
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-09-29T16:28:22Z
dc.date.available.none.fl_str_mv 2025-09-29T16:28:22Z
dc.date.issued.fl_str_mv 2025
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12996/7330
url https://hdl.handle.net/20.500.12996/7330
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
dc.source.none.fl_str_mv reponame:UNALM-Institucional
instname:Universidad Nacional Agraria La Molina
instacron:UNALM
instname_str Universidad Nacional Agraria La Molina
instacron_str UNALM
institution UNALM
reponame_str UNALM-Institucional
collection UNALM-Institucional
bitstream.url.fl_str_mv https://repositorio.lamolina.edu.pe/bitstreams/23451cb3-2ed3-498e-8f09-baad5b1627ff/download
https://repositorio.lamolina.edu.pe/bitstreams/449b2804-3f47-4bca-a0f5-b71179748fe2/download
https://repositorio.lamolina.edu.pe/bitstreams/a2338e03-8e9f-4538-9f00-086fe9b7ca9c/download
https://repositorio.lamolina.edu.pe/bitstreams/efe89fbb-d12c-4f89-a656-4dda8d432af7/download
https://repositorio.lamolina.edu.pe/bitstreams/60faf520-4248-48bb-9338-22dd24e47179/download
https://repositorio.lamolina.edu.pe/bitstreams/220c931f-271c-42d8-8a34-9fad05909bea/download
https://repositorio.lamolina.edu.pe/bitstreams/6732fd65-9b40-4ac5-a422-0a73d27dbbd4/download
https://repositorio.lamolina.edu.pe/bitstreams/a6445b9e-37eb-43c6-8ea3-a4d43b676730/download
https://repositorio.lamolina.edu.pe/bitstreams/9db30ee5-da6a-4533-b39a-956815607033/download
https://repositorio.lamolina.edu.pe/bitstreams/54d81001-ad32-4270-bf61-bb21d8ab9ead/download
bitstream.checksum.fl_str_mv 6f784af11118efd35cee7813bf402169
ec6ba71b782a7aa1ea9a4f9bc4771c29
3894ea3ddeb8aafbc0d4ccf62c3cbb51
97c5bee00fbb4c4f8867bd742b579336
c0fe9ef6460256f586981dabad56a8e5
7625ab41e8e928a4905523e3d8c57c9a
9805cdaa9d3d43c15840e05468907647
f302e495c66cce9a992d704086a81215
1342a0e4762f9339fccbc76b8ab1893c
a35921a0afb433393b33cc36fd5611da
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Nacional Agraria La Molina
repository.mail.fl_str_mv dspace@lamolina.edu.pe
_version_ 1846975290720387072
spelling Lavado Casimiro, Waldo Svenf92f9a4b-3dc5-44b9-a619-3f5f88f58708-1Vidal Moreno, James Deán2025-09-29T16:28:22Z2025-09-29T16:28:22Z2025https://hdl.handle.net/20.500.12996/7330Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Recursos HídricosLas crecidas rápidas representan uno de los desastres naturales más dinámicos y destructivos, requiriendo la implementación de medidas efectivas para minimizar los daños. Estos eventos han incrementado su frecuencia en las últimas décadas, y Perú no es ajeno a estos fenómenos recurrentes, especialmente entre los meses de noviembre y abril. Los modelos tradicionales de predicción de crecidas son cruciales para la evaluación de peligros y la gestión de eventos, aunque suelen ser complejos de modelar y a veces presentan rendimientos subóptimos. En este contexto, el presente trabajo desarrolla un modelo de inteligencia artificial (IA) basado en el aprendizaje profundo, específicamente utilizando redes Long Short-Term Memory (LSTM). Este modelo se centra en la asimilación de datos climáticos y parámetros hidrometeorológicos para la cuenca del río Rímac durante los meses de noviembre a mayo. Para la generación del modelo LSTM, se utilizó información de precipitaciones observadas de estaciones meteorológicas automáticas (EMA), precipitaciones satelitales (IMERGE-Early y GSMaP), información de estaciones hidrológicas automáticas (EHA) y datos de eventos extremos que generaron crecidas en la cuenca de estudio. Los resultados obtenidos muestran desempeños estadísticos sobresalientes para horizontes de pronóstico de 24 horas, con coeficientes de eficiencia de Nash-Sutcliffe (NSE) de 0.95, 0.85 y 0.76 para los conjuntos de datos de entrenamiento, validación y prueba, respectivamente. Además, para eventos específicos de crecidas repentinas entre los años 2015 y 2023, el modelo presentó desempeños superiores a 0.75 para horizontes de pronóstico menores a 12 horas. Sin embargo, para horizontes mayores a 12 horas, el desempeño del modelo disminuyó. Bajo este escenario de validación, el modelo LSTM se presenta como una herramienta alternativa y eficaz para la previsión de crecidas repentinas, que generalmente ocurren en un lapso de 6 horas, consolidándose, así como un recurso valioso para la prevención y mitigación de riesgos asociados a estos eventos.Flash floods are one of the most dynamic and destructive natural disasters, requiring effective measures to minimize damage. These events have increased in frequency over recent decades, and Peru is no exception, experiencing recurrent phenomena particularly between November and April each year. Traditional flood prediction models are crucial for hazard assessment and event management, though they are often complex to model and sometimes yield suboptimal performance. In this context, this work develops an artificial intelligence (AI) model based on deep learning, specifically utilizing Long Short-Term Memory (LSTM) networks. This model focuses on the assimilation of climatic data and hydrometeorological parameters for the Rímac River basin during the months of November to May. To generate the LSTM model, data from observed precipitation from automatic meteorological stations (EMA), satellite precipitation (IMERGE-Early and GSMaP), information from automatic hydrological stations (EHA), and extreme events that caused floods in the study basin were used.The results obtained show outstanding statistical performance for 24-hour forecast horizons, with Nash-Sutcliffe efficiency (NSE) coefficients of 0.95, 0.85, and 0.76 for the training, validation, and test datasets, respectively. Additionally, for specific flash flood events between 2015 and 2023, the model showed performances above 0.70 for forecast horizons of less than 12 hours. However, for horizons greater than 12 hours, the model's performance decreased. Under this validation scenario, the LSTM model emerges as an effective alternative tool for the prediction of flash floods, which generally occur within a 6-hour timeframe, thus solidifying its value for risk prevention and mitigation associated with these events.application/pdfspaUniversidad Nacional Agraria La MolinaPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/Inteligencia artificialPendienteModelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímacinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionreponame:UNALM-Institucionalinstname:Universidad Nacional Agraria La Molinainstacron:UNALMSUNEDURecursos HídricosUniversidad Nacional Agraria La Molina. Escuela de PosgradoMagister Scientiae - Recursos Hídricos46773124https://orcid.org/0000-0002-0051-074307518826https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#maestro522197Montalvo Arquiñigo, NéstorMejía Marcacuzco, Jesús AbelChávarri Velarde, Eduardo AbrahamORIGINALvidal-moreno-james-dean.pdfvidal-moreno-james-dean.pdfTexto completoapplication/pdf8130874https://repositorio.lamolina.edu.pe/bitstreams/23451cb3-2ed3-498e-8f09-baad5b1627ff/download6f784af11118efd35cee7813bf402169MD51turnitin.pdfturnitin.pdfInforme originalidadapplication/pdf7462496https://repositorio.lamolina.edu.pe/bitstreams/449b2804-3f47-4bca-a0f5-b71179748fe2/downloadec6ba71b782a7aa1ea9a4f9bc4771c29MD53Formato de REPOSITORIO.pdfFormato de REPOSITORIO.pdfAutorizaciónapplication/pdf522933https://repositorio.lamolina.edu.pe/bitstreams/a2338e03-8e9f-4538-9f00-086fe9b7ca9c/download3894ea3ddeb8aafbc0d4ccf62c3cbb51MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81664https://repositorio.lamolina.edu.pe/bitstreams/efe89fbb-d12c-4f89-a656-4dda8d432af7/download97c5bee00fbb4c4f8867bd742b579336MD55TEXTvidal-moreno-james-dean.pdf.txtvidal-moreno-james-dean.pdf.txtExtracted texttext/plain101728https://repositorio.lamolina.edu.pe/bitstreams/60faf520-4248-48bb-9338-22dd24e47179/downloadc0fe9ef6460256f586981dabad56a8e5MD56turnitin.pdf.txtturnitin.pdf.txtExtracted texttext/plain101615https://repositorio.lamolina.edu.pe/bitstreams/220c931f-271c-42d8-8a34-9fad05909bea/download7625ab41e8e928a4905523e3d8c57c9aMD58Formato de REPOSITORIO.pdf.txtFormato de REPOSITORIO.pdf.txtExtracted texttext/plain2920https://repositorio.lamolina.edu.pe/bitstreams/6732fd65-9b40-4ac5-a422-0a73d27dbbd4/download9805cdaa9d3d43c15840e05468907647MD510THUMBNAILvidal-moreno-james-dean.pdf.jpgvidal-moreno-james-dean.pdf.jpgGenerated Thumbnailimage/jpeg4193https://repositorio.lamolina.edu.pe/bitstreams/a6445b9e-37eb-43c6-8ea3-a4d43b676730/downloadf302e495c66cce9a992d704086a81215MD57turnitin.pdf.jpgturnitin.pdf.jpgGenerated Thumbnailimage/jpeg2766https://repositorio.lamolina.edu.pe/bitstreams/9db30ee5-da6a-4533-b39a-956815607033/download1342a0e4762f9339fccbc76b8ab1893cMD59Formato de REPOSITORIO.pdf.jpgFormato de REPOSITORIO.pdf.jpgGenerated Thumbnailimage/jpeg5738https://repositorio.lamolina.edu.pe/bitstreams/54d81001-ad32-4270-bf61-bb21d8ab9ead/downloada35921a0afb433393b33cc36fd5611daMD51120.500.12996/7330oai:repositorio.lamolina.edu.pe:20.500.12996/73302025-09-29 22:05:06.506https://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.lamolina.edu.peRepositorio Universidad Nacional Agraria La Molinadspace@lamolina.edu.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
score 13.098099
Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares