Modelo hidrológico de predicción de caudales de avenida mediante redes bayesianas en la Subcuenca del Rio Shullcas en el 2016

• Autor: Gonzales Gomez, Hugo Andre
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional del Centro del Perú
• Repositorio: UNCP - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uncp.edu.pe:20.500.12894/8125
• Enlace del recurso: http://hdl.handle.net/20.500.12894/8125
• Nivel de acceso: acceso abierto
• Materia: Modelo hidrológico; Caudales; Redes Bayesianas; https://purl.org/pe-repo/ocde/ford#2.01.01

Esta investigación tiene por objetivo el desarrollo de un modelo hidrológico de predicción de caudales de avenida construido a partir de las características geomorfológicas y datos hidrometeorológicos de la cuenca y posteriormente validado a través de las redes bayesianas. El área de estudio es la sub cuenca del río Shullcas, ubicada en la región Junín que forma parte de la cuenca del río Mantaro. Para llevar a cabo el modelamiento hidrológico es indispensable contar con información hidrometeorológica de diferentes estaciones presentes en la cuenca, estos registros de precipitación y temperatura se suministran al modelo para que se puedan generar caudales que puedan compararse con los caudales observados en el punto de aforo, para esta comparación se utilizaron valores estadísticos de calibración proporcionados por el modelo HBV, los cuales hacen que los caudales observados y simulados se asemejen lo más posible. Finalmente, para hacer uso de las redes bayesianas es necesario estructurar las redes con variables que son suministradas por el modelo HBV, las cuales después de un proceso de correlación sirvieron para definir las estructuras de las dos redes bayesianas a utilizar, de las cuales se eligió la que tuvo menor error. Las redes bayesianas trabajan con un grupo de datos discretizados y clasificados, luego de obtener la base de datos q usar a través del programa NETICA se procedió a crear nodos y conexiones entre las variables intervinientes para poder tener las probabilidades a posteriori. Para el aprendizaje de las redes bayesianas se usaron el 70% de datos totales y luego para su validación el otro 30% de los casos. Para tener una evidencia de validez se observa la tasa de error de la misma, en este caso la red bayesiana N° 2 presento un menor error de predicción que la red bayesiana N° 1.