Análisis de eventos de inundación a través de la comparación de modelos hidrológicos semiempíricos y de machine learning

• Autor: Callan Diaz, Nadia
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/448
• Enlace del recurso: https://hdl.handle.net/20.500.12815/448
• Nivel de acceso: acceso abierto
• Materia: Eventos extremos; Modelación hidrológica; HEC HMS; Machine Learning; Modelos híbridos; Sistema de Alerta Temprana.; https://purl.org/pe-repo/ocde/ford#1.02.01

La presente investigación tiene como objetivo analizar eventos de inundación en la cuenca del río Vilcanota hasta la localidad de Pisac (Cusco, Perú), mediante herramientas hidrológicas estándar como HEC-HMS y técnicas avanzadas de Machine Learning (ML). Se emplea un diseño experimental basado en la simulación de escenarios de inundación, integrando procesos hidrológicos y métricas de validación como NSE (Nash-Suttcliffe Efficiency), RMSE (Root Mean Square Error), MAE (Mean Absolute Error), PBIAS (Percent Bias), KGE (Kling-Gupta Efficiency) y R2 (Coeficiente de Determinación). Además, se incorporan bases de datos de reanálisis (PISCOp_h), batimétricos (GloBathy) y productos de teledetección para la representación hidrológica en una región montañosa con alta variabilidad y escasez de datos. Durante el periodo 2016–2020 se evaluaron el modelo semiempírico de Curva Número (CN), desarrollado con HEC-HMS, y un modelo híbrido que integra el enfoque CN con técnicas ML. El modelo CN, aplicado mediante la simulación por eventos, presentó un desempeño adecuado frente a precipitaciones extremas; no obstante, su aplicabilidad fue limitada en condiciones hidrológicas variables. Por otro lado, la simulación continua representó adecuadamente procesos de escurrimiento prolongado, aunque con limitaciones al capturar los picos extremos (NSE: 0.7 en calibración; 0.3 en validación). En contraste, el modelo híbrido mostró mayor robustez (NSE: 0.9) y mejor ajuste en picos extremos (MAE: 19.73; MAPE: 5.58; sesgo: -7.3%), lo cual resulta crucial para un Sistema de Alerta Temprana. Finalmente, se identificaron patrones de caudal pico entre las 3:00 a.m. y 9:00 a.m., destacando el rendimiento superior del método de Chen en grandes cuencas.