Desarrollo de un modelo hidrológico semidistribuido a nivel diario mediante redes neuronales en cuencas de la costa peruana

• Autor: Mendoza Mendoza, Carlos Javier
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/21238
• Enlace del recurso: http://hdl.handle.net/20.500.14076/21238
• Nivel de acceso: acceso abierto
• Materia: Hidrometeorológica; Redes neuronales; Cuencas; https://purl.org/pe-repo/ocde/ford#2.01.01

La falta de información hidrometeorológica presente en el Perú, así como la complejidad de la naturaleza de la cuenca, hace de un reto para los ingenieros que se dedican en esta área de la ingeniería. A fin de solucionar esta problemática es que se aplican los modelos hidrológicos, sin embargo, la realidad es que estos modelos, en su gran mayoría, no son desarrollados en el Perú, por lo que su aplicabilidad es limitada y con un cierto grado de incertidumbre. Es en este contexto en el que se desarrolla la presente tesis, donde se busca evaluar las redes neuronales como una herramienta capaz de brindar un modelo que contemple la realidad peruana. Para el desarrollo de la tesis se tuvieron en cuenta la disponibilidad de información hidrometeorológica, las cuales son caudal, precipitación y temperatura a nivel diario, el tipo de suelo y la topografía, dentro del área de la costa peruana, identificándose tres subcuencas del río Piura, una subcuenca del río Chillón y una del río Fortaleza. El modelo a desarrollar es del tipo semidistribuido, por lo que se definieron las Unidades de Respuesta Hidrológica para cada una de las subcuencas, de acuerdo al tipo de suelo y la dirección de pendiente. Por otro lado, las redes neuronales a evaluar son las redes neuronales prealimentadas y las redes tipo NARX, en sus dos versiones, debido a su capacidad de resolver problemas del tipo regresión. De manera específica se busca, no solo evaluar la aplicabilidad de las RNA, sino también un grupo de características de las mismas, la influencia que tiene el tipo de red, la arquitectura, los datos de entrada, el tiempo de retardo y el tiempo de aprendizaje, además de comparar las RNA con el modelo GR4J. Los resultados muestran que las redes del tipo NARX, la cual consideran al caudal de días anteriores como un dato de entrada, presentan los mejores desempeños de acuerdo al indicador NSE, con valores que no bajan de 0.6 en las pruebas de testeo, y en calibración no baja de 0.8, sin embargo al ser evaluado en la simulación de eventos extraordinarios como el caso del FEN del 83, se observa que, de acuerdo a la metodología usada, la red no es capaz de representar el caudal a escala diaria, pero si a escala mensual. Por otra parte, del tipo de dato de entrada, la RNA es capaz de prescindir de la temperatura y la evapotranspiración, generada a partir de la temperatura. En comparación con el modelo GR4J, la RNA supera con diferencia a dicho modelo de acuerdo al NSE, por otro lado, en la simulación de eventos extraordinarios, a escala diaria no existe esta diferencia, pero si para una escala mensual.