COMPARACIÓN DE TÉCNICAS DE APRENDIZAJE AUTOMÁTICO VERSUS UN MODELO DE PROCESOS EN LA ESTIMACIÓN DE CAUDALES. APLICACIÓN A UNA CUENCA DE ALTA MONTAÑA
BENJAMÍN GONZÁLEZ CALVO (1)
LUIS DE LA FUENTE C. (2)
LINA CASTRO (3)
Las cuencas de alta montaña son fundamentales para la gestión hídrica en Chile, pero su complejidad climática y comportamiento altamente variable suponen desafíos para los modelos hidrológicos tradicionales. Frente a ello, los modelos de Machine Learning (ML) permiten capturar relaciones no lineales y descifrar patrones de la cuenca sin definir ecuaciones. Este estudio evalúa el desempeño de tres modelos de ML, Random Forest, LSTM y CNN, frente al modelo hidrológico USM, en la predicción de caudales aplicados a cuenca de alta montaña. Se utilizaron variables meteorológicas y radiación extraterrestre, organizadas en ventanas rezagadas y agregadas para representar la memoria hidrológica. El modelo LSTM alcanzó el mejor desempeño global con un KGE de 0.80, seguido por CNN el cual obtuvo un valor 0.72 y RF con un valor de 0.72, superando en todos los casos al modelo hidrológico USM. A nivel interanual, se identificaron diferencias en la capacidad de los modelos para representar eventos extremos, siendo el LSTM el que mostró mayor consistencia. Estos resultados destacan el potencial de los modelos de ML como herramientas predictivas robustas para escenarios hidrológicos complejos, aportando evidencia para futuras aplicaciones en la planificación y gestión hídrica.
1 Estudiante, Ingeniería Civil, Universidad Federico Santa María – email: benjamin.gonzalezc@sansano.usm.cl
2 Profesor Guía, Departamento de Obras Civiles, Universidad de Concepción – email: ladelafuenteco@utep.edu
3 Profesora Co-guía, Departamento de Obras Civiles, Universidad Federico Santa María – email: Lina.Castro@usm.cl
Benjamin_Gonzalez_TrabajosSOCHID1_revfinal.pdf
Dejar una contestacion
Lo siento, debes estar conectado para publicar un comentario.