6 de marzo, 2020 Novedades Industria Agua comentarios Bookmark and Share
< Volver

Una investigación doctoral realizada por Jonathan Romero Cuéllar y dirigida por el profesor Félix Francés, del Instituto de Ingeniería del Agua y Medio Ambiente de la Universitat Politècnica de València (IIAMA-UPV), propone una metodología simple que ayuda a mejorar la estimación de la incertidumbre predictiva de caudales mensuales. La técnica se ha implementado en 14 casos de estudio, para evaluar su desempeño en diferentes condiciones climáticas y comparar su eficacia, en relación a otros métodos convencionales.

"La aplicación de métodos de postprocesamiento hidrológico permite generar predicciones hidrológicas más exactas y fiables, al reducir el margen de error y cuantificar la incertidumbre predictiva". Este es el principal resultado obtenido en la tesis doctoral ´Improving hydrological post-processing for assessing the conditional predictive uncertainty of monthly streamflows´, realizada por Jonathan Romero Cuéllar y dirigida por el responsable del Grupo de Modelación Hidrológica y Ambiental del IIAMA-UPV, Félix Francés.

La investigación parte de la realidad de que conocer la incertidumbre predictiva de caudales mensuales es de vital importancia, sobre todo en procesos de toma de decisiones para la gestión de los recursos hídricos. Por este motivo, la tesis doctoral busca mejorar los métodos de postprocesamiento hidrológico, proponiendo una metodología simple que ayude a estimar "la incertidumbre predictiva de las predicciones hidrológicas puntuales (deterministas) y el análisis de incertidumbre en la toma de decisiones", señala el autor principal de la investigación, Jonathan Romero.

Concretamente, la técnica se ha implementado en 14 casos de estudio, -12 cuencas en Estados Unidos con diferentes condiciones climáticas, una cuenca en el País Vasco (parte alta del río Oria) y una cuenca en Colombia, (Alto Magdalena)- con el fin de probar su aplicabilidad en climas tropicales, mediterráneos y continentales y comparar su eficacia, en relación a otros métodos convencionales.


Investigación desarrollada y resultados

La investigación ha versado sobre dos problemas patentes del postprocesamiento hidrológico: la heterocedasticidad y la función de verosimilitud intratable. Para tratar la heterocedasticidad, Jonathan Romero propuso el postprocesador GMM, que combina el esquema de modelado de probabilidad Bayesiana conjunta y la mezcla de Gaussianas múltiples, y permite obtener bandas de incertidumbre más exactas, fiables y precisas. De hecho, se comparó con otros métodos tradicionales y los resultados determinaron que "analiza con mayor detalle la incertidumbre predictiva de caudales mensuales, especialmente en cuencas de clima seco", resalta el investigador Jonathan Romero.

Por su parte, en el caso de la verosimilitud intratable se planteó el uso del postprocesador ABC, que genera resultados similares a los obtenidos con un método exacto como el postprocesador MCMC (Monte Carlo Markov Chain), pero utilizando menos información (resúmenes estadísticos), tal y como explica Romero Cuéllar: "Algunas veces en modelación hidrológico es difícil calcular la función de verosimilitud, por ejemplo, cuando se trabaja con modelos complejos o en escenarios de escasa información como en cuencas no aforadas. Por ello, usamos el postprocesador ABC que intercambia la estimación de la función de verosimilitud, por el uso de resúmenes estadísticos y datos simulados".

En este sentido, se implementó el postprocesador ABC para conocer la incertidumbre predictiva de los caudales mensuales proyectados de cambio climático, y cuyos resultados "ofrece escenarios de cambio climático más realistas que el proporcionado por diferentes modelos climáticos sin postprocesamiento. Además, los márgenes de incertidumbre son más concretos que los proporcionados por el método clásico de múltiples conjuntos", concluye el investigador.

Publicidad

Noticias relacionadas

comments powered by Disqus