Comparación de dos modelos hidrológicos del tipo conceptual y deep learning aplicado en la obtención de caudales del río Marañon, Perú

Abstract

La inteligencia artificial ha ganado relevancia en modelación hidrológica como alternativa a modelos tradicionales como el GR4J, destacando por su capacidad para estimar caudales usando variables La inteligencia artificial ha ganado relevancia en modelación hidrológica como alternativa a modelos tradicionales como el GR4J, destacando por su capacidad para estimar caudales usando variables hidrometeorológicas. Este estudio comparó el modelo conceptual GR4J con el modelo de deep learning LSTM en las cuencas Balsas, Cumba y Corral Quemado (cuenca del Marañón), utilizando datos de ERA5 y PISCO para precipitación, evapotranspiración, temperatura y humedad del suelo. Los resultados mostraron que el GR4J obtuvo valores NSE/KGE de 0.78/0.86 en Balsas, 0.42/0.46 en Cumba y 0.42/0.42 en Corral Quemado, mientras que el LSTM alcanzó 0.85/0.79, 0.68/0.67 y 0.61/0.71 respectivamente en el mismo orden de cuencas mencionado antes, con mejor desempeño al incluir humedad del suelo. Sin embargo, el análisis de incertidumbre reveló que el GR4J presentó mejor equilibrio entre error e incertidumbre en Balsas, mientras que ambos modelos tuvieron limitaciones en Cumba y Corral Quemado. Se concluye que ambos modelos son ´útiles para estimación de caudales y gestión hídrica, aunque se recomienda ampliar el entrenamiento del LSTM a más cuencas para aprovechar su capacidad de generalización, además de profundizar en el estudio de variables adicionales y la optimización de algoritmos para reducir la incertidumbre en las predicciones hidrológicas.

Artificial intelligence has gained relevance in hydrological modeling as an alternative to traditional models such as GR4J, standing out for its ability to estimate flows using hydrometeorological variables. This study compared the GR4J conceptual model with the LSTM deep learning model in the Balsas, Cumba and Corral Quemado watersheds (Marañón basin), using ERA5 and PISCO data for precipitation, evapotranspiration, temperature and soil moisture. The results showed that GR4J obtained NSE/KGE values of 0.78/0.86 in Balsas, 0.42/0.46 in Cumba and 0.42/0.42 in Corral Quemado, while LSTM reached 0.85/0.79, 0.68/0.67 and 0.61/0.71 respectively in the same order of basins mentioned before, with better performance when including soil moisture. However, the uncertainty analysis revealed that GR4J presented better balance between error and uncertainty in Balsas, while both models had limitations in Cumba and Corral Quemado. It is concluded that both models are useful for flow estimation and water management, although it is recommended to extend the training of the LSTM to more basins to take advantage of its generalization capacity, in addition to further study of additional variables and optimization of algorithms to reduce uncertainty in hydrological predictions.