Modelado hidrológico basado en el algoritmo KNN: una aplicación para el pronóstico de caudales diarios del río Ramis, Perú

Abstract

El pronóstico de caudales de un río es de gran importancia para el desarrollo de sistemas de alerta temprana. Los algoritmos de inteligencia artificial han demostrado ser una herramienta eficaz en la modelación hidrológica basado en datos, pues permiten establecer relaciones entre los datos de entrada y salida de una cuenca hidrográfica, y de esta manera tomar decisiones basado en datos. Este artículo investiga la aplicabilidad del algoritmo k vecino más cercano (KNN) para el pronóstico de caudales medios diarios del río Ramis en la estación hidrométrica Ramis. Como insumo de entrada al algoritmo de aprendizaje automático KNN utilizamos un conjunto de datos de precipitación media de la cuenca y caudal medio diario de estaciones hidrometeorológicas con varios rezagos. El rendimiento del algoritmo KNN se evaluó cuantitativamente con métricas de habilidad hidrológica, como el error porcentual absoluto medio (MAPE), anomalía del coeficiente de correlación (ACC), eficiencia de Nash-Sutcliffe (NSE), eficiencia de Kling-Gupta (KGE') y ángulo espectral (SA). Los resultados para realizar pronóstico de caudales del río Ramis con el algoritmo de aprendizaje automático KNN alcanzaron altos niveles de confiabilidad, sobre todo con rezagos de caudales de uno y dos días, y precipitación con tres días. El algoritmo utilizado es simple, pero robusto para efectuar pronósticos de caudales a corto plazo, y puede ser integrado como una alternativa para el fortalecimiento del pronóstico hidrológico diario del río Ramis.