Antecedentes: El agua es uno de los recursos naturales más abundantes a nivel
mundial, además es de vital importancia para el desarrollo de la vida. En
Colombia anualmente pueden caer más 11000 mm de agua mediante
precipitación dependiendo de la región del país llegando a contar con cerca de
60 L/s por km2 a partir de la escorrentía. No obstante, durante las épocas de
sequía este rendimiento hídrico se ve afectado, por esta razón es necesario
contar con modelos que permitan adelantarse a este tipo de eventos. En este
sentido, la predicción de eventos de sequía y sobreoferta de recurso hídrico
juega un papel importante para todos los sectores socioeconómicos que
depende de este recurso.
Objetivos: Desarrollar un modelo de estimación de eventos de sequía y
sobreoferta de recurso hídrico en una cuenca, que de soporte a las decisiones
de las autoridades ambientales y/o entidades encargadas de la Gestión
Integrada del Recurso Hídrico (GIRH).
Métodos: Se propone un modelo de estimación de caudal mediante el uso de
información de múltiples fuentes a diferente escala espacial y una herramienta
para la conformación de una base de datos con estas características; el enfoque
principal de este modelo se encuentra en el uso de información con relación
directa e indirecta con la precipitación y el caudal de los afluentes en una cuenca
altoandina. La herramienta desarrollada, realiza de manera semiautomática los
procesos de minería de datos necesarios para la conformación de una base de
datos de calidad. El modelo de estimación de caudal está basado en técnicas de
aprendizaje máquina lo que permite tener un buen ajuste entre el valor de caudal
predicho y el valor real.
Resultados: Dos conjuntos de datos para la estimación de la precipitación y la
estimación de caudal en una cuenca altoandina, una herramienta
semiautomática para la conformación del conjunto de datos multiescala, un
modelo de estimación de la precipitación y un modelo de estimación de caudal
en una cuenca altoandina.
Conclusiones: El modelo basado en la técnica de aprendizaje máquina Random
Forest presentó un mejor desempeño al momento de estimar la cantidad de agua
precipitada y el caudal respecto a otras técnicas de aprendizaje máquina. Se
requiere de más información para lograr resultados donde se observe una menor
subestimación de la precipitación y el caudal.
Background: Water is one of the most abundant natural resources worldwide; it is also of vital importance for the development of life. In Colombia, more than 11,000 mm of water can fall annually through precipitation, depending on the region of the country, reaching close to 60 l / s per km2 from runoff. However, during the dry season this water performance is severely affected, for this reason, it is necessary to have models that allow anticipating this type of event. In this sense, the prediction of drought events and oversupply of water resources plays an important role for all socio-economic sectors that depend on this resource.
Goals: Develop a model for estimating drought events and oversupply of water resources in a basin, which supports the decisions of environmental authorities and / or entities in charge of Integrated Water Resource Management.
Methods: A flow estimation model is proposed using information from multiple sources at a different spatial scale and a tool for the conformation of a database with these characteristics; The focus of this model is on the use of information in direct and indirect relation with the precipitation and the flow of the tributaries in a high Andean basin. The developed tool performs in a semi-automatic way the necessary data mining processes for the creation of a quality database. The flow estimation model is based on machine learning techniques, which allows a good adjustment between the predicted flow value and the real value.
Results: Two sets of data for precipitation estimation and flow estimation in a high-Andean basin, a semiautomatic tool for the conformation of the multiscale data set, a precipitation estimation model and a flow estimation model in a high Andean basin.
Conclusions: The model based on the machine learning technique Random Forest presented a better performance when estimating the amount of precipitated water and flow compared to other machine learning techniques. More information is required to achieve results were less underestimation of precipitation and flow is observed.