Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LoIngeniero Ambiental
Elaborado por:
Angie Katherin Lache Peñaranda
1016112411
alachep@ucentral.edu.co
Director:
PALABRAS CLAVES
ABSTRACT
The present work consists of creating a model that, based on the correlation between
hydrological, hydrometeorological and climatic variables, allows determining
minimum, average and maximum flows in the Sabana de Bogotá, in response to the
problem in the estimation of hydrological variables such as flows are highly uncertain,
prediction in uncalibrated basins is a great unsolved challenge in scientific and
engineering hydrology, therefore, machine learning is used to make the projections of
these data. As a result, correlation coefficients between 0.98 and 0.97 are obtained for
the models found, and it was observed that the variables that are most related to the
estimation of flows are area and precipitation.
KEY WORDS
Model, flows, prediction, sub-basins, machine learning
1. Introducción
1.1 Estado del arte
Empezando el nuevo Milenio, se ha comprobado que modelos y métodos empíricos
hidrológicos han sido inadecuados para las predicciones en cuencas no calibradas
(Sivapalan, 2003), puesto que se considera necesario comprender mejor el vínculo entre
la forma en que una cuenca responde a los insumos, como los efectos combinados del
clima, la topografía, la geología, el tipo de suelo y el uso del suelo (Kazemi et al, 2019
& Yonaba et al , 2021). Esto, se ha vuelto más obvio durante la Década PUB
(Predictions in Ungauged Basins), desde cambios globales en los patrones de
temperatura y precipitación espacio-temporales (Sheffield & Wood, 2008, págs. 432–
458) ) hasta cambios regionales y locales en los regímenes hidroquímicos y de flujo de
corrientes (Hu et al , 201; Tshimanga & Hughes, 2012, págs. 50–52, 72–83).
Si bien, se reconoció que estos cambios probablemente fueron impulsados por los
efectos combinados de un clima cambiante junto con proyecciones climáticas poco
fiables (Koutsoyiannis et al. 2008 ); la comprensión incompleta del proceso se
consideró una de las principales causas de incertidumbre predictiva, lo que
obstaculizaba las predicciones significativas del efecto del cambio , pues el cambio
climático y las actividades humanas son dos factores dominantes que influyen en los
procesos hidrológicos naturales de las principales cuencas hidrográficas del mundo
( Lakshmi et al, 2018, págs. 510-532).
De acuerdo con (Zhu et al , 2021), estudios han demostrado que optimizar y combinar
el enfoque de proximidad espacial, el enfoque de similitud física y el enfoque de
regresión es un método favorable para mejorar la precisión de los resultados de
simulación para poder realzar la estimación de caudales a partir de la regionalización;
sin embargo, Prieto et al (2019) creé que es difícil determinar el mejor enfoque de
regionalización adecuado, debido a varios factores, como la heterogeneidad de la
condición de la superficie de la cuenca y la diversidad de modelos hidrológicos; así
mismo, la predicción en cuencas no calibradas (PUB) es un desafío sin resolver a nivel
mundial, donde la solución a este inconveniente, esta, en gran medida, en que la
información hidrológica se extrapole con éxito de las cuencas de captación calibradas a
las cuencas no calibradas.
Así mismo, Yao et al (2021) plantea que una posible solución es realizar directamente
una estimación de parámetros a priori a partir de datos del paisaje de cuencas no
calibradas en lugar de la regionalización con el apoyo de conjuntos de datos digitales
sobre terreno, cobertura terrestre, suelo y geología; por ello, el modelo que se propone
implementará machine learning para tener mayor precisión en cada pronóstico,
empleando las variables anteriormente mencionadas. La estimación de parámetros a
priori es particularmente importante en la simulación de inundaciones para cuencas no
calibradas, ya que puede ayudar efectivamente a minimizar los obstáculos para la
implementación del modelo en estas cuencas (Yao et al , 2019)
El campo emergente del aprendizaje y el machine learning pueden dar nueva vida a los
estancados métodos PUB. En el estudio realizado por Yin et al (2021) se comparó la
eficiencia de predicción del caudal de las redes de memoria a largo y corto plazo
(LSTM) con la técnica estándar de regionalización de los parámetros en 200 cuencas en
el noroeste de Rusia. Donde entrenaron un modelo para cada cuenca y usaron cinco
forzamientos meteorológicos que incluyen precipitación, radiación descendente de onda
corta, presión de vapor, temperatura máxima diaria y temperatura mínima diaria,
adicional tuvieron en cuenta factores como área y tipo de suelo en cada cuenca y
tuvieron un alto grado de ajuste con las predicciones realizadas. Por lo tanto, este
estudio subraya el alto potencial de utilización del aprendizaje profundo para el PUB al
demostrar el nuevo rendimiento de vanguardia en este campo.
1.2 Planteamiento de problema
1.2.1 Descripción del problema.
De acuerdo con Torres & Santos (2019, pág. 3) el comportamiento del caudal en
una cuenca hidrográfica nunca es estacionario, puesto que varía directa o indirectamente
a causa de las actividades antrópicas y el desarrollo de proyectos de aprovechamiento
del recurso hídrico, lo que genera una variación climático espacial dentro del área de
captación provocando cambios en las características cualitativas y cuantitativas del agua
(Lopes et al, 2017). Bajo este escenario, la estimación de variables hidrológicas como
los caudales son altamente inciertos, la predicción en cuencas no calibradas es un gran
desafío sin resolver en la hidrología científica y de ingeniería (Prieto et al, 2019;
Hrachowitz et al, 2013) puesto que la escasez de información para apoyar la toma de
decisiones en la gestión de los recursos hídricos es una de las principales limitaciones
para el uso adecuado de este recurso (Manzione, 2020).
La Sabana de Bogotá desglosa numerosas fuentes hídricas, las cuales están
instrumentadas por la IDEAM y la CAR; sin embargo, las fuentes hídricas en esta zona
carecen de información hidrometeorológica suficiente para la gestión efectiva de los
recursos de planificación, seguimiento y control de los caudales medios y mínimos de
este tipo de fuentes, que a su vez impide realizar predicciones de fenómenos
hidrológicos extremos, reconocer la magnitud de escurrimientos superficiales, regular
caudales por cambios de uso de suelo, delimitar zonas de riesgos de inundaciones
(Lauro et al , 2021) y garantizar una oferta hídrica a lo largo de la cuenca; esto se debe
a que actualmente la densidad de estaciones de monitoreó en el área es baja por el alto
costo de instalación y operación, el difícil acceso, mantenimiento y manejo de estos
(Carvajal, 2018).
Debido a las limitaciones de la red de monitoreo hidrológica por parte del IDEAM y de
la CAR, entidad encargada de otorgar los permisos de concesión de agua en la
jurisdicción de interés que abarca 104 municipios (CAR, s.f) se presentan demoras e
inconvenientes para dar el permiso por la falta de información sobre la disponibilidad
del recurso en estas zonas por el deficiente cubrimiento de las redes pluviométrica,
climatológica e hidrométrica, impidiendo el desarrollo sostenible para transformar la
tendencia actual de degradación y agotamiento de los recursos naturales, el gran
impacto negativo sobre los ecosistemas y especies endémicas.
Según como se cuenta Semana (2011), en 1940 los humedales de la Sabana de Bogotá
sumaban 50.000 hectáreas, para el 2011 quedaban menos de 1.000 hectáreas, según la
Sociedad Geográfica de Colombia muchos de estos cuerpos hídricos se secaron y fueron
invadidos para realizar sobre ellos actividades agrícolas de alto impacto como siembra
de flores y papa, expandir la ganadería y construir industrias y proyectos de vivienda de
todos los estratos, muchos sin planeación, que acabaron con los humedales que servían
de reposo para aves migratorias y que le permitían al río descansar sus aguas en época
de fuertes lluvias, como la que ahora deja la Niña, fenómeno que tiende a ser más
frecuente por el cambio climático.
Al momento de establecer el uso específico para los recursos hídricos dentro de un
sector geográfico del cual no se conoce la oferta hídrica de dicha área, se hace necesario
estimar los caudales a través de modelos, que relacionan funcional y numéricamente las
distintas fases del agua y las características del entorno geográfico en el cual ellas
existen (GOBIERNO DE CHILE, 2016).
La regionalización de los caudales es objeto de numerosos estudios hasta el punto de
que ya puede considerarse como una disciplina por derecho propio en hidrología
(Cunderlikd & Burn , 2009); a pesar del desarrollo de métodos de regionalización, aún
existe una brecha significativa en la predicción de caudales en ubicaciones no calibradas
(Althoff et al , 2021) y diferencias en los enfoques utilizados entre los hidrólogos, por
un lado, y entre expertos en otros campos (ecología acuática y geografía física); esas
diferencias se relacionan con cuatro aspectos del proceso de regionalización: la elección
de variables hidrológicas, métodos de agrupación de estaciones para producir regiones
hidrológicas homogéneas, la elección de leyes estadísticas apropiadas para estimar
cuantiles para sitios no calibrados o parcialmente calibrados, la escala de análisis de
flujo (Assani et al, 2006).
2. Materiales y métodos
2.1 Histórico de series hidrometeorológicas
Estos datos son descargados y pasan por un proceso de tratamiento de datos, puesto que,
en estas series de datos, hay vacíos espacio multitemporales, y datos sospechosos, es de
aclarar, que estos datos no se catalogan como erróneos ya que son valores atípicos a las
condiciones hidrometeorológicas promedio y que pudieron haberse presentado.
1
x ( t )= ¿
3
Donde:
x, x1, x2 y x3: son las medias de las variables en cuestión de la serie incompleta y
de las tres series vecinas respectivamente
x1(t), x2(t) y x3(t): son los datos correspondientes a las series temporales veci-
nas respectivamente.
Estas predicciones se elaboraron para cada cuenca a partir de los datos de caudal medio
mensual, en donde el primer paso es convertir los meses en índices, ejem: (01/2017=0,
02/2017=1, 03/2017=2) y se define el modelo que relaciona el caudal con el tiempo.
Posterior, se crea una primera capa de LTSM (Long short-term memory/ Memoria a
Corto y Largo Plazo). Esta capa consta de LSTM con 100 unidades, seguida de otra con
50 unidades, para luego realizar entrenamiento de aprendizaje iterativo, y luego se
realizan 5 capas más con LSTM para realizar el ajuste al modelo.
Librerías: matplotlib,mpl_toolkits, numpy, pandas, seasborn.
2.5 Power BI
Utilizado para elaborar dashboard a partir de las bases de datos elaboradas, para luego
crear tablas y gráficos dinámicos que facilitan la interpretación de datos.
El área de estudio tiene una extensión de 1333,987737 km 2, pasando por los municipios
de estudio con su respectiva estación para obtener los datos de caudales, estas pueden
Teniendo las series espacio multitemporales de cada variable completas, se crea una
base de datos a partir del tipo de caudal que se quiera estimar, para este caso, en el cual
se quiere estimar el caudal mínimo, se emplearan las variables: área tributaria, N° de
días con precipitación anual multianual, temperatura mínima anual multianual, brillo
solar anual multianual y evaporación anual multianual. Dicha base, se observa en la
Tabla 2.
Fuente: Autora
3.2.2 Relación Caudal Mínimo y Área tributaria
R2= -0.8575736
Figura 2. Relación entre variables caudal mínimo (m3/s) y área tributaria (km2)
R2= -0.8575736
Figura 3. Relación entre variables caudal mínimo (m3/s) y temperatura mínima (°C)
La temperatura mínima tiene una gran relación con el caudal medio, puesto que el
caudal va a depender de ella teniendo en cuenta el ciclo hidrológico del agua, valores
altos de temperatura aumentan la evaporación, desmullendo el volumen que se
encuentra almacenado en las cuencas, por ello, la relación entre el caudal y temperatura
media es de carácter lineal inverso o negativo, es decir, que mientras entre más alta sea
la temperatura, el caudal será menor. Sin embargo, esta relación puede ser de carácter
exponencial o potencial, lo cual se ajustaría más al comportamiento observado.
3.2.4 Relación Caudal Mínimo y Brillo solar
R2= -0.8575736
Figura 4. Relación entre variables caudal mínimo (m3/s) y brillo solar (hr)
La relación entre brillo solar y caudal mínimo, tiene una relación de carácter lineal
inverso o negativo, es decir, que mientras entre más horas se intensifique el brillo solar,
el caudal será menor. Sin ,embargo, estos datos podrían acomodarse mucho mejor a una
regresión potencial negativa.
R2= -0.8575736
Para realizar una regresión con todas las variables se formula con `Y~, la cual
representa al caudal medio en este caso. Del cual se obtiene los siguientes coeficientes:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.4158125 9.2722989 -0.476 0.6403
X1 0.0111474 0.0006264 17.796 0.00000000000574 ***
X2 0.3989911 0.2252420 1.771 0.0955 .
X3 -0.0012801 0.0667843 -0.019 0.9849
X4 0.0157168 0.0074559 2.108 0.0512 .
Donde
X1:Área tributaria
X2:Temperatura media (°C)
X3:Brillo solar (hr)
X4: Evaporación (mm)
Para este caso, en el que se quiere estimar el caudal medio se emplearan las variables:
área tributaria, temperatura media anual multianual, brillo solar anual multianual y
evaporación anual multianual. Dicha base, se observa en la Tabla 3.
Temperatura
NombreCuen Estación limnimetrica Área tributaria (km2) Caudal Medio Brillo solar (hr) Evaporación
media (°C)
Río Susagua Rodamontal 2.52163 0.07568 15.36591028 142.2647491 120.875
Río Frío Paramo Guerrero 3.83557 0.09984 15.01049829 142.234285 114.5333333
Río Neusa Puente Checua 7.75438 0.13831 14.99553059 140.7835313 117.4416667
Río Neusa Acequia el Molino 9.31220 0.14348 14.81457617 142.0647491 111.1583333
Río Neusa El Manzano 14.98444 0.22316 14.67994752 142.1627355 112.8416667
Río Balsillas Altamira 30.14614 0.33981 14.55462024 142.700289 105.0083333
Río Negro Paso Ancho 33.60803 0.36372 14.3128638 144.745629 108.1833333
Río Balsillas La pradera 34.54348 0.42953 14.17004943 141.937642 102.8583333
Río Subachoque La Muralla 44.32679 0.84885 14.14694301 141.634285 99.725
Río Balsillas El bosque 61.57575 0.96533 14.08741174 141.1064331 98.2
Río Balsillas El recreo 64.00000 0.59725 13.99713285 141.937642 93.30833333
Río Frío Pozo Hondo 72.34743 1.08924 13.90089092 140.9581383 97.26666667
Río Frío Puente Calamar 83.26897 1.07972 13.81831535 142.481383 83.21666667
Río Subachoque Puente Manrique 111.09807 1.25642 13.68221171 142.103541 78.2
Río Frío Puente Cacique 203.38369 2.03817 13.61171882 140.91297 73.15454545
Río Barandillas El Molino 216.65756 2.56952 13.19589604 140.73562 73.80833333
Río Neusa Las Lajas 224.80452 2.24781 12.4463878 138.9979479 67.20833333
Río Teusacá Puente Adobes 268.41428 3.34057 11.98333333 139.918363 66.775
Sector Sisga - Tibitoc Santa Rosita 458.24114 5.23166 11.85166094 140.9450323 62.65
Río Bogotá Puente Florencia 573.91362 8.31490 11.2421965 139.3342223 55.46666667
Río Bogotá Tocancipa 722.62735 9.69683 11.09568983 139.3541528 57.98
R2=0.98152
Figura 9. Relación entre variables caudal medio (m3/s) y área tributaria (km2)
El coeficiente de correlación es alto, por lo cual, se deduce que la relación entre el
caudal medio y el área tributaria es de carácter lineal directo o positivo, es decir, que a
medida que el área se expande, el caudal aumenta.
3.3.3 Relación Caudal Medio y Temperatura medía
R2= -0.8575736
Figura 10. Relación entre variables caudal medio (m3/s) y temperatura media (°C)
La temperatura media tiene una gran relación con el caudal medio, puesto que el caudal
va a depender de ella teniendo en cuenta el ciclo hidrológico del agua, valores altos de
temperatura aumentan la evaporación, desmullendo el volumen que se encuentra
almacenado en las cuencas, por ello, la relación entre el caudal y temperatura media es
de carácter lineal inverso o negativo, es decir, que mientras entre más alta sea la
temperatura, el caudal será menor.
R2= -0.8575736
Figura 11. Relación entre variables caudal medio (m3/s) y brillo solar (hr)
La relación entre brillo solar y caudal medio esta enlazada a partir de que entre mayor
sea el brillo solar , por situaciones parecidas a la temperatura, aportará a la reducción
del caudal medio, por ello, la relación entre el caudal medio y brillo solar es de carácter
lineal inverso o negativo, es decir, que mientras entre más horas se intensifique el brillo
solar, el caudal será menor.
R2= -0.8575736
Figura 12. Relación entre variables caudal medio (m3/s) y evaporación (mm)
La relación entre evaporación y caudal medio se refleja a partir del ciclo hidrológico,
reduciendo el volumen que se encuentra almacenado en las cuencas, por ello, la relación
entre el caudal medio y evaporación es de carácter lineal inverso o negativo, es decir,
que mientras exista mayor evaporación el caudal será menor.
Para realizar una regresión con todas las variables se formula con `Y~, la cual
representa al caudal medio en este caso. Del cual se obtiene los siguientes coeficientes:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.980428 11.102159 0.268 0.7918
X1 0.013992 0.001078 12.975 0.000000000658 ***
X2 -0.207893 0.285060 -0.729 0.4764
X3 -0.017147 0.079539 -0.216 0.8320
X4 0.023012 0.011375 2.023 0.0601 .
Donde
X1:Área tributaria
X2:Temperatura media (°C)
X3:Brillo solar (hr)
X4: Evaporación (mm)
A partir de estos coeficientes obtenidos, se obtienen las siguientes graficas que permiten
analizar correlaciones de todas las variables al mismo tiempo.
La figura, demuestra la correlación entre todas las variables analizadas, de forma que
entre más azul y más grande sea el circulo, mayor es la relación entre las variables. En
este caso se observa que, en este caso, el brillo solar y el área son quienes tienen una
correlación más baja a comparación de las otras variables.
3.4 Estimación caudal máximo
3.4.1 Base de datos
A partir de las series espacio multitemporales de cada variable completas, se crea una
base de datos a partir del tipo de caudal que se quiera estimar, para este caso, en el cual
se quiere estimar el caudal máximo, se emplearan las variables: área tributaria, N° de
días con precipitación anual multianual, precipitación total mensual anual multianual,
temperatura máxima anual multianual, brillo solar anual multianual y evaporación anual
multianual. Dicha base, se observa en la Tabla 3.
Estación Caudal Máximo Área tributaria Precipitación total No de días con Temperatura Evaporación
Nombre Cuenca Brillo solar (hr)
limnimetrica (m3/s) (km2) mensual (mm) precipitación máxima (°C) (mm)
Río Susagua Rodamontal 0.4066 2.5216 52.9542 14.8615 21.5051 142.2647 120.8750
Río Frío Paramo Guerrero 0.4047 3.8356 50.4093 13.2400 20.8558 142.2343 114.5333
Río Neusa Puente Checua 2.9481 7.7544 76.5087 19.2548 21.6822 140.7835 117.4417
Río Neusa Acequia el Molino 0.4201 9.3122 58.3876 14.7812 20.5253 142.0647 111.1583
Río Neusa El Manzano 0.7953 14.9844 64.3061 15.4740 21.4697 142.1627 112.8417
Río Balsillas Altamira 1.0747 30.1461 64.8889 15.1395 22.7091 142.7003 105.0083
Río Negro Paso Ancho 1.5377 33.6080 66.0607 16.1060 21.2789 144.7456 108.1833
Río Balsillas La pradera 1.5947 34.5435 96.2706 10.7785 22.8129 141.9376 102.8583
Río Subachoque La Muralla 2.3784 44.3268 67.9850 17.7900 21.0546 141.6343 99.7250
Río Balsillas El bosque 2.7026 61.5757 68.2776 17.5833 20.1827 141.1064 98.2000
Río Balsillas El recreo 2.7400 64.0000 69.5702 18.6881 21.6469 141.9376 93.3083
Río Frío Pozo Hondo 2.7598 72.3474 72.2631 18.8770 20.3814 140.9581 97.2667
Río Frío Puente Calamar 3.5280 83.2690 71.6058 18.8770 21.3183 142.4814 83.2167
Río Subachoque Puente Manrique 4.4290 111.0981 71.9841 19.9567 20.4955 142.1035 78.2000
Río Frío Puente Cacique 4.3270 203.3837 72.9484 20.5265 19.8117 140.9130 73.1545
Río Barandillas El Molino 3.7694 216.6576 73.2221 20.7444 19.3517 140.7356 73.8083
Río Neusa Las Lajas 4.8521 224.8045 84.3998 22.1008 19.1510 138.9979 67.2083
Río Teusacá Puente Adobes 6.8675 268.4143 90.1589 24.3401 18.3833 139.9184 66.7750
Sector Sisga - Tibitoc Santa Rosita 10.7511 458.2411 99.2231 24.6044 18.5898 140.9450 62.6500
Río Bogotá Puente Florencia 15.3009 573.9136 103.1442 25.7571 19.2818 139.3342 55.4667
Río Bogotá Tocancipa 17.9356 722.6274 82.9085 21.3111 17.8932 139.3542 57.9800
Figura 16. Relación entre variables caudal máximo (m3/s) y área tributaria (km2)
El coeficiente de correlación es alto, por lo cual, se deduce que la relación entre el
caudal medio y el área tributaria es de carácter lineal directo o positivo, es decir, que a
medida que el área se expande, el caudal aumenta.
3.4.3 Relación Caudal Máximo y Precipitación total mensual
R2=0.79711
Figura 17. Relación entre variables caudal máximo (m3/s) y precipitación total mensual
(mm)
Se observa que el coeficiente de correlación se acerca 1, sin embargo, la relación no es
tan perfecta, puesto que se ven datos muy apartados de la línea de tendencia, por lo cual,
se deduce que la relación entre el caudal máximo y la precipitación total mensual es de
carácter lineal directo o positivo, es decir, que mientras exista mayor precipitación el
caudal aumenta asociado a la acumulación de agua lluvia, aumentando el volumen de
cada sub cuenca. Debido a que se esta tratando de un caudal máximo, puede que, con
datos de precipitación máxima en 24 horas, se ajuste más la correlación.
R2=0.7204416
Figura 18. Relación entre variables caudal máximo (m3/s) y número de días con
precipitación
Se observa que el coeficiente de correlación entre estas variables se acerca 1, sin
embargo, la relación no es muy elevada, esto se debe a que en Cundinamarca, el tiempo
atmósferico es muy variante, por lo que se pueden tener meses con muchos días de
lluvia y otros muy pcos días de lluvia, a esto se suma el efecto de cambio climático, que
interviene en el comportamiento que normalmente se tenía, sin embargo la relación
entre el caudal máximo y N° de días con precipitación es de carácter lineal directo o
positivo, es decir, que mientras entre más días llueva, el caudal será mayor.
Figura 19. Relación entre variables caudal máximo (m3/s) y temperatura máxima (°C)
La temperatura máxima tiene una gran relación con el caudal, puesto que el caudal es el
volumen de agua en determinado tiempo, y teniendo en cuenta el ciclo hidrológico del
agua, valores altos de temperatura aumentan la evaporación, desmullendo el volumen
que se encuentra almacenado en las cuencas, por ello, la relación entre el caudal y
temperatura máximos es de carácter lineal inverso o negativo, es decir, que mientras
entre más alta sea la temperatura, el caudal será menor.
Figura 20. Relación entre variables caudal máximo (m3/s) y brillo solar (hr)
3.4.7 Relación Caudal Máximo y Evaporación
R2= -0.8575736
Figura 21. Relación entre variables caudal máximo (m3/s) y evaporación (mm)
La relación entre evaporación y caudal máximo se refleja a partir del ciclo hidrológico,
reduciendo el volumen que se encuentra almacenado en las cuencas, por ello, la relación
entre el caudal máximo y evaporación es de carácter lineal inverso o negativo, es decir,
que mientras exista mayor evaporación el caudal será menor.
Donde
X1:Área tributaria
X2: Precipitación total mensual (mm)
X3: No de días con precipitación
X4:Temperatura máxima (°C)
X5:Brillo solar (hr)
X6: Evaporación (mm)
A partir de estos coeficientes obtenidos, se obtienen las siguientes graficas que permiten
analizar correlaciones de todas las variables al mismo tiempo.
La figura, demuestra la correlación entre todas las variables analizadas, de forma que
entre más azul y más grande sea el circulo, mayor es la relación entre las variables. En
este caso se observa que, en este caso, el brillo solar y la precipitación tienen una
correlación baja.
Para la predicción es caudales medios se tuvieron en cuenta las cuencas que tiene mayor
representación en el área de estudio y que acumulan drenaje de otras, las cuales son:
Santa rosita, Tocancipá, Puente Adobes, Puente calamar, Pozo hondo, Paso ancho, La
pradera y el Recreo.
En la siguiente figura se observan los datos de caudal mensual medio, en este caso, no
se trabaja con los datos de caudal medio anual multianual, si no, mensual, puesto que
mayor cantidad de datos, relacionan más profundamente el comportamiento espacio
multitemporal del caudal medio.
Posterior a ello, se obtiene el entrenamiento con 1000 redes neuronales, para a la
predicción a corto, mediano y largo plazo. Dicha predicción, se realiza hasta 30 años
después del presente año, es decir hasta el año 2052.
En el Anexo 1 se encuentran las gráficas con las predicciones realizadas para cada
subcuenca.
https://builder.theappmaker.es/62871d4aaa470
4. Conclusiones
La regionalización no solo permite conocer el comportamiento hidrológico en un punto
determinado de una región, por medio de la transferencia de información de otro punto
de la misma región, sino que además brinda información respecto al número de
estaciones que se tiene en la región o de la información almacenada, respecto a si es
suficiente o no. Para el caso de la presente tesis, se puede observar que la relación entre
caudal área y precipitación es alta entre ellas, así mismo la predicción realizada con
machine learning permite establecer mejores criterios para decisiones futuras.
Los caudales medios, tienen una relación lineal casi perfecta, y aún más con la variable
de área tributaría, y esto se debe a que, para la estimación de este caudal, no utilizaron
datos extremos, como temperatura mínima o máxima, lo cual permite que la estimación
sea más exacta, porque este caudal no se ve tan afectado a cambios drásticos en las
variables como temperatura y brillo solar en comparación al caudal mínimo, lo cual
permitió obtener en el modelo coeficientes con mayor ajuste. Aunque no se halla
realizado la correlación con la humedad relativa, se crea la hipótesis de que, al utilizarla,
podría ayudar a tanto como ajustar el modelo aún más y se podría llegar a tener un
coeficiente de Pearson mucho más alto, acercándose al 1, o si por el contrario, esta
demuestra tener una relación estrecha con la precipitación media, puede afectar el
modelo y disminuir su relación, debido a que para caudales medios y mínimos, la
variable de precipitación no se utilizó.
Los caudales máximos lograron demostrar que se asemejan con valores extremos, como
temperatura máxima, sin embargo, la estimación de este caudal puede mejorar si dentro
de el se incluyen las series espacio multitemporales de precipitación máxima en 24
horas, sin embargo, para este caudal puede que intentar reaccionarlo con la humedad
relativa no sea favorable, puesto que no tiene datos máximos, y este puede verse muy
afectado por los valores altos que hay en temperatura. Para este caudal, aunque se hayan
empleado más variables en comparación para el modelo de estimación de caudal medio
y mínimo en las cuales se utilizaron solo 4 variables, demuestra que, la correlación fue
mayor, eliminando ciertas variables. No obstante, que no se relacione con datos de
máximos de brillo solar y evaporación, puede ser causa de su coeficiente de correlación
(0.9775) sea un poco menor al coeficiente de caudal medio(0.988).
Cunderlikd & Burn . (2009). Utilisation d'une information sur le régime des crues dans
une analyse fréquentielle régionale des crues. Obtenido de https://doi.org/
10.1080/02626660209492909
Hrachowitz et al. (2013). Revue d’une décennie sur les prévisions en bassins non jaugés
(PUB)—une revue. Obtenido de https://doi-org.hemeroteca.lasalle.edu.co/
10.1080/02626667.2013.803183
Semana. (2011). Emergencia por río Bogotá, una de las peores de la historia. Obtenido
de https://www.semana.com/nacion/articulo/emergencia-rio-bogota-peores-his-
toria/239998-3/
ANEXO 1