Resumen de Predicción de caudales mensuales en ríos de cuencas altoandinas con enfoque de redes neuronales artificiales.: Caso: río Crisnejas, Perú

Luis Vásquez Ramírez, Luis Félix Vásquez Paredes

• español

  Predecir el comportamiento hidrológico en cuencas hidrográficas compuestas por ecosistemas altoandinos que tienen una variedad de climas, con geología compleja, topografía muy variada y suelos con alto contenido de materia orgánica generadoras de una cobertura vegetal muy heterogénea es muy difícil, y si a ello se adiciona la escasez de información hidrométrica en las redes hidrográficas se genera gran incertidumbre al planificar el aprovechamiento del recurso hídrico. La tendencia predominante para la predicción es a través de modelos hidrológicos que relacionan precipitación y escorrentía, los cuales requieren información histórica no disponible en la mayoría de los casos. La aplicación de la técnica de redes neuronales artificiales, en contraste, permite disponer de una metodología adaptable a la información disponible en cada cuenca para analizar la relación entre precipitación y escorrentía, y gracias a su robustez se pueden obtener resultados con gran precisión. El objetivo de esta investigación fue estimar y predecir los caudales promedio mensuales para la cuenca del río Crisnejas, ubicada en la región norte de los Andes peruanos; para ello se contó con registros históricos de 12 estaciones meteorológicas y una estación hidrométrica, utilizando datos de caudal, precipitación, temperatura e índice de vegetación de diferencia normalizada (NDVI), mediante una red neuronal artificial del tipo perceptrón multicapa, con bondad de ajuste del 81 %. Luego, con el registro generado de caudales, se entrenó otra red del tipo recurrente para predecir caudales medios mensuales de ocho años con una bondad de ajuste del 71 %.

• English

  Predicting the hydrological behavior in hydrographic basins composed of high Andean ecosystems that have a variety of climates, with complex geology, highly varied topography, and soils with a high content of organic matter that generate a very heterogeneous vegetation cover, is very difficult, and if it is added the scarcity of hydrometric information in hydrographic networks causes great uncertainty when planning the use of water resources. The predominant trend for prediction is through hydrological models that relate precipitation and runoff, which require historical information that is not available in most cases. The application of the artificial neural networks technique allows a methodology adaptable to the information available in each basin to analyze the relationship between precipitation and runoff. Because of its robustness, results can be obtained with great precision. This research aimed to estimate and predict the average monthly flows for the Crisnejas river basin, located in the northern region of the Peruvian Andes, for which there were historical records of 12 meteorological stations and a hydrometric station, using flow data, precipitation, temperature and normalized difference vegetation index (NDVI), with a multilayer perceptron-type artificial neural network, which achieved a goodness of fit of 81 % in the coefficient of determination. Then with the generated record, another network of the recurrent type was trained to predict monthly mean flows for eight years with a goodness of fit of 71 %.