3.1 Redes Neuronales Artificiales (RNA)

Si hablamos de RNA, no se puede dejar de mencionar a una de las primeras investigaciones, si no es la primera, que aplicó esta técnica de IA al modelamiento de lluvia-escorrentía, así nos referimos a lo realizado por French (1992) [¹⁹], quienes pronos ticaron campos de intensidad de lluvia considerando espacio y tiempo; a partir de una red de aprendizaje de tres capas, es decir con capas de entrada, ocultas y de salida. El entrenamiento se llevó a cabo usando el algoritmo de propagación hacia atrás (BP, del inglés Backpropagation) donde los campos de lluvia de entrada y salida se presentaron a la red neuronal como una serie de conjuntos de aprendizaje. Una vez que se completó el entre namiento, la red neuronal se usó para pronosticar los campos de intensidad de lluvia con un tiempo de anticipación de 1 hora. Los resultados indicaron que una red neuronal es capaz de identificar la compleja relación que describe la evolución espacio-tiempo de la lluvia, como lo inherente a un modelo complejo de simulación de lluvia. En función a su trabajo realizado infieren además que aumentar el número de iteraciones de entrenamiento solo, sin cambios en la estructura de la RN, se mejora el rendimiento en los datos de entrenamiento, pero no necesariamente se mejora el rendimiento en datos independientes [²⁰].

El uso de técnicas deterministas, estadísticas y redes neuronales artificiales sin utilizar datos meteorológicos se han utilizado para realizar modelamientos de temperatura media mensual del suelo [²¹]. En base a ello determinaron que las RNA superaron consistentemente a los modelos clá sicos, salvo algunas excepciones, y proporcionaron una mejor representación del modelamiento de temperatura media mensual del suelo, donde el modelo RNA de múltiples capas ocultas fue el mejor modelo entre todos los desarrollados. Sin embargo, en esa misma línea, realizaron un monitoreo espacio-temporal de sequías de aguas subterráneas utilizando datos multisatélites basados en una red neuronal artificial, para ello aplicaron los modelos perceptrón multicapa (MLP) de los cuales refieren que este tipo de modelos requieren un largo procedimiento de prueba y error para fijar el número óptimo de nodos ocultos [²²].

El uso de RNA al pronóstico de lluvias intensas para uno de los distritos de Malasia propensos a inundaciones también ha sido utilizado. Para ello recopilaron y utilizaron datos de precipitación de 1965 a 2015 de estaciones meteorológicas locales [²³].

El rendimiento del modelo de RNA se comparó con la técnica estadística denominada media móvil integrado de regresión automática (ARIMA). El rendimiento de cada enfoque se evaluó utilizando la raíz del error cuadrático medio (RMSE) y el coeficiente de correlación (R). Los resultados indicaron que el modelo de RNA fue confiable para anticipar por encima del nivel de riesgo de eventos de fuertes precipitaciones [²⁴].

Del mismo modo, aplicaron RNA a la estimación de acumu lación máxima diaria de nieve fresca (MDFSA, del inglés maximum daily fresh snow accumulation), con datos de entrada al modelo RNA como, precipitación diaria, temperatura media y temperatura mínima. Se entrenó y calibró el modelo utilizando un conjunto de 19923 datos, observados diariamente en Corea del Sur entre 1960 y 2016 (57 años). Cuando se conocieron los datos de entrada en las ubicaciones calibradas, el coeficiente de correlación entre el MDFSA observado y el estimado por el modelo RNA fue 0.90. Cuando los datos de entrada se interpo laron espacialmente en ubicaciones no calibradas utilizando el método de kriging ordinario (OK), el coeficiente de correlación fue de 0.40. La diferencia en los coeficientes de correlación entre los dos métodos implica que, si bien el modelo de RNA en sí tiene un buen desempeño, una porción significativa de la incertidumbre de la MDFSA estimada en ubicaciones no calibradas proviene de una alta variabilidad espacial de las variables de entrada que no pueden ser capturadas por la red de estaciones in situ. Sin embargo, estos coeficientes de correlación fueron significativamente mayores que el coefi ciente de correlación obtenido al interpolar espacialmente los valores de MDFSA con el método OK (R = 0.20), por lo que en base a esos resultados se sugiere que el modelo RNA reduce significativamente la incertidumbre de la MDFSA estimada causada por su alta variabilidad espacial [²⁵].

Se ha utilizado RNA del tipo retropropagación para estimar la evapotranspiración potencial (ETo) en el Altiplano Peruano, a partir de variables de entrada como la temperatura máxima y mínima del aire (Tmax - Tmin), horas de sol (Sh), humedad relativa (Rh) y velocidad del viento (Wv), como método alter nativo al método FAO Penman-Monteith (FAO-PM56) y Hargreaves-Samani (HS) [²⁶]. En este estudio se seleccionaron con juntos de datos climáticos diarios registrados en 12 estaciones meteorológicas entre 1963 y 2015. Por motivos de evaluación, también se consideró la ETo calculada utilizando el FAO-PM56. La principal variable de entrada para el modelado de RNA fue la Tmax, seguida de Sh y Wv o combinaciones entre ellas. La aplicación de la fórmula de Hargreaves-Samani (HS) presentó un bajo resultado de estimación ETo en comparación con los 13 modelos de RNA [²⁷]. Adicionalmente, se determinó que en estaciones con menor amplitud térmica (<14.2 °C) los niveles de desempeño más bajos se presentan en la estimación de la ETo con la ecuación de HS, lo cual no ocurrió marcadamente con los modelos de RNA que estimaron adecuadamente la ETo [²⁸]. Así concluyen que, los modelos de RNA representan una buena opción para reemplazar el método FAO-PM56 y HS, cuando las series de datos ETo son escasos [²⁹].

Una investigación innovadora y significativa en la que se comparo el desempeño de tres conocidos enfoques de RNA en el modelado de patrones de flujo turbulento basados en las características geométricas del canal (ángulo de horizonte, distancia desde la orilla exterior de la curva y distancia desde el lecho) en una curva cerrada de 180 ° con y sin un dique recto en forma de T [³⁰]. De esta investigación se resaltan los siguientes aspectos: primero, los datos del patrón de flujo alrededor de los diques espirales en forma de T en una curva de 180°, dada su gran importancia en los ríos en la naturaleza, rara vez están disponibles; en segundo lugar, la aplicación de modelos de redes neuronales para comprender la naturaleza del flujo es altamente eficiente en otros puntos de flexión donde no se han realizado medicio nes experimentales o de campo; y tercero, con estos modelos, el tiempo requerido, además de sus costos, ya que así podrán realizar modelos numéricos y experimentales para la predicción de la velocidad del flujo disminuyen significativamente [³¹]. Los resultados de la comparación de los modelos RNA con datos experimentales indican que las RNA proporcionan resultados razonables en la mayoría de los casos y pueden emplearse con éxito [³²] para estimar la velocidad en curvas cerradas con y sin la presencia de un dique de derivación. Además, se puede concluir que los modelos ANN sin diques en derivación son más precisos que los que tienen diques en derivación debido a que generan menos turbulencias en el flujo.

Así mismo, se ha propuesto un modelo de red un modelo de red neuronal que entrenaron con pares de entradas y salidas de un simulador de inundación numérico estándar, a saber, la biblioteca de Python de código abierto Landlab que está basada en LISFLOOD-FP, como un modelo sustituto general eficiente y eficaz del simulador [⁴]. La red entrenada proporcionó un error porcentual absoluto medio de alrededor del 20%, sin embargo, la red entrenada es al menos 30 veces más rápida que el simula dor numérico que se utilizó para entrenarla. Además, es capaz de simular inundaciones en terrenos de diferentes tamaños y características espaciales no representadas directamente en el entrenamiento.

Una comparación entre los productos de lluvia satelital, la Medición de Lluvias Tropicales (TRMM 3B43v7) y la Estimación de Precipitaciones utilizando RNA-Registro de Datos Climáticos (PERSIANN-CDR), con un modelo hídrico hidrológico GR2M en la cuenca del río Awash en Etiopía, en la que para la evaluación de los productos se utilizó el coeficiente de determinación (R²), la eficiencia de Nash-Sutcliffe (NSE) y error cuadrático medio (RMSE) [³³]. Una vez realizado el pronóstico de precipitación por medio de satélite, los hallazgos de los productos de lluvia satelitales asimilados con el modelo GR2M mostraron que el 80% de las cuencas hidrográficas calibradas y el 60% de las validadas, en una cuenca tenían menor magnitud de sesgo porcentual, lo que resultó en una mejor precisión en la simulación de flujo.

Hassan y colaboradores, realizaron un modelamiento de etapa-descarga con la intención de controlar las inundaciones, planificar, gestionar, desarrollar y sostener el ecosistema .y los recursos hídricos [³⁴]. Para dicho modelamiento emplearon redes neuronales artificiales basadas en ondas (WANN) para la descarga diaria (Q), además de ello se utilizó el algoritmo de Levenberg-Marquardt para el entrenamiento, y se utilizó la función de transferencia sigmoidea tangente hiperbólica para calcular la salida de una capa a partir de su entrada neta. Los resultados de los modelos WANN se evaluaron mediante el valor observado de Q con base en indicadores de desempeño, lo que significa el RMSE, NSE, obteniendo lo siguiente (RMSE = 127.349 m³/s, NSE = 0.888).

Finalmente [³⁵] busca la estimación de los niveles de agua subterránea (GWL) especialmente en cuencas hidrográficas rela tivamente no contiguas, para la evaluación se consideró apren dizaje profundo y redes neuronales artificiales (RNA), a saber, un MLP con arquitectura Long Short-Term Memory (LSTM) y una red neuronal convolucional (CNN). Se utilizaron 9 variables de entrada y 4 combinaciones para el período 2011-2017. Para las RNA, estas fueron capacitadas desde un inicio entre el periodo (2011-2015) y validadas (2016-2017). Obteniendo resultados favorables en que muestra que el MLP tuvo un mejor desempeño en la validación de las cuencas hidrográficas de Baltic River y Long Creek (RMSE = 0,471 y 1,15, respectivamente). Ahora bien, conforme con la revisión presentada podemos observar el amplio uso de las RNA en el campo de la hidrología, estas aplicadas al modelamiento de procesos hidrológicos tal como se aprecia en la Tabla III.

3.2 Sistema Adaptativo de Inferencia Neuro- Difuso (ANFIS)

Bejar y colaboradores, aplicaron RNA y el modelo ANFIS a la predicción de caudales medios diarios en una sección de la cuenca del amazonas [³⁶]. Para ello aplicaron los procedimientos de la metodología “Descubrimiento de Conocimiento en Bases de Datos (KDD)”, a la información hidrológica recopilada de las estaciones del Servicio de Observación SO HYBAM. Así obtuvie ron que, aplicando técnicas de IA, los R estuvieron entre el 96.9% y 98.9%; y el error medio porcentual absoluto (MAPE) estuvo por debajo del 10%, a saber, entre 4% y 10%; lo que demostró la buena capacidad predictiva de las técnicas de inteligencia arti ficial empleadas, frente a métodos tradicionales del tipo lineal.

Por su parte, [¹¹] utilizaron tres enfoques de modelado para predecir la descarga de escorrentía en la cuenca del arroyo Laonong al sur de Taiwán, estos fueron el modelo del sistema de modelado hidrológico del Centro de Ingeniería Hidrológica (HEC-HMS) y dos modelos híbridos que combinaron el mo delo HEC-HMS con una red neuronal de algoritmo genético (GANN) y un enfoque de sistema ANFIS. Recopilaron datos de escorrentía por hora durante siete eventos de tifones para la calibración (entrenamiento) y validación. Los resultados de la simulación indicaron que el modelo HEC-HMS no pudo predecir satisfactoriamente la descarga de escorrentía por hora durante los tifones, sin embargo, los modelos híbridos que utilizaron los resultados del modelo HEC-HMS junto con los modelos GANN y ANFIS mejoraron significativamente la precisión de la predicción para la descarga de escorrentía [³⁷].

Algunos otros estudios en los que se ha estimado la evapotranspiración de referencia utilizando sensores de humedad del suelo, aplicando la técnica de regresión lineal múltiple (MLR) y la red de percertones multicapa (MLP), han arrojado resultados en los que el modelo MLR tuvo un mejor rendimiento respecto a la red MLP [³⁸]-[³⁹].

Jimeno y colaboradores, empleando modelos de apren dizaje automático y la fórmula empírica en la España Penin sular para la estimación del pico de flujo instantáneo (IPF, del inglés instantaneous peak flow), con la información de 14 estaciones de medición de caudal [¹⁴]. Así compararon métodos empíricos para estimar la IPF basados en el flujo diario medio máximo (MMDF, del inglés maximum mean daily flow), RNA y el ANFIS. Como criterios de evaluación se utilizaron el error de raíz cuadrada media (RMSE) y el coefi ciente de determinación (R²). Los resultados indicaron que ANFIS demostró una capacidad superior para estimar la IPF en comparación con cualquier fórmula empírica [⁴⁰].

Tabla III REDES NEURONALES ARTIFICIALES (RNA) APLICADAS AL MODELAMIENTO DE PROCESOS HIDROLÓGICOS 

Fuente: Los autores

Roodsari y colaboradores, realizaron el pronostico de inunda ciones en tiempo real en 9 pequeñas cuencas urbanas ubicadas cerca de la ciudad de Nueva York (NYC), mediante el modelo hidrológico Sacramento Soil Moisture Accounting (SAC-SMA) y el ANFIS [¹³]. Los modelos se utilizaron para simular el caudal del huracán Irene (160 mm) y una tormenta de 35 mm en tiempos de espera de 3 a 24 horas. Las diferencias en el rendimiento entre los modelos fueron pequeñas para los plazos de entrega cortos (3 horas) y fueron similares para la tormenta de 35 mm. Los pronósticos del huracán Irene con plazos de entrega de 24 horas mostraron un sólido desempeño para SAC-SMA, pero una disminución en el desempeño de ANFIS [⁴¹]. Asimismo, el des empeño del modelo SAC-SMA no varió sistemáticamente ni con el tamaño de la cuenca ni con la impermeabilidad, destacando su versatilidad para modelar este tipo de eventos meteorológicos.

Las RNA también se han aplicado para estimar enrutamiento de inundaciones, para el cual se han hecho uso de 8 diagramas de inundaciones, del cual 6 utilizadas para la etapa de entrena miento y 2 en la etapa de prueba. Se prepararon dos modelos para el estudio, una red neuronal MLP y una RNA ANFIS mediante dos algoritmos bat e imperialista (ICA). De acuerdo a los cálculos estimados para el PM se obtuvo un RMSE de 3,01 frente al RMSE de la ANFIS (ICA) de 0,3; demostrando que ANFIS es un excelente modelo. Para culminar se estimó el hidrograma de inundación para un ciclo de retorno de 10 000 años. [⁴²]

3.3 Aprendizaje Automático (ML)

La complejidad computacional de ANFIS es un obstácu lo importante en su aplicación, por lo que [⁶] crearon una versión modificada llamado (PSO ANFIS) para la estimación de la escorrentía. En ese artículo resolvieron ese problema incorporando uno de los algoritmos evolutivos conocido como optimización por enjambre de partículas (PSO) que se utilizó en la estimación de los parámetros pertenecientes a ANFIS, así los resultados del ANFIS modificado resultaron satisfactorios, presentando un mejor desempeño en términos del RMSE en comparación con ARIMA y ANFIS convencional.

En esta misma linea, la modelización de la escorrentía es uno de los desafíos clave en el campo de la hidrología, por lo que existen varios enfoques que van desde modelos basados físicamente hasta modelos totalmente basados en datos, de ahi que se ha realizado un modelamiento de escorrentía a partir de un enfoque basado en datos utilizando la red de última generación de LSTM [¹⁰], [⁴⁴]. Aplicando el modelo en la cuenca del lago Poyang (PYLB) y su rendimiento se compa ró con una red neuronal artificial (RNA) y la herramienta de evaluación de suelos y aguas (SWAT). Se entrenó el modelo con 2 conjuntos de datos de entrada diferentes, a saber, un conjunto de información con precipitación, además con todas las variables meteorológicas disponibles. Así se obtuvo que, aunque LSTM con datos de precipitación como única entrada puede lograr resultados deseables (donde el NSE varió de 0.60 a 0.92 para el período de prueba), el rendimiento se puede mejorar simplemente alimentando el modelo con más variables meteorológicas (donde NSE varió desde 0.74 a 0.94 para el período de prueba). Los resultados de este estudio subrayan el potencial del LSTM para modelar la escorrentía, especialmente para áreas donde no se dispone de datos topográficos detallados.

Tabla IV SISTEMA ADAPTATIVO DE INFERENCIA NEURO-DIFUSO (ANFIS) APLICADO AL MODELAMIENTO DE PROCESOS HIDROLÓGICOS 

Fuente: Los autores.

Hu y colaboradores, aplicaron técnicas de aprendizaje profundo con un enfoque de LSTM para la simulación de lluvia-escorrentía basándose en 98 eventos de inundación desde 1971 a 2013 en la cuenca del río Fen monitoreados a través de 14 estaciones de lluvia y una estación hidrológica. 86 eventos se utilizaron para la fase de entrenamiento, y 12 para la fase de validación. Los resultados demostraron que las dos redes RNA y LSTM son adecuadas para mode lar el proceso de lluvia-escorrentía, siendo mejores que los modelos conceptuales y físicos, sin embargo, los modelos LSTM superaron a los modelos RNA con valores de R² y NSE superiores a 0.9, respectivamente.

Mediante la técnica de aprendizaje automático (ML, del in glés machine learning), se realizo un modelamiento hidrológico aplicado al pronóstico de inundaciones urbanas en Tailandia, aplicando cinco técnicas alternativas de aprendizaje automá tico; regresión lineal, regresión de redes neuronales, regresión lineal bayesiana y regresión de árbol de decisión potenciada, para lo cual utilizaron el llamado modelo de pronóstico hidroló gico MIKE-11, desarrollado por el Instituto Danés de Hidráulica (DHI) de Dinamarca. Aunque el modelado basado en datos es un trabajo cómodo, existen límites para la precisión. Para el modelo físico, incluso si es de alta precisión, pero para los datos, la preparación es de alto presupuesto, y si las técnicas de recopilación de datos son ineficientes, el resultado de los datos físicos es una falta de precisión. El propósito del modelado heterogéneo es descubrir el error en MIKE11 y reducirlo [⁴³].

Yaseen y colaboradores, desarrollaron un nuevo modelo híbrido de inteligencia de datos (DI) basado en la integración del Perceptrón multicapa (MLP) y el algoritmo de optimización de la ballena (WOA) para el modelado del nivel del agua del lago Van, al este de Turquía, con una escala mensual durante un período de tiempo de más de siete décadas (1943-2016). El potencial del modelo híbrido propuesto, MLP_WOA, se valida contra varios modelos DI bien establecidos en la litera tura, incluido el modelo de red neuronal cascada correlación (CCNNM), el mapa auto organizado (SOM), la regresión del árbol de decisiones (DTR), la regresión del bosque aleatorio (RFR) y el Perceptrón multicapa clásico (MLP). Los resultados indicaron que el modelo MLP_WOA obtuvo resultados de predicción superiores a los modelos comparables basados en el rendimiento de la predicción. Los plazos de entrega de cinco meses obtuvieron los mejores resultados para el procedimiento de predicción. En términos cuantitativos, el RMSE y MAE se reducen en 29.8% y 33.9%, 48.3% y 52%, 57.6% y 59.7%, 53.9% y 58.3%, y 25.3% y 23.9% utilizando el modelo MLP_WOA so bre CCNNM, SOM, modelos DTR, RFR y MLP, respectivamente. Asimismo, en comparación con otros estudios de la literatura, el uso de un intervalo más largo de datos históricos elevó la precisión de las simulaciones [¹⁷].

3.4 Modelos híbridos

Utilizando un modelo híbrido de red neuronal artificial y físicamente basado, [⁴⁵] realizaron la predicción y modelado de lluvia-escorrentía durante eventos de tifones en la cuenca de Sandimen al sur de Taiwán. Recopilaron datos de descarga de escorrentía por hora (1200 conjuntos de datos) de siete eventos de fuertes precipitaciones para la calibración (entrenamiento) y validación del modelo. Emplearon cuatro enfoques de modela do, a saber, HEC-HMS, RNA, ARMAX y HEC-HMS-ANN, así como cuatro eventos de fuertes lluvias (un total de 696 conjuntos de datos) para la calibración (entrenamiento), y tres eventos de tifones (504 conjuntos de datos) que se utilizaron para la valida ción. Finalmente, el modelo híbrido HEC-HMS-ANN desarrollado demostró una precisión mejorada en la predicción recursiva de descargas de escorrentía con anticipación, especialmente para descargas de flujo máximo y el tiempo [⁴⁵]. En esa misma línea podemos citar a [⁴⁶] que investigaron respecto al evento del Niño Costero de 2017 que azotó al Perú, el cual no se veía en tal magnitud desde El Niño de 1997-1998. La cantidad de lluvia registrada entre enero y marzo de 2017 solo se comparaba con los eventos de El Niño de los últimos 40 años, a saber, 1982-1983 y 1997-1998; y superó el percentil 90 de los registros disponibles (1981-2017) en gran parte de la costa norte y central del Perú, la región andina y la Amazonia [⁴⁷]. Lo ocurrido fue muy pecu liar por el hecho que sucedió durante el primer verano austral después del desarrollo y la descomposición de un El Niño muy fuerte en 2015-2016. La causa probable de las precipitaciones anómalas estuvo relacionado a la combinación de una ola de llu via especialmente intensa sobre los Andes Centrales relacionada con un anticiclón profundo y duradero ubicado adyacente a la costa chilena, y al desarrollo inusual de lluvias cálidas frente a la costa de Perú en la región nominal de El Niño 1 + 2. Este evento provocó daños catastróficos en viviendas e infraestructura, que afectó a más de 660000 personas y dejó más de 100 muertes.

Bloschl y colaboradores, presentaron una investigación muy particular sobre veintitrés problemas no resueltos en hidrología, en el que destacan la utilidad de nuevas técnicas para el manejo de gran cantidad de información con los que se trabaja en hi drología, incentivando así al uso de técnicas híbridas basas en inteligencia artificial que contribuyan con ello, siempre además ligados con el cuidado y no alteración del medio ambiente [⁴⁸].

Barrientos y colaboradores, analizaron los cambios en la escorrentía de cuencas forestales experimentales en el cen tro-sur de Chile, para determinar en qué medida las tendencias que observaron podían atribuirse a los efectos de la silvicultura intensiva y/o el cambio climático. Para lograr ello, aplicaron el modelo distribuido TETIS a ocho cuencas que tenían áreas de entre 7.1 a 413.6 hectáreas representativas de los usos del suelo y actividades forestales en esta área geográfica. Para modelar y calibrar el modelo emplearon datos de precipitación y caudales recopilados entre 2008 y 2015. Asimismo, para la simulación trabajaron con tres usos del suelo (cobertura actual, aprove chamiento parcial y bosque nativo) y 25 combinaciones de escenarios climáticos (aumentos o disminuciones porcentuales de las series de entrada, de hasta el 20% de las precipitaciones y la evapotranspiración relativa al escenario sin cambios), des cubriendo que las variaciones sobre la tierra y el clima tuvieron efectos contrastantes en la escorrentía [⁴⁹].

Ayala y colaboradores, realizaron el enrutamiento del flujo en el cauce natural de la cuenca experimental del río Ichu mediante RNA, para ello desarrollaron un modelo de lluvia-escorrentía con datos registrados en 6 estaciones meteorológicas automáticas y una estación hidrológica. En primera instancia para generar escorrentía emplearon el software HEC-HMS y el método Muskingum-Cunge para el tránsito de crecidas [⁵⁰], generando registros históricos para 5 tramos del cauce del río Ichu, habiendo así obtenido 39 registros históricos máximos en los períodos 2016 y 2017. De dicho modelamiento realiza do con HEC-HMS obtuvieron valores de coeficientes de NSE iguales a 0.851 y 0.828 para la etapa de calibración y valida ción, respectivamente. En una segunda etapa modelaron los resultados antes obtenidos con redes neuronales, habiendo construido diferentes arquitecturas para entrenar y obtener la que mejor se adaptase a los fenómenos históricos. Finalmente, la arquitectura 1-5-1 presentó un mejor ajuste, cuyo estadís tico de NSE alcanzó valores de 0.881 y 0.859 en el proceso de entrenamiento y validación respectivamente. Vale indicar que el modelamiento con RNA se realizó empleado Matlab [¹].

Fang y Fan en su investigación, sobre los impactos de las variaciones climáticas y de uso de la tierra en la producción de agua y sedimentos para la región del suelo negro al noreste de China; emplearon el modelo distribuido TETIS durante 1978-2014 en la cuenca de Yian. Así, los resultados indicaron que el escenario con solo cambio climático aumentó el agua y el rendimiento de sedimentos (SY) en 31.55% y 92.1%, res pectivamente. Los escenarios con los cambios en el uso de la tierra en 1985, 1995, 2000 y 2010 aumentaron el agua y SY en 1.28% y 12.54%, respectivamente. Con respecto al período de referencia en 1978-1987, las tasas promedio de aumento de agua y SY fueron 31.7% y 114.5%. Las contribuciones del cambio climático fueron 99.5% para el rendimiento de agua y 69.2% para el SY, respectivamente. Este estudio indicó que la configuración y gestión racional del uso de la tierra pue de aliviar el impacto adverso derivado del cambio climático en la región del suelo negro y regiones similares en todo el mundo [⁵¹].

Farfán y colaboradodes, emplearon una técnica híbrida basada en RNA para mejorar el pronóstico de flujo de modelos físicos y en datos en cuencas hidrográficas andinas, a saber, en las cuencas pertenecientes a la cuenca Paute de Ecuador. Ahora, en estas regiones, a causa de la importante variabili dad en clima y el poco empleo de redes de seguimiento, la cuantificación y predicción, consideran que la precisión del flujo de agua es un desafío [⁵²].

Basándose en el ML, se han empleado redes LSTM, en cuencas no calibradas, entrenando y probando varios LSTM en 531 cuencas del conjunto de datos CAMELS, utilizando la validación cruzada de k-fold, de modo que las predicciones se hicieron en cuencas que no proporcionaron entrenamiento de datos. El conjunto de datos de entrenamiento y prueba incluyó 30 años de datos diarios de precipitación y escorrentía de cuencas en los Estados Unidos con un tamaño de 4 a 2000 km² con un índice de aridez de 0.22 a 5.20, e inclu yendo 12 de las 13 clasificaciones de cobertura vegetal con vegetación IGPB. Este modelo efectivamente “no calibrado” se comparó durante un período de validación de 15 años con el modelo de Contabilidad de la humedad del suelo de

Sacramento (SAC-SMA) y también con el nuevo análisis del Modelo Nacional de Agua de la NOAA. SAC-SMA se calibró por separado para cada cuenca utilizando 15 años de datos diarios. Finalmente, el LSTM fuera de la muestra tuvo una mediana de eficiencia de Nash-Sutcliffe más alta en las 531 cuencas (0.69) que el SAC-SMA calibrado (0.64) o el modelo Nacional de Agua (0.58) [⁹], [⁵³].

Una revisión de la literatura acerca de la predicción de inundaciones mediante modelos de aprendizaje automático (ML, del inglés machine learning), a saber, RNA, máquinas de vectores de soporte (SVM), regresión vectorial de sopor te (SVR), ANFIS, red neuronal Wavelet (WNN), sistemas de predicción de conjuntos (EPSs) y el árbol de decisión (DT), reportada en [¹²] y [⁵⁴] para imitar las complejas expresiones matemáticas de los procesos físicos de las inundaciones, durante las últimas dos décadas, los métodos de aprendizaje automático (ML) contribuyeron en gran medida al avance de los sistemas de predicción que proporcionan mejor rendi miento y soluciones rentables. Como resultado, su artículo presentó los métodos de predicción más prometedores para inundaciones tanto a largo como a corto plazo. Además, se investigaron las principales tendencias para brindar una buena calidad y mejora de los métodos de predicción de inundaciones, entre ellos, la hibridación, la descomposición de datos, el conjunto de algoritmos y la optimización del modelo, se informan como las estrategias más efectivas para la mejora de los métodos de aprendizaje automático.

Nabipour y colaboradores, emplearon la hibridación de nuevos algoritmos de optimización inspirados en la naturaleza y RNA para el pronóstico hidrológico de sequía a corto plazo, en escalas de tiempo de 1, 3 y 6 meses. Para ello, calcularon el Índice de Sequía Hidrológica Estandarizada (SHDI) y el Índice de Precipitación Estandarizado (SPI) en uno, tres y seis meses. Se utilizaron algoritmos de optimización como el Grasshopper (GOA), el algoritmo Salp Swarm (SSA), la optimización basa da en biogeografía (BBO) y la optimización por enjambre de partículas (PSO), todos esos algoritmos hibridados con RNA para el pronóstico del SHDI y los resultados comparados con las RNA convencional. Los resultados indicaron que el modelo hibridado superó en comparación con las RNA convencional. PSO funcionó mejor que los otros algoritmos de optimización, así los mejores modelos pronosticaron SHDI1 con R² = 0.67 y RMSE = 0.57, SHDI3 con R² = 0.80 y RMSE = 0.44 y SHDI6 con R² = 0.81 y RMSE = 0.39. [18]

Kratzert y colaboradores, como parte de un modelamiento hidrológico de nieve emplearon el modelo distri buido TETIS en una cuenca de alta montaña. Evaluaron los efectos de la variabilidad en el modelado hidrológico y el modelado de deshielo a escala de celda y ladera, así como propusieron introducir la variabilidad espacial y temporal del factor grado-día utilizando mapas de índices de radiación, los cuales consideran la posición del sol según la época del año, radiación solar, insolación, topografía y topografía de relieve sombreado. Así los resultados mostraron mejoras significa tivas en el modelado hidrológico en el período primaveral cuando el deshielo es más importante [⁵⁵].

Aplicando técnicas de inteligencia artificial, [⁵⁶] validaron datos hidrológicos de niveles de agua en ríos mediante un modelo híbrido basado en RNA, para ello se utilizaron datos de series de tiempo históricas. Desarrollaron modelos indivi duales que fueron desde redes neuronales hasta predictores estadísticos, y de forma independiente se incorporó un mo delo de lógica difusa basado en reglas para proporcionar una entrada de modelo adicional. Cada uno de estos modelos individuales se integró mediante técnicas de lógica difusa y bayesiana. La adición de la lógica difusa al nítido modelo bayesiano arrojó resultados generales que fueron superiores a los otros enfoques de múltiples modelos e individuales al considerar las medidas de evaluación global.

Dazzi y colaboradores, presentan en su investigación la evaluación y rendimiento de 3 métodos de aprendizaje auto mático (ML) para predecir las etapas de inundación utilizando principalmente observaciones aguas arriba, el lugar en el que se realizó el estudio es en un tramo del rio Parma (Italia). El ren dimiento de tres algoritmos ML, a saber, la regresión vectorial de soporte (SVR), el MLP y las LSTM, demostraron entre ellos comparaciones en términos de precisión y tiempo de cálculo, reflejando a través de los resultados que el modelo LSTM, a pesar de requerir el mayor tiempo de entrenamiento, este pue de considerarse el mejor para establecer un modelo operativo sólido para el pronóstico de inundaciones en tiempo real [⁵⁷].

Las técnicas tradicionales utilizadas por la ingeniería civil para predecir variables como lluvia-escorrentía, inun daciones, evapotranspiración, sequías, nivel de lagos entre otros, no han cubierto las necesidades de diseño de los ingenieros, motivo por el cual en los últimos años los in vestigadores están buscando nuevos métodos para estimar estas variables con mayor precisión, se puede observar que el uso de técnicas de IA se han venido incorporando con el fin de mejorar la eficiencia de las estimaciones, es así, que se puede notar un incremento exponencial de publicaciones de esta naturaleza, pasando de 2 artículos en el año 2015 a 57 en el año 2021, demostrando mayor interés por parte de la comunidad científica en los procesos de diseño de la ingeniería civil basado en la inteligencia artificial.