Modelación hidrológica subdiaria utilizando redes de memoria a corto plazo para la prevención de crecidas rápidas en el río Rímac

Abstract

Las crecidas rápidas representan uno de los desastres naturales más dinámicos y destructivos, requiriendo la implementación de medidas efectivas para minimizar los daños. Estos eventos han incrementado su frecuencia en las últimas décadas, y Perú no es ajeno a estos fenómenos recurrentes, especialmente entre los meses de noviembre y abril. Los modelos tradicionales de predicción de crecidas son cruciales para la evaluación de peligros y la gestión de eventos, aunque suelen ser complejos de modelar y a veces presentan rendimientos subóptimos. En este contexto, el presente trabajo desarrolla un modelo de inteligencia artificial (IA) basado en el aprendizaje profundo, específicamente utilizando redes Long Short-Term Memory (LSTM). Este modelo se centra en la asimilación de datos climáticos y parámetros hidrometeorológicos para la cuenca del río Rímac durante los meses de noviembre a mayo. Para la generación del modelo LSTM, se utilizó información de precipitaciones observadas de estaciones meteorológicas automáticas (EMA), precipitaciones satelitales (IMERGE-Early y GSMaP), información de estaciones hidrológicas automáticas (EHA) y datos de eventos extremos que generaron crecidas en la cuenca de estudio. Los resultados obtenidos muestran desempeños estadísticos sobresalientes para horizontes de pronóstico de 24 horas, con coeficientes de eficiencia de Nash-Sutcliffe (NSE) de 0.95, 0.85 y 0.76 para los conjuntos de datos de entrenamiento, validación y prueba, respectivamente. Además, para eventos específicos de crecidas repentinas entre los años 2015 y 2023, el modelo presentó desempeños superiores a 0.75 para horizontes de pronóstico menores a 12 horas. Sin embargo, para horizontes mayores a 12 horas, el desempeño del modelo disminuyó. Bajo este escenario de validación, el modelo LSTM se presenta como una herramienta alternativa y eficaz para la previsión de crecidas repentinas, que generalmente ocurren en un lapso de 6 horas, consolidándose, así como un recurso valioso para la prevención y mitigación de riesgos asociados a estos eventos.

Flash floods are one of the most dynamic and destructive natural disasters, requiring effective measures to minimize damage. These events have increased in frequency over recent decades, and Peru is no exception, experiencing recurrent phenomena particularly between November and April each year. Traditional flood prediction models are crucial for hazard assessment and event management, though they are often complex to model and sometimes yield suboptimal performance. In this context, this work develops an artificial intelligence (AI) model based on deep learning, specifically utilizing Long Short-Term Memory (LSTM) networks. This model focuses on the assimilation of climatic data and hydrometeorological parameters for the Rímac River basin during the months of November to May. To generate the LSTM model, data from observed precipitation from automatic meteorological stations (EMA), satellite precipitation (IMERGE-Early and GSMaP), information from automatic hydrological stations (EHA), and extreme events that caused floods in the study basin were used.The results obtained show outstanding statistical performance for 24-hour forecast horizons, with Nash-Sutcliffe efficiency (NSE) coefficients of 0.95, 0.85, and 0.76 for the training, validation, and test datasets, respectively. Additionally, for specific flash flood events between 2015 and 2023, the model showed performances above 0.70 for forecast horizons of less than 12 hours. However, for horizons greater than 12 hours, the model's performance decreased. Under this validation scenario, the LSTM model emerges as an effective alternative tool for the prediction of flash floods, which generally occur within a 6-hour timeframe, thus solidifying its value for risk prevention and mitigation associated with these events.