Restricciones de las redes neuronales artificiales para la modelización de escorrentía de lluvia: compensaciones en la representación del estado hidrológico y la evaluación del modelo

Resumen. La aplicación de Redes Neuronales Artificiales (RNA) en la modelización de escorrentía de lluvia necesita ser investigada más extensamente para apreciar y cumplir con el potencial de este enfoque de modelización. Este artículo informa sobre la aplicación de RNA de avance múltiple para la modelización de escorrentía de lluvia de la cuenca del Geer (Bélgica) utilizando datos diarios y horarios. Los resultados de la previsión diaria indican que las RNA pueden considerarse buenas alternativas para los enfoques tradicionales de modelización de escorrentía de lluvia, pero las simulaciones basadas en datos horarios revelan errores de temporización como resultado de un componente autorregresivo dominante. Este componente se introduce en las simulaciones del modelo utilizando valores de escorrentía observados anteriormente como entrada del modelo RNA, que es un método popular para representar indirectamente el estado hidrológico de una cuenca. Se presentan dos soluciones posibles a este problema de predicciones con retraso. En primer lugar, se prueban varias alternativas para la representación del estado hidrológico como entradas de RNA: promedios móviles a lo largo del tiempo de los caudales y lluvias observadas, y la salida del componente del modelo simple GR4J para la humedad del suelo. Una combinación de estos representadores del estado hidrológico produce buenos resultados en términos de temporización, pero la bondad de ajuste general no es tan buena como las simulaciones con datos de escorrentía anteriores. En segundo lugar, se menciona la posibilidad de utilizar múltiples medidas de rendimiento del modelo durante el entrenamiento de RNA.