Estimación de caudales en una cuenca tropical mediante modelación neuronal artificial basada en memoria hidrológica
Palabras clave:
Cambio climático, cuenca fluvial, desarrollo sostenible, evapotranspiración, gestión de recursos, inteligencia artificial, inundación, modelo de simulación, precipitación, temperaturaBarra lateral del artículo
Contenido principal del artículo
Introducción: Los sistemas hidrológicos han sido severamente impactados por el aumento de eventos extremos como inundaciones y sequias, a su vez intensificados por el cambio climático. La cuenca del río Tuluá, ubicada en el Valle del Cauca – Colombia, enfrenta retos adicionales por la deforestación y limitada cobertura de monitoreo, complicando la gestión eficiente del recurso hídrico.
Objetivos: Desarrollar un modelo neuronal basado en redes LSTM para predecir el caudal del río Tuluá a partir de variables hidrometeorológicas, para la anticipación de escenarios extremos y el apoyo en la toma de decisiones en la gestión hídrica regional.
Metodología: 6875 registros diarios para cinco variables (precipitación, temperatura, evaporación, humedad relativa y caudal) de siete estaciones, fueron consolidadas. Para completar valores faltantes se aplicó preprocesamiento de datos usando KNN y análisis de correlación de Pearson. Se configuró y se entrenó el modelo LSTM, el cual se evaluó para los subconjuntos de entrenamiento, prueba y validación mediante métricas usuales para redes neuronales.
Resultados: Una alta capacidad predictiva con coeficientes de correlación R (0,75 – 0,98) mostró el modelo neuronal. Se evidenció que el modelo captura efectivamente las dependencias temporales y patrones no lineales, además de identificar la influencia del fenómeno ENSO en la dinámica hidrológica local.
Conclusiones: El modelo LSTM es una herramienta efectiva en la estimación de caudales para la cuenca en estudio, lo cual facilita tanto la gestión hídrica como la prevención de los riesgos que se asocian a la variabilidad climático. Futuros desarrollos pueden potenciar su precisión y utilidad, si consideran la inclusión de índices climático globales.
1. Pizzorni M, Innocenti A, Tollin N. Droughts and floods in a changing climate and implications for multi hazard urban planning: A review. City Environ Interact. 2024;24:100169.
https://doi.org/10.1016/j.cacint.2024.100169 DOI: https://doi.org/10.1016/j.cacint.2024.100169
2. Furtak K, Wolińska A. The impact of extreme weather events as a consequence of climate change on the soil moisture and on the quality of the soil environment and agriculture - A review. Catena. 2023;231:107378
https://doi.org/10.1016/j.catena.2023.107378 DOI: https://doi.org/10.1016/j.catena.2023.107378
3. Chaudhary MT, Piracha A. Natural Disasters-Origins, Impacts, Management. Encyclopedia. 2021;1:1101 31.
https://doi.org/10.3390/encyclopedia1040084 DOI: https://doi.org/10.3390/encyclopedia1040084
4. Skilodimou HD, Bathrellos GD. Natural and technological hazards in urban areas: assessment, planning and solutions. Sustainability. 2021;13(15):8301. doi: https://doi.org/10.3390/su13158301 DOI: https://doi.org/10.3390/su13158301
5. Fischer G. El aumento de las inundaciones generado por el cambio climático afectará nuestros cultivos. Rev Fac Nac Agron Medellín. 2021;74(3):9619 20. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0304-28472021000309619&lng=en&tlng=es
6. Molina JE, Arboit ME, Maglione DS, Sedevich A, Mutani G. Estudio de expansión urbana, crecimiento poblacional, consumos energéticos e índices de vegetación en el Área Metropolitana de Mendoza. AREA. 2020;26(1):1 21. https://dialnet.unirioja.es/servlet/articulo?codigo=8213842
7. Zhungo Carpio JP, Baquedano Rivera PR. Impacto Ambiental de la Expansión Urbana no Planificada en los Recursos hídricos del Cantón Santo Domingo: Un Análisis crítico. Rev Científica Salud Desarro Humano. 2025;6(1):1600 17.
https://doi.org/10.61368/r.s.d.h.v6i1.542 DOI: https://doi.org/10.61368/r.s.d.h.v6i1.542
8. Reyer C, Adams S, Albrecht T, et al. Climate change impacts in Latin America and the Caribbean and their implications for development. Reg Environ Change. 2017;17:1601 21.
https://doi.org/10.1007/s10113-015-0854-6 DOI: https://doi.org/10.1007/s10113-015-0854-6
9. Restrepo JC, Higgins A, Escobar J, Ospino S, Hoyos N. Contribution of low frequency climatic-oceanic oscillations to streamflow variability in small, coastal rivers of the Sierra Nevada de Santa Marta (Colombia). Hydrol Earth Syst Sci. 2019;23:2379 400.
https://doi.org/10.5194/hess-23-2379-2019 DOI: https://doi.org/10.5194/hess-23-2379-2019
10. Rodriguez Espinosa CA, Valencia CF, Ramirez CG, Valencia CD. Dynamic effect of climate change on flood damage cost in the Andean region of Colombia using an ARDL ECM model and climate change projections. Sustainable Cities Soc. 2025;125:106309.
https://doi.org/10.1016/j.scs.2025.106309 DOI: https://doi.org/10.1016/j.scs.2025.106309
11. Ávila Á, Guerrero FC, Escobar YC, Justino F. Recent precipitation trends and floods in the Colombian Andes. Water. 2019;11(2):379.
https://doi.org/10.3390/w11020379 DOI: https://doi.org/10.3390/w11020379
12. Flores P, Navarro Y. Efectos del cambio climático en los recursos hídricos: un análisis de la experiencia en Venezuela. Novum Scientiarum. 2016;2(4):45 55.
13. Amparo Salcedo M, Pérez Gimeno A, Navarro Pedreño J. Water security under climate change: challenges and solutions across 43 countries. Water. 2025;17(5):633.
https://doi.org/10.3390/w17050633 DOI: https://doi.org/10.3390/w17050633
14. Carvajal Y, Enciso A, Sandoval MC. Hydrological analysis of historical floods in the upper valley of Cauca river. Inycomp [Internet]. 2016 Jan 19 [cited 2025 Aug 19];18(1):46 57.
https://doi.org/10.25100/iyc.v18i1.2176 DOI: https://doi.org/10.25100/iyc.v18i1.2176
15. González López N, Carvajal Escobar Y. Characterization of hydrological drought in the Cauca river high valley. Tecnol Cienc Agua. 2020;11(1):235 65.
https://doi.org/10.24850/j-tyca-2020-01-06 DOI: https://doi.org/10.24850/j-tyca-2020-01-06
16. Yunita A, Pratama MI, Almuzakki MZ, Ramadhan H, Akashah PAE, Mansur ABF, et al. Performance analysis of neural network architectures for time series forecasting: a comparative study of RNN, LSTM, GRU, and hybrid models. MethodsX. 2025;15:103462.
https://doi.org/10.1016/j.mex.2025.103462 DOI: https://doi.org/10.1016/j.mex.2025.103462
17. Renteria Mena JB, Plaza D, Giraldo E. Multivariate hydrological modeling based on long short term memory networks for water level forecasting. Information. 2024;15(6):358.
https://doi.org/10.3390/info15060358 DOI: https://doi.org/10.3390/info15060358
18. Montoya Zuluaga LM. Predicción de caudales en el sistema Magdalena Cauca utilizando modelos estadísticos y redes neuronales recurrentes [thesis]. Medellín: Universidad de Antioquia; 2023 https://bibliotecadigital.udea.edu.co/handle/10495/37887
19. Morante Carballo F, Arcentales Rosado M, Caicedo Potosí J, Carrión Mero P. Artificial intelligence applications in hydrological studies and ecological restoration of watersheds: a systematic review. Watershed Ecol Environ. 2025;7:230 48.
https://doi.org/10.1016/j.wsee.2025.05.004 DOI: https://doi.org/10.1016/j.wsee.2025.05.004
20. Volpi E, Kim JS, Jain S, Shrestha S. Editorial: artificial intelligence in hydrology. Hydrol Res. 2023;54(6):iii-iv. https://doi.org/10.2166/nh.2023.102 DOI: https://doi.org/10.2166/nh.2023.102
21. Abubaker Blbas HT. Descriptive statistics [Internet]. In: Recent Advances in Biostatistics. IntechOpen; 2024 https://doi.org/10.5772/intechopen.1002179 DOI: https://doi.org/10.5772/intechopen.1002179
22. Das KR, Imon AHM. A brief review of tests for normality. Am J Theor Appl Stat. 2016;5(1):5-12. https://doi.org/10.11648/j.ajtas.20160501.12 DOI: https://doi.org/10.11648/j.ajtas.20160501.12
23. Liu S, Xie Y, Fang H, Du H, Xu P. Trend test for hydrological and climatic time series considering the interaction of trend and autocorrelations. Water. 2022;14(19):3006.
https://doi.org/10.3390/w14193006 DOI: https://doi.org/10.3390/w14193006
24. Seoane Santos M, Henriques Abreu P, Wilk S, Santos J. How distance metrics influence missing data imputation with k-nearest neighbours. Pattern Recognit Lett. 2020;136:111-9.
https://doi.org/10.1016/j.patrec.2020.05.032 DOI: https://doi.org/10.1016/j.patrec.2020.05.032
25. Hernández Lalinde JD, Espinosa Castro F, Rodríguez JE, Chacón Rangel JG, Toloza Sierra CA, Arenas Torrado MK, et al. Sobre el uso adecuado del coeficiente de correlación de Pearson: definición, propiedades y suposiciones. Arch Venez Farmacol Ter. 2018;37(5).
https://www.revistaavft.com/images/revistas/2018/avft_5_2018/20sobre_uso_adecuado_coeficiente.pdf
26. Ayadi A, Truong TMD, Frydman C, Wemmert C. Explaining LSTM neural networks: a DEVS-based approach. In: Proceedings of the 6th European Modeling & Simulation Symposium, 21st International Multidisciplinary Modeling & Simulation Multiconference. 2024.
https://doi.org/10.46354/i3m.2024.emss.035 DOI: https://doi.org/10.46354/i3m.2024.emss.035
27. Waqas M, Wannasingha Humphries U. A critical review of RNN and LSTM variants in hydrological time series predictions. MethodsX. 2024;13:102946.
https://doi.org/10.1016/j.mex.2024.102946 DOI: https://doi.org/10.1016/j.mex.2024.102946
28. Arrieta Castro M, Donado Rodríguez A, Acuña GJ, Canales FA, Teegavarapu RSV, Kaźmierczak B. Analysis of streamflow variability and trends in the Meta River, Colombia. Water. 2020;12(5):1451. https://doi.org/10.3390/w12051451 DOI: https://doi.org/10.3390/w12051451
29. Umar DA, Ramli MF, Aris AZ, Jamil NR, Aderemi AA. Evidence of climate variability from rainfall and temperature fluctuations in semi arid region of the tropics. Atmos Res. 2019;224:52-64. https://doi.org/10.1016/j.atmosres.2019.03.023 DOI: https://doi.org/10.1016/j.atmosres.2019.03.023
30. De la Fuente LA, Ehsani MR, Gupta HV, Condon LE. Toward interpretable LSTM-based modeling of hydrological systems. Hydrol Earth Syst Sci. 2024;28:945-71. doi:10.5194/hess-28-945-2024 https://doi.org/10.5194/hess-28-945-2024 DOI: https://doi.org/10.5194/hess-28-945-2024
31. Li X, Xu W, Ren M, Jiang Y, Fu G. Hybrid CNN-LSTM models for river flow prediction. Water Supply. 2022;22(5):4902-11. https://doi.org/10.2166/ws.2022.170 DOI: https://doi.org/10.2166/ws.2022.170
32. Wilbrand K, Taormina R, ten Veldhuis M-C, Visser M, Hrachowitz M, Nuttall J, et al. Predicting streamflow with LSTM networks using global datasets. Front Water. 2023;5:1166124. https://doi.org/10.3389/frwa.2023.1166124 DOI: https://doi.org/10.3389/frwa.2023.1166124
33. Sahoo BB, Jha R, Singh A, et al. Long short-term memory (LSTM) recurrent neural network for low-flow hydrological time series forecasting. Acta Geophys. 2019;67:1471-81. https://doi.org/10.1007/s11600-019-00330-1 DOI: https://doi.org/10.1007/s11600-019-00330-1
34. Girihagama L, Khaliq MN, Lamontagne P, et al. Streamflow modelling and forecasting for Canadian watersheds using LSTM networks with attention mechanism. Neural Comput Appl. 2022;34:19995-20015. https://doi.org/10.1007/s00521-022-07523-8 DOI: https://doi.org/10.1007/s00521-022-07523-8
35. Bustamante CA, Naranjo JF, Ahumada JM. Determinación de la calidad ecológica del río Tuluá Valle del Cauca. Mutis. 2014:4(2):35-43. https://doi.org/10.21789/22561498.955 DOI: https://doi.org/10.21789/22561498.955
36. López, JP. El río como hilo conector: caso Tuluá, Valle del Cauca [Internet]. Sociedad-Espacio-Naturaleza; 2022. https://sociedadespacionaturaleza.wordpress.com/2021/09/03/el-rio-como-hilo-conector-caso-tulua-valle-del-cauca/
37. TechwithJulles. Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) - Creating an LSTM Model in Python Using TensorFlow and Keras [Internet]. 2024 Oct 12 [citado 2025 Dic 05 ]; Disponible en: https://medium.com/@techwithjulles/recurrent-neural-networks-rnns-and-long-short-term-memory-lstm-creating-an-lstm-model-in-13c88b7736e2
Downloads
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
Los autores ceden los derechos patrimoniales a la revista y a la Universidad del Valle sobre los manuscritos aceptados, pero podrán hacer los reusos que consideren pertinentes por motivos profesionales, educativos, académicos o científicos, de acuerdo con los términos de la licencia que otorga la revista a todos sus artículos.
Los artículos serán publicados bajo la licencia Creative Commons 4.0 BY-NC-SA (de atribución, no comercial, sin obras derivadas).