Grupo de Trabajo: Pronóstico Hidrológico de Inundaciones y Sequías

Miembros

Célleri Rolando, PhD
Profesor

Hidrometeorología, Ecohidrología

Orellana-Alvear Johanna, PhD
Investigadora Post-doctoral

Modelación Ambiental con Inteligencia Artificial, Hidrología de Radar

Muñoz Paúl, PhD(c)
Investigador doctoral

Hidrometeorología, Remote Sensing, Hidroinformática

Gabriela Urgilés, MSc
Investigadora

Hidrometeorología

Contreras Pablo, Ing
Investigador asistente

Hidroinformática

¿Qué hacemos?

Desarrollo de modelos de pronóstico a corto plazo de inundaciones y sequías para varias cuencas hidrográficas del Ecuador.

Las inundaciones y sequías están entre los fenómenos naturales más comunes a nivel mundial. Estos fenómenos producen impactos negativos significativos en la sociedad, la economía y los ecosistemas. Aún más grave, se espera que la frecuencia y severidad de estos eventos hidrológicos extremos se incremente debido a la alteración del uso del suelo y el cambio climático. Como medida de mitigación global, y durante las pasadas décadas, ha emergido la investigación en temas de inundaciones y sequías con el objetivo de incentivar un correcto manejo de los recursos hídricos y permitir la evaluación de los riesgos asociados. Sin embargo, el pronóstico de eventos hidrológicos extremos en zonas de montaña es un gran desafío considerando que no se dispone de información adicional a datos de precipitación y caudal.

Fuente: ECU911,2021. Fuente:eltelegrafo.com, 2016.

¿Datos escasos, cómo abordamos el problema?

La mayoría de sistemas de pronóstico hidrológico requieren de una gran cantidad de datos y variables relacionadas a los procesos que generan el caudal. Sin embargo, disponer de esta información es muy difícil debido a los costos que implica o también debido a la dificultad para obtenerla en zonas muy remotas. La región de los Andes Tropicales en Sudamérica es un claro ejemplo de este panorama de escasez de información. 

No obstante, en la actualidad existen métodos que son capaces de trabajar con conjuntos de datos reducidos o por otra parte, hacer uso de datos globales abiertos (e.g., satélites). Los avances en tecnología han permitido pensar en los datos como una forma de extraer conocimiento y en este sentido hacer uso de ellos para identificar patrones sin necesidad de conocer su interacción en el mundo físico. A este proceso de aprender únicamente a partir de los datos  se le llama aprendizaje automático. 

Por lo tanto, esta nueva manera de aprovechar los datos (incluso si son pocos) nos ha permitido obtener nuevas y más eficaces soluciones para el pronóstico de caudales y evitar así la dependencia de grandes volúmenes de datos.

¿Diversas fuentes de datos, cómo aprovechar lo disponible en cada sitio?

Existen varios escenarios relacionados al tipo de datos disponibles para realizar pronóstico de caudales. Hemos comprobado que estos métodos basados en aprender desde los datos son capaces de aprovechar eficientemente diversas fuentes de datos de precipitación como pluviómetros (Muñoz et al., 2018), radar de precipitación (Orellana-Alvear et al., 2020) o incluso datos satelitales de precipitación. Esto demuestra la versatilidad de este enfoque para dar soluciones a la generación de pronóstico de caudales.

Por ejemplo, tenemos actualmente operando un sistema que usa datos de satélite para efectuar los pronósticos de caudal en la cuenca del Jubones. Esta es una zona que actualmente no cuenta con monitoreo en tierra (e.g., registros de lluvia mediante pluviómetros) y por lo tanto la solución fue usar datos que se capturan desde un sensor remoto en el espacio. Otro caso ha sido el desarrollo de un sistema en la cuenca del Tomebamba donde existen datos de precipitación registrados en tierra (e.g., pluviómetros ). Este sistema se encuentra listo para ser implementado en tiempo real y apoyar la toma de decisiones.

Nuestro sistema se adapta a las condiciones específicas de disponibilidad y fuentes de datos de precipitación en el sitio de interés proporcionando soluciones eficaces y robustas para el pronóstico de caudales.

Caso de estudio: Pronóstico de inundaciones para el río Tomebamba, Cuenca.

Cuenca del río Tomebamba cerrada en Matadero-Sayausí. Extraído de Muñoz et al., 2018.

En este estudio (Muñoz et al., 2018), desarrollamos una metodología pionera para generar modelos de pronóstico de inundaciones con tiempos de antelación de 4, 8, 12 y 24 horas. La metodología consiste en explotar datos de precipitación (pluviógrafos) y de caudal disponibles en la cuenca hidrográfica del Tomebamba. Una de las ventajas de la metodología desarrollada es que puede ser aplicada aún para los casos en los que esta información sea limitada, ya sea por pocos pluviógrafos o pocos años de datos. Esto se debe al uso combinado de herramientas estadísticas y de conceptos de Inteligencia Artificial.
Al aplicar la metodología en la cuenca del río Tomebamba encontramos los mejores resultados para pronósticos de inundaciones con 4 horas de antelación (métrica Nash-Sutcliffe=0.76). Es decir, los modelos que desarrollamos permiten a tomadores de decisiones anticipar un evento de inundación con 4 horas antes de que suceda, lo cual les brinda la posibilidad de salvaguardar vidas e infraestructura de distinta índole. Para pronósticos de 8, 12 y 24 horas, las eficiencias de los resultados son inferiores pero se pueden incrementar con la adición de nueva información de lluvia o caudal en la cuenca. Es decir, los modelos serán cada vez mejores conforme se incremente la información usada para aplicar la metodología descrita. Finalmente, los modelos desarrollados pueden implementarse para operar y entregar pronósticos de inundaciones para el río Tomebamba a tiempo real.

Caso de estudio: Pronóstico de alertas de inundación para el río Tomebamba, Cuenca.

Cuenca del río Tomebamba cerrada en Matadero-Sayausí. Extraído de Muñoz et. al, 2021a.

En este estudio (Muñoz et. al, 2021a), aplicamos la metodología desarrollada en el caso de estudio anterior para desarrollar modelos de pronóstico de alertas de inundaciones con tiempos de antelación de 1, 4, 6, 8 y 12 horas. La ventaja de pronosticar alertas tales como Pre-Alerta y Alerta de inundación es que se facilita la comunicación entre personal técnico y personal no técnico (tomadores de decisiones y el público en general). De esta manera, por ejemplo, al pronosticar e informar que en 4 otras se avecina una Alerta de inundación se mejore el tiempo de respuesta enfocado en incrementar la resiliencia ante eventos de inundación.

La importancia de este estudio es que se explotaron los datos disponibles de precipitación caudal de la cuenca, y evaluamos distintas técnicas disponibles para producir pronósticos de Pre-Alerta y Alerta de inundación (definidos por ETAPA-EP) . En este estudio encontramos que la técnica que entregó mejores pronósticos fue la basada en redes neuronales, con eficiencias de acuerdo a la métrica Nash-Sutcliffe desde 0.82 hasta 0.46, para pronósticos desde 1 hasta 12 horas, respectivamente. Cabe mencionar que las eficiencias de los modelos generados se pueden incrementar con la adición de datos de lluvia o caudal en la cuenca. Es decir, los modelos serán cada vez mejores conforme se incremente la información usada para aplicar la metodología descrita. Finalmente, los modelos desarrollados pueden implementarse para operar y entregar pronósticos de inundaciones para el río Tomebamba a tiempo real.

Precipitación y caudal horario en la cuenca del río Tomebamba. Extraído de Muñoz et. al, 2021a.

Caso de estudio: Pronóstico de inundaciones y sequías para los ríos Tomebamba y Yanuncay, Cuenca.

En este estudio exploratorio (Muñoz et. al, 2021b), desarrollamos una metodología para generar modelos de pronóstico de inundaciones y sequías con tiempos de antelación de 4, 8, 12 y 24 horas para los ríos Tomebamba y Yanuncay. La metodología consiste en explotar datos de precipitación (pluviógrafos) y de caudal disponibles en las cuencas hidrográficas de estudio. El potencial de la metodología desarrollada es que puede ser aplicada aún para los casos en los que esta información sea limitada, ya sea por pocos pluviógrafos o pocos años de datos. Esto se debe al uso combinado de herramientas estadísticas y de conceptos de Inteligencia Artificial.

En este estudio, encontramos mejores resultados para el pronóstico de sequías antes que inundaciones. Las eficiencias de los pronósticos de inundaciones y sequías varían de acuerdo a la métrica de Nash-Sutcliffe entre 0.86 y 0.55, para pronósticos desde 4 hasta 24 horas, respectivamente. Además, demostramos que los modelos generados para una cuenca pueden se usados en cuencas con características físicas y climatología similares en la región. Esto abre la puerta para desarrollar modelos de pronóstico de inundaciones y sequías en cuencas aledañas como el Machángara, Tarqui, etc. Este estudio tiene por objetivo adicional asistir a autoridades en el manejo de inundaciones y sequías, y permitirles evaluar los riesgos asociados para poder establecer la base sobre la cual desarrollar planes de acción integrales teniendo en cuenta perspectivas locales y regionales.

Cuenca del río Tomebamba cerrada en Matadero-Sayausí. Extraído de Muñoz et. al, 2021b.

Caso aplicado a toma de decisiones: Sistema de pronóstico hidrológico Minas-San Francisco

Nuestro sistema de pronóstico hidrológico para la hidroeléctrica Minas – San Francisco se encuentra operando 24/7 de manera autónoma hasta la fecha. La estrecha colaboración de CELEC-Sur (ex-Enerjubones) ha hecho posible identificar a detalle los requerimientos desde la toma de decisiones y así construir desde una alianza academia-estado, una solución que apoya la actividad de la hidroeléctrica.

Este sistema provee de pronóstico de caudales de entrada al embalse desde 4 hasta 16 horas de anticipación. El sistema se diseñó de manera modular, lo cual permitió el desarrollo de los componentes de manera individual. Estos se definieron como: (i) Adquisición de datos de satélite y caudales; (ii) Modelo basado en datos (random forest) para pronóstico y; (iii) entrega de resultados a los usuarios finales.

La figura ilustra el flujo de datos, conexiones de los diferentes módulos y la secuencia completa de la ejecución del sistema. Cada uno de los módulos se construyó considerando particularidades respecto a la fuente de acceso de descarga de datos, pre-procesamiento en tiempo real, activación automática cronometrada para la ejecución del modelo y finalmente la entrega de pronósticos a los usuarios finales mediante correo electrónico.

Proyectos finalizados y en ejecución:

  • 2019/10 – 2021/10 Desarrollo de un sistema de pronóstico hidrológico para la central Minas-San Francisco. Universidad de Cuenca – CELEC-Sur (ex-Enerjubones)
  • 2018/05 – presente Desarrollo de modelos para pronóstico hidrológico a partir de datos de radar meteorológico en cuencas de montaña. Universidad de Cuenca.
  • 2013/10 – 2017/06 Identificación de los factores hidrometeorológicos que desencadenan crecidas a partir de la información suministrada por un radar de precipitación. Universidad de Cuenca – ETAPA EP
  • 2010/06 – 2011/05 Gestión de Datos y Modelación Hidrológica para el soporte a la alerta temprana del sistema Paute Integral. Universidad de Cuenca – Hidropaute

Lista de publicaciones indexadas afines:

Presencia en congresos nacionales e internacionales:

  • 2021/05 Muñoz, P., Muñoz, D. F., Orellana-Alvear, J., Moftakhari, H., Moradkhani, H., & Célleri, R. (2021). Long Short-Term Memory Networks for Real-Time Runoff Forecasting using Remotely Sensed Data (No. EGU21-13900). Copernicus Meetings.
  • 2021/03 Orellana-Alvear, J., Célleri, R., Rollenbeck, R., Muñoz, P., Contreras, P. Bendix, J. Water Security and Climate Change (virtual). Hanoi, Vietnam. 01-04 marzo de 2021. Active remote sensing in the high Andes: New alternatives of exploiting radar rainfall data for water management applications by using a machine learning approach
  • 2021/03 Muñoz, P., Orellana-Alvear, and Célleri, R. Water Security and Climate Change (virtual). Hanoi, Vietnam. 01-04 marzo de 2021. Remote Sensing and Machine Learning for Real-Time Runoff Forecasting in Large Complex Mountainous Basins – Application to Hydropower Optimization.
  • 2020/04 Muñoz, P., Orellana-Alvear, J., Bendix, J., Célleri, R. Comparison of Machine Learning Techniques Powering Flood Early Warning Systems. Application to a catchment located in the Tropical Andes of Ecuador. In EGU General Assembly Conference Abstracts (p. 4243).
  • 2019/05 Muñoz, P., Orellana-Alvear, J., Willems, P., Célleri, R. Short-term Extreme Flow Forecasting in an Tropical Andean Mountain Catchment—Development of a Step-Wise Methodology Based on the Random Forest Algorithm. In Geophysical Research Abstracts (Vol. 21).

Personal de las instituciones:

  • Ing. Mario Guallpa, MSc. (ETAPA)
  • Ing. Julio Fiallos, Mgt. (CELEC-Enerjubones)

En cooperación con:

No se admiten más comentarios