Aprendizaje profundo guiado por la teoría para mejorar la predicción y la comprensión de las inundaciones repentinas

Abstract

La modelización lluvia-escorrentía es fundamental en hidrología para predecir el caudal, lo que influye en la gestión sostenible del agua y la mitigación de inundaciones. Los modelos tradicionales enfrentan limitaciones en la captura de la complejidad hidrológica, especialmente en cuencas húmedas y torrenciales como las del País Vasco. Esta tesis explora el uso de redes neuronales profundas, particularmente LSTM, optimizando sus hiperparámetros para mejorar la predicción regional del caudal. Se examinan estrategias de búsqueda aleatoria y aprendizaje en conjunto para mejorar el rendimiento y la interpretabilidad de los modelos. Los resultados muestran que la optimización sistemática y el uso de ensambles personalizados aumentan la precisión predictiva. Este trabajo contribuye a la aplicación efectiva de la IA en hidrología, proporcionando un marco robusto para mejorar la modelización hidrológica regional y la toma de decisiones en la gestión de recursos hídricos.

Rainfall-runoff modeling is essential in hydrology for predicting streamflow and water levels, influencing sustainable water management and flood mitigation. Traditional models struggle to capture hydrological complexity, particularly in humid, flashy catchments like those in the Basque Country. This thesis explores deep learning models, specifically LSTMs, optimizing their hyperparameters to enhance regional hourly streamflow prediction. Ensemble learning and Random search strategies are examined to improve model performance and interpretability. Results demonstrate that systematic optimization and catchment-wise ensemble configurations significantly enhance predictive accuracy. This work contributes to the effective application of AI in hydrology, providing a robust framework to improve regional hydrological modeling and support decision-making in water resources management.