Modelo de redes funcionales orientado a pronóstico de crecidas en cursos de llanura del Gran Rosario, Santa Fe, Argentina

Abstract

Se presentan diferentes modelos de redes funcionales orientados a pronóstico de niveles, que fueron aplicados en cuencas del Gran Rosario. Las variables de entrada son precipitación y nivel vinculado a un tiempo t0, mientras que la salida está dada por niveles asociados a diferentes horizontes temporales tpi. A partir de los eventos observados, en promedio 10 tormentas sobre 15 estaciones limnimétricas, se calculan las combinaciones posibles para constituir dos grupos: uno para aprendizaje y otro para validación de la red. La evaluación de los modelos se efectúa por medio de distintos estadísticos, entre ellos: diferencia máxima en el nivel pico (Dpico), coeficiente de eficiencia de Nash-Sutcliffe (NS) y raíz del error cuadrático medio (RECM). Para los cuatro limnímetros presentados en este trabajo el valor de Dpico varía entre 0,04 m y 1,07 m, el de NS varía entre 0,99 y 0,75 y el de RECM fluctúa entre 0,03 m y 0,32 m, para tiempos de pronóstico desde 15 minutos hasta 6 horas respectivamente. Este tipo de modelos puede ser implementado en cualquier cuenca que posea datos de precipitación y niveles. Los resultados obtenidos hasta el presente son favorables, demostrando la capacidad de “aprendizaje” y simulación de eventos de estos modelos.Different models of functional networks oriented to forecasting water levels, which were applied in watersheds of Gran Rosario are presented. The input variables are rainfall and water level linked to a time t0 , while the output is given by water levels associated with different time horizons tpi. From the observed events, an average of 10 storms over 15 gauge stations, the possible combinations are calculated to form two groups: one for learning and one for network validation. The evaluation of the models was carried out using different statistics, including: maximum difference in peak water level (Dpico), coefficient of efficiency Nash-Sutcliffe (NS) and root mean square error (RECM). For the four gauges presented here Dpico value varies between 0,04 m and 1,07 m, the NS varies between 0,99 and 0,75 and the RECM fluctuates between 0,03 m and 0,32 m, for forecasting time from 15 minutes to 6 hours respectively. Such models can be implemented in any basin that has rainfall and water levels data. The results obtained to date are auspicious, showing the ability of "learning" and event simulation of these models.