Resumen de Pronóstico de alturas en cursos de llanura mediante el uso de un modelo de caja negra

Carlos Scuderi, Gerardo Riccardi, Erik Zimmermann

• español

  Las inundaciones son el desastre más frecuente en nuestro país, produciendo la mayor cantidad de afectados y daños materiales a la infraestructura y a la propiedad. En este trabajo se presenta un tipo de modelo de caja negra denominado de redes funcionales, usado para pronóstico de alturas en cursos de llanura, aplicado en cuencas del Gran Rosario. Las variables de entrada son precipitación y nivel vinculado a un tiempo t 0 , mientras que la salida está dada por niveles pronosticados para diferentes horizontes temporales t pi . A partir de los eventos observados, en promedio 10 por limnímetro, se calculan todas las combinaciones para constituir dos grupos: aprendizaje y validación. La evaluación de los modelos se efectúa por medio de distintos estadísticos, entre ellos: diferencia máxima relativa y absoluta en el nivel pico, coeficiente de eficiencia de Nash-Sutcliffe, raíz del error cuadrático medio y coeficientes de la recta de regresión. Para los resultados presentados en este trabajo se alcanzaron valores medios en la diferencia en el nivel pico para 6 horas de pronóstico de 0.27 m en aprendizaje y de 0.33 m en validación. La potencialidad del modelo es que puede ser aplicado en cualquier cuenca con datos de precipitación y niveles.

• English

  Floods are the most common disaster in our country, producing the largest number of affected and damaging infrastructure and private property. In this paper, a black box model called functional networks is presented. This model was used to forecast water levels in flatland courses and was applied in the Gran Rosario basins. The input variables are rainfall and water level linked to a time t0, while the output is given by predicted wa-ter levels associated with different time horizons tpi. From the observed events, on average 10 for each gage, all combinations are calculated to form two groups: learning and validation. Model evaluation is done through various statistical index, including: relative and absolute maximum difference in peak level, coeffi-cient of efficiency of Nash-Sutcliffe, root mean square error and coefficients of the regression line. For the results presented in this paper mean values in difference peak level for 6 hours forecasting was 0.27 m in learning and 0.33 m in validation. The potential of the model is that it can be applied in any basin with pre-cipitation data and levels.