Desarrollo de metodologías para desagregar, cuantificar y reducir la incertidumbre en las predicciones de cuencas sin aforos (PUBs)
Development of methodologies to disaggregate, quantify and reduce the uncertainty in predictions in ungauged basins (PUBs)
Ver/ Abrir
Identificadores
URI: http://hdl.handle.net/10902/11374Registro completo
Mostrar el registro completo DCAutoría
Prieto Sierra, CristinaFecha
2017-06-05Derechos
Atribución-NoComercial-SinDerivadas 3.0 España
Palabras clave
Incertidumbre
Bayes
Predicción en cuencas sin aforos
Índices hidrológicos
Regionalización
Inferencia simultánea
Contrastes de hipótesis
Procesos dominantes
Selección de modelos
Uncertainty
Prediction in ungauged basins
Hydrological indices
Regionalization
Simultaneous inference
Hypothesis testing
Dominant processes
Model selection
Resumen/Abstract
RESUMEN: El objetivo general de esta tesis es avanzar las capacidades de predecir caudales en cuencas sin aforos, desarrollando metodologías para identificar, cuantificar y reducir la incertidumbre asociada a las distintas fuentes de error que intervienen.
Esta tesis supone un paso adelante en algunos de los retos principales del modelado hidrológico y se centra en el problema del ‘enfoque único’ para predicción en cuencas sin aforos: Primero, se incorporan en el procedimiento de regionalización los nuevos desarrollos en selección de índices hidrológicos (basados en análisis de componentes principales) y métodos de regionalización (bosques aleatorios); y la información regionalizada se emplea para condicionar las predicciones hidrológicas mediante una aproximación bayesiana. Segundo, se proponen dos métricas para evaluar la aptitud y adecuación de un modelo y procedimiento de regionalización seleccionados, en base a i) la capacidad de que el modelo y/o el procedimiento de regionalización reproduzcan el comportamiento hidrológico con alta probabilidad y ii) el conocimiento ganado al incorporar el modelo y/o la regionalización en las predicciones hidrológicas. Tercero, se propone un nuevo test para identificar los mecanismos hidrológicos que dominan el comportamiento de las cuencas, a partir de la información regionalizada, empleando una aproximación bayesiana. Dichos mecanismos dominantes definen la estructura mínima que ha de tener un modelo hidrológico (por tanto, han de ser incluidos en su estructura).
Los desarrollos metodológicos se demuestran para el caso práctico de predecir los caudales en las cuencas del norte de España. Los resultados muestran que la calidad de las predicciones es sensible al error del modelo (o conjunto de modelos), la calidad de la información regionalizada, y el contenido de información disponible.
ABSTRACT: The overall objective of this thesis is to advance flow prediction capabilities for ungauged basins by developing methodologies for identifying, quantifying, and reducing the uncertainty associated with the various related sources of error.
This thesis moves towards overcoming some of the major problems in hydrological modelling and focuses in the ‘one size fits all’ problem for predictions in ungagued basins: First, new developments in selection of hydrological indices (based on Principal Components Analysis) and regression methods (Random Forests) are incorporated into the hydrological regionalization procedure that provides information constraints in a Bayesian approach. Second, two metrics are proposed to assess the suitability and adequacy of a selected model and a regionalization procedure. The suitability metrics evaluate if a selected model or a selected regionalization procedure reproduce available hydrological information for an ungauged basin. The adequacy metrics evaluate gains in knowledge from considering a selected model, or considering a selected regionalization method. Third, dominant hydrological mechanisms (to be included into a model) are identified using the regionalized information via Bayesian approach.
The methodological developments are applied to basins in northern Spain with varied hydroclimatological regimes. The results show that prediction quality is sensitive to model (or ensemble) error, quality of regionalized information, and available information content.
Colecciones a las que pertenece
- D05 Tesis [105]