Modelación predictiva y probabilístico con deep learning para la gestión y resiliencia hídrica en cuencas pobremente aforadas

Catalini, Carlos Gastón dir. ORCID: https://orcid.org/0000-0002-7453-8378 (2026) Modelación predictiva y probabilístico con deep learning para la gestión y resiliencia hídrica en cuencas pobremente aforadas. [Proyecto de investigación]

El texto completo no está disponible en este repositorio.

Resumen

La gestión de recursos hídricos en regiones semiáridas enfrenta un desafío estructural: la escasez y fragmentación de datos hidrométricos. Esta condición de "cuencas pobremente aforadas" limita severamente la calibración de modelos hidrológicos tradicionales y, por ende, la estimación confiable de variables de diseño y la evaluación del riesgo hídrico, una problemática exacerbada por la variabilidad climática. Este proyecto, liderado por el grupo consolidado EHCPA, propone una evolución metodológica significativa sobre trabajos previos, desarrollando un marco de modelado predictivo y probabilístico basado en arquitecturas avanzadas de Deep Learning (IA). La hipótesis central es que las redes neuronales, como LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Unit), pueden capturar las dependencias temporales no lineales del ciclo hidrológico con mayor eficacia que los modelos feed forward, reduciendo el sobreajuste y permitiendo una cuantificación robusta de la incertidumbre. El objetivo general es desarrollar y validar este marco para la estimación del Índice Estandarizado de Volúmenes, generando herramientas aplicables al diseño hidrológico, la evaluación de la resiliencia de la infraestructura y la gestión adaptativa del agua. Metodológicamente, el proyecto se fundamenta en un enfoque interdisciplinario, integrando una base de datos heterogénea que incluye registros operativos, datos satelitales e índices climáticos. Se planea incorpora predictores físicos y biogeoquímicos provenientes de la Hidrogeología y la Limnología. Esta integración dota a los modelos de IA de una base física que los índices climáticos por sí solos no proveen. El desarrollo incluirá un ajuste sistemático de hiperparámetros (Keras Tuner) y una validación rigurosa mediante validación cruzada temporal y bootstrap. La incertidumbre se propagará mediante simulaciones de Monte Carlo para generar pronósticos probabilísticos. Finalmente, el proyecto adopta un enfoque transdisciplinario en su aplicación. Los resultados no se limitarán a publicaciones académicas, sino que se materializarán en herramientas operativas co-creadas con actores clave (ej. APRHI). El entregable principal será un prototipo de dashboard interactivo, con un enfoque STEAM, concebido como un "objeto puente" que traduce la complejidad científica de los modelos probabilísticos en información visual, intuitiva y accionable para la toma de decisiones, fortaleciendo así la seguridad hídrica regional.

Tipo de documento:	Proyecto
Palabras clave:	Modelación Hidrológica. Aprendizaje Profundo. Resiliencia Hídrica.
Temas:	T Tecnología > TC Ingeniería hidráulica. ingeniería de Mar
Unidad académica:	Universidad Católica de Córdoba > Facultad de Ciencias de la Salud Universidad Católica de Córdoba > Facultad de Ingeniería
Google Académico:	Ver citaciones
URI:	http://pa.bibdigital.ucc.edu.ar/id/eprint/5192

Editar ítem