Resumen

Los fenómenos hidrológicos se caracterizan por la formación de un sistema dinámico no lineal, y los caudales no son ajenos a esta premisa. La asimilación de datos ofrece una alternativa para la previsión de caudales mediante el filtro Ensemble Kalman, dada su relativa facilidad de implementación y menor esfuerzo computacional en comparación con otras técnicas. El caudal horario de la estación Chapalagana se pronosticó con base en el de la estación Platanitos, en el noroeste de México. Los pronósticos se hicieron de uno a seis pasos hacia adelante, combinados con tamaños de conjuntos de 5, 10, 20, 30, 50 y 100 miembros. Los coeficientes de Nash-Sutcliffe del filtro Discrete Kalman fueron de 0,99 y 0,85 para los pasos uno y seis, respectivamente, logrando el mejor ajuste con una tendencia a desplazar la serie pronosticada, similar al pronóstico persistente. El filtro Ensemble Kalman (EnKF) obtuvo 0,99 y 0,05 en los pasos uno y seis. Sin embargo, converge a la serie observada con la limitación de una sobreestimación considerable en los pasos superiores. Los tres algoritmos tienen valores de ajuste estadístico iguales en el paso uno, y hay diferencias progresivas en pasos posteriores, donde ARX y DKF siguen siendo similares y EnKF se diferencia por la sobreestimación. EnKF permite captar la no linealidad en los cambios repentinos del caudal, pero genera una sobreestimación en los picos.

INTRODUCCIÓN

La variabilidad climática ha intensificado la incidencia de eventos extremos de precipitación que pueden generar cambios repentinos en el caudal de los ríos y provocar inundaciones y deslizamientos de tierra (IPCC, 2012). Contar con información anticipada sobre el comportamiento de los caudales se convierte en una herramienta indispensable para la administración de represas y la gestión del riesgo de desastres (IPCC, 2012; Singh y Zommers, 2014 ). Se han utilizado diferentes métodos para la predicción de caudales, como métodos autorregresivos, redes neuronales ( Box et al., 2016 ; Shmueli y Lichtendahl, 2016 ) y, más recientemente, métodos de asimilación de datos como los filtros de Kalman ( Abaza et al., 2015). ; Alvarado-Hernández et al., 2020 ; González-Leiva et al., 2015 ;Morales-Velázquez et al., 2014 ). En estudios hidrológicos, el filtro Ensemble Kalman (EnKF) ( Evensen, 1994 , 2009; Gillijns et al., 2006 ) ha sido ampliamente utilizado como método de asimilación ( Liu y Gupta, 2007 ; Maxwell et al., 2018 ; Sun et al., 2016 ), con poca evaluación en la previsión de flujos. EnKF es una extensión del filtro de Kalman discreto (DKF) ( Kalman, 1960 ) y una alternativa computacionalmente menos exigente al filtro de Kalman extendido (EKF) para el tratamiento de sistemas dinámicos no lineales ( Evensen, 1994 , 2003). Entre las aplicaciones de EnKF se encuentran la previsión de caudales en cuencas dominadas por el derretimiento de nieve y hielo ( Abazaet al., 2015 ), evapotranspiración ( Zou et al., 2017 ) y humedad del suelo ( Brandhorst et al., 2017 ; Meng et al., 2017 ). Además, se ha evaluado integrado con modelos hidrológicos distribuidos como TopNet, Hydrotel y MGB-IPH ( Abaza et al., 2015 ; Clark et al., 2008 ; Quiroz et al., 2019 ).

• Materias:Modelos de pronóstico Modelo autorregresivo Cuencas hidrográficas
• Subjects:Forecasting models Autoregressive model Watersheds
• Palabras claves:Filtro de Kalman de Conjuntos; Modelos autorregresivos; Pronósticos de caudales a corto plazo; Asimilación de datos
• Keywords:Set-Membership Kalman Filter; Autoregressive models; Short-term streamflow forecasts; Data assimilation