Aplicación del aprendizaje profundo para la predicción de caudal frente a escenarios de inundación del río Arga
| dc.contributor.advisorTFE | Bustince Sola, Humberto | |
| dc.contributor.affiliation | Escuela Técnica Superior de Ingeniería Agronómica y Biociencias | es_ES |
| dc.contributor.affiliation | Nekazaritzako Ingeniaritzako eta Biozientzietako Goi Mailako Eskola Teknikoa | eu |
| dc.contributor.author | Moreno Lasa, Ismael | |
| dc.coverage.spatial | east=-1.6435; north=42.8173; name=Navarra, España | |
| dc.date.accessioned | 2023-10-18T16:35:25Z | |
| dc.date.available | 2023-10-18T16:35:25Z | |
| dc.date.issued | 2023 | |
| dc.date.updated | 2023-10-17T09:03:38Z | |
| dc.description.abstract | La modelización del caudal en cuencas hidrográficas de rápido flujo es un problema altamente complejo en el que los modelos hidrológicos comúnmente utilizados a menudo tienen limitaciones. La existencia de una predicción que permita una alerta temprana de inundaciones es vital para minimizar los daños a la propiedad y la infraestructura, y reducir los riesgos potenciales para las personas. Las técnicas de aprendizaje automático tienen el potencial de superar algunas de las limitaciones de los modelos hidrológicos tradicionales al utilizar conjuntos de datos grandes para aprender las relaciones entre diferentes variables hidrológicas, lo que permite realizar predicciones más precisas del caudal en cuencas de flujo rápido. El objetivo de este trabajo ha sido aplicar redes neuronales de Memoria a Corto y Largo Plazo (LSTM, por sus siglas en inglés) para la predicción de caudal en la cuenca del río Arga. Las redes LSTM son un tipo de Redes Neuronales Recurrentes (RNN) que son especialmente adecuadas para tareas de predicción en series temporales. Estas redes tienen células de memoria que les permiten recordar patrones en los datos a lo largo de un período de tiempo más largo, lo que las hace efectivas para capturar las dependencias temporales presentes en los datos de caudal. El uso de este tipo de redes permite superar algunas de las limitaciones típicas de los modelos hidrológicos tradicionales. Al utilizar redes LSTM, mostramos que el modelo es capaz de capturar la compleja dinámica temporal de los datos de caudal y realizar predicciones precisas a corto plazo, incluso para escenarios de alto flujo, con varias horas de anticipación. Los resultados demuestran que el uso de estas redes para la predicción del caudal en la cuenca del río Arga es un enfoque prometedor, especialmente para predicciones a corto plazo, con anticipación de horas. El uso de enfoques de aprendizaje automático puede desbloquear un nuevo potencial en la predicción y gestión de los recursos hídricos en el área, así como en la evaluación de riesgos y sistemas de alerta temprana para inundaciones. | es_ES |
| dc.description.abstract | Modeling streamflow in fast-flowing watersheds is a highly complex problem where commonly used hydrological models often have limitations. The existence of a prediction that allows for early warning of floods is vital for minimizing damage to property and infrastructure and reducing potential risks to people. Machine learning techniques have the potential to overcome some of the limitations of traditional hydrological models by using large datasets to learn the relationships between different hydrological variables, making it possible to make more accurate predictions of streamflow in fast-flow basins. In this work, Long Short-term Memory (LSTM) neural networks are tested to predict streamflow in the Arga river’s basin. LSTM networks are a type of Recurrent Neural Network (RNN) that are particularly well-suited for time-series prediction tasks. These networks have memory cells that allow them to remember patterns in the data over a longer period of time, making them effective at capturing the temporal dependencies present in the streamflow data. The use of this types of networks allows the potential to overcome some of the typical limitations of traditional hydrological models. By using LSTM networks, we show that the model is able to capture the complex temporal dynamics of the streamflow data and make short-term, hours ahead, accurate predictions even for high flow scenarios. The results demonstrate that the use of LSTM networks for streamflow prediction in the Arga river basin is a promising approach, particularly for short-term predictions. The usage of machine learning approaches may unlock new potential in the forecasting and management of water resources in the area, as well as in risk assessment and early warning systems for floods. | en |
| dc.description.degree | Graduado o Graduada en Ciencia de Datos por la Universidad Pública de Navarra | es_ES |
| dc.description.degree | Datu Zientzietan Graduatua Nafarroako Unibertsitate Publikoan | eu |
| dc.format.mimetype | application/pdf | en |
| dc.identifier.uri | https://academica-e.unavarra.es/handle/2454/46538 | |
| dc.language.iso | spa | en |
| dc.rights.accessRights | info:eu-repo/semantics/openAccess | |
| dc.subject | Modelización de caudal | es_ES |
| dc.subject | Cuencas hidrográficas | es_ES |
| dc.subject | Modelos hidrológicos | es_ES |
| dc.subject | Predicción de caudal | es_ES |
| dc.subject | Aprendizaje automático | es_ES |
| dc.subject | Aprendizaje profundo | es_ES |
| dc.subject | Redes neuronales | es_ES |
| dc.subject | LSTM | es_ES |
| dc.subject | Red neuronal recurrente (RNN) | es_ES |
| dc.subject | Series temporales | es_ES |
| dc.subject | Alerta temprana | es_ES |
| dc.subject | Flow modeling | es_ES |
| dc.subject | Hydrographic basins | en |
| dc.subject | Hydrological models | en |
| dc.subject | Flood prediction | en |
| dc.subject | Machine learning | en |
| dc.subject | Deep learning | en |
| dc.subject | Neural networks | en |
| dc.subject | Long Short-term Memory (LSTM) | en |
| dc.subject | Recurrent Neural Network (RNN) | en |
| dc.subject | Time series | en |
| dc.subject | Early warning | en |
| dc.title | Aplicación del aprendizaje profundo para la predicción de caudal frente a escenarios de inundación del río Arga | es_ES |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
| dspace.entity.type | Publication | |
| relation.isAdvisorTFEOfPublication | 1bdd7a0e-704f-48e5-8d27-4486444f82c9 | |
| relation.isAdvisorTFEOfPublication.latestForDiscovery | 1bdd7a0e-704f-48e5-8d27-4486444f82c9 |