Análisis de la dependencia espacio-temporal de la aportación en ríos mediante modelización causal

[ES] Es evidente como la alteración de los patrones espacio-temporales de los eventos meteorológicos y climáticos influye en los procesos hidrológicos; incrementando su incertidumbre, dificultando su predicción, y provocando una mayor presión sobre los recursos hídricos. A su vez, esta realidad supone un escenario complejo para la sostenibilidad y disponibilidad de los recursos hídricos, y en especial de los superficiales. Sin embargo, ofrece un reto científico para el desarrollo de nuevos enfoques que permitan aumentar la resiliencia hídrica de un territorio, basados en el conocimiento. Por otro lado, la aplicación del paradigma de la Inteligencia Artificial al ámbito hidrológico ha supuesto un punto de inflexión a la hora de abordar el análisis "profundo" de la información, dando lugar a avances significativos en la causalidad, la inferencia causal a partir de datos observacionales y la cuantificación de la incertidumbre. En las últimas décadas, son reseñables las innovaciones en este campo sobre modelos gráficos, lo que ha provocado que éstos hayan ganado notoriedad entre la comunidad científica. Esto se debe a su formalismo intuitivo, que permite modelar estructuras de datos mediante un conjunto de nodos y aristas que definen una red. De entre estos modelos, destacan las redes neuronales, con un amplio y diverso espectro de enfoques metodológicos, y las redes bayesianas. Sin embargo, éstas últimas han recibido mucha menor atención, especialmente en su aplicación al descubrimiento de estructuras causales en series temporales; si bien, presentan características de interés para abordar este desafío. Principalmente, las redes bayesianas destacan por su capacidad para abordar problemas de razonamiento plausible; la posibilidad de incorporar el conocimiento experto en el proceso, además de la inferencia y el razonamiento omnidireccional (dinamismo) ante cualquier evidencia sobre la red, total o parcial. Las características distintivas de las redes bayesianas, junto con el reto de descubrir estructuras causales en series temporales hidrológicas, han inspirado esta Tesis Doctoral desde la perspectiva de la modelización causal (Causalidad Bayesiana). Esta novedosa área de investigación hidrológica, implementada mediante redes bayesianas, se basa en el Razonamiento Causal como metodología de análisis centrada en la causa, y cuyo objetivo es predecir su efecto o consecuencia. Para este fin, se ha diseñado un innovador marco metodológico que ha permitido evaluar su potencial para mejorar el conocimiento espacio-temporal de los recursos hídricos superficiales, y su aplicación a la predicción hidrológica. A su vez, este marco ha permitido descubrir la estructura lógica causal temporal, y/o espacio-temporal que caracteriza la respuesta hidrológica de una o varias cuencas. Dicha estructura, latente en los registros temporales hidrológicos, define el comportamiento de los recursos hídricos superficiales, y hasta ahora no había sido investigada suficientemente, a pesar del potencial que este enfoque supone. Asimismo, la modelización causal bayesiana ha permitido identificar interacciones espacio-temporales claves a partir de la señal de dependencia presente en los registros históricos hidrológicos. Interacciones, incluso débiles, que se han puesto de manifiesto en el caso de cuencas con un comportamiento temporal esencialmente independiente, y un limitado número de registros; condiciones bajo las que también se ha evaluado su capacidad de predicción. Asimismo, ha sido posible optimizar los factores claves implicados en el proceso de aprendizaje-entrenamiento de los modelos causales bayesianos, como son el número de series sintéticas y los intervalos de las distribuciones discretas de probabilidad de los datos sintéticos. En resumen, la modelización causal, a partir de series de aportaciones, ha demostrado ser un enfoque eficiente y robusto para su aplicación al análisis y predicción de procesos naturales complejos como los hidrológicos.

[CA] És evident com l'alteració dels patrons espaciotemporals dels esdeveniments meteorològics i climàtics influïx en els processos hidrològics; incrementant la seua incertesa, dificultant la seua predicció, i provocant una major pressió sobre els recursos hídrics. Al seu torn, esta realitat suposa un escenari complex per a la sostenibilitat i disponibilitat dels recursos hídrics, i especialment dels superficials. No obstant això, oferix un repte científic per al desenrotllament de nous enfocaments que permeten augmentar la resiliència hídrica d'un territori, basats en el coneixement. D'altra banda, l'aplicació del paradigma de la Intel·ligència Artificial a l'àmbit hidrològic ha suposat un punt d'inflexió a l'hora d'abordar l'anàlisi "profunda" de la informació, donant lloc a avanços significatius en la causalitat, la inferència causal a partir de dades observacionals i la quantificació de la incertesa. En les últimes dècades, són ressenyables les innovacions en este camp sobre models gràfics, la qual cosa ha provocat que estos hagen guanyat notorietat entre la comunitat científica. Això es deu al seu formalisme intuïtiu, que permet modelar estructures de dades mitjançant un conjunt de nodes i arestes que definixen una xarxa. D'entre estos models, destaquen les xarxes neuronals, amb un ampli i divers espectre d'enfocaments metodològics, i les xarxes bayesianes. No obstant això, estes últimes han rebut molta menor atenció, especialment en la seua aplicació al descobriment d'estructures causals en sèries temporals; si bé, presenten característiques d'interés per a abordar este desafiament. Principalment, les xarxes bayesianes destaquen per la seua capacitat per a abordar problemes de raonament plausible; la possibilitat d'incorporar el coneixement expert en el procés, a més de la inferència i el raonament omnidireccional (dinamisme) davant qualsevol evidència sobre la xarxa, total o parcial. Les característiques distintives de les xarxes bayesianes, juntament amb el repte de descobrir estructures causals en sèries temporals hidrològiques, han inspirat esta Tesi Doctoral des de la perspectiva de la modelització causal (Causalitat Bayesiana). Esta nova àrea d'investigació hidrològica, implementada mitjançant xarxes bayesianes, es basa en el Raonament Causal com a metodologia d'anàlisi centrada en la causa, i l'objectiu de la qual és predir el seu efecte o conseqüència. Per a este fi, s'ha dissenyat un innovador marc metodològic que ha permés avaluar el seu potencial per a millorar el coneixement espaciotemporal dels recursos hídrics superficials, i la seua aplicació a la predicció hidrològica. Al seu torn, este marc ha permés descobrir l'estructura lògica causal temporal, i/o espaciotemporal que caracteritza la resposta hidrològica d'una o diverses conques. Esta estructura, latent en els registres temporals hidrològics, definix el comportament dels recursos hídrics superficials, i fins ara no havia sigut investigada suficientment, malgrat el potencial que este enfocament suposa. Així mateix, la modelització causal bayesiana ha permés identificar interaccions espaciotemporals claus a partir del senyal de dependència present en els registres històrics hidrològics. Interaccions, fins i tot febles, que s'han posat de manifest en el cas de conques amb un comportament temporal essencialment independent, i un limitat nombre de registres; condicions sota les quals també s'ha avaluat la seua capacitat de predicció. Així mateix, ha sigut possible optimitzar els factors claus implicats en el procés d'aprenentatge-entrenament dels models causals bayesians, com són el nombre de sèries sintètiques i els intervals de les distribucions discretes de probabilitat de les dades sintètiques. En resum, la modelització causal, a partir de sèries d'aportacions, ha demostrat ser un enfocament eficient i robust per a la seua aplicació a l'anàlisi i predicció de processos naturals complexos com els hidrològics.

[EN] It is evident how the alteration of the spatiotemporal patterns of meteorological and climatic events influences hydrological processes, increasing their uncertainty, making their prediction more difficult, and causing higher pressure on water resources. In turn, this reality represents a complex scenario for the sustainability and availability of water resources, especially surface ones. However, it offers a scientific challenge for the development of new approaches to increase the water resilience of a territory, based on knowledge. On the other hand, the application of the Artificial Intelligence paradigm to the hydrological field has been a turning point in the approach to the "deep" analysis of information, leading to significant advances in causality, causal inference from observational data and uncertainty quantification. In the last decades, the innovations in this field on graphical models have been remarkable, which have gained notoriety among the scientific community. This is due to their intuitive formalism, which allows data structures to be modelled by means of a set of nodes and edges that define a network. Among these models, neural networks, with a wide and diverse spectrum of methodological approaches, and Bayesian networks stand out. However, the latter have received much less attention, especially in their application to the discovery of causal structures in the time series, although they present interesting features to address this challenge. Mainly, Bayesian networks stand out for their ability to address reasoning problems under conditions of uncertainty (plausible reasoning); the possibility of incorporating expert knowledge in the process, in addition to omnidirectional inference and reasoning (dynamism) in the face of any evidence on the network, total or partial. The distinctive features of Bayesian networks, together with the challenge of discovering causal structures in hydrological time series, have inspired this Doctoral Thesis from the perspective of causal modeling (Bayesian Causality). This novel area of hydrological research, implemented by means of Bayesian networks, is based on Causal Reasoning as an analysis methodology focused on the cause, and whose objective is to predict its effect or consequence. For this purpose, an innovative methodological framework has been designed to evaluate its potential for improving spatio-temporal knowledge of surface water resources and its application to hydrological forecasting. In turn, this framework has made it possible to discover the temporal and/or spatio-temporal causal logical structure that characterizes the hydrological response of one or several basins. This structure, latent in the hydrological temporal records, defines the behavior of surface water resources, and until now has not been sufficiently investigated, despite the potential of this approach. Likewise, Bayesian causal modeling has made it possible to identify key spatio-temporal interactions from the dependence signal present in the historical hydrological records. These interactions, even weak, have been revealed in the case of basins with an essentially independent temporal behavior and a limited number of records; conditions under which their predictive capacity has also been evaluated. Likewise, it has been possible to optimize the key factors involved in the learning-training process of Bayesian causal models, such as the number of synthetic series and the intervals of the discrete probability distributions of the synthetic data. In summary, causal modeling, from temporal runoff time series, has proven to be an efficient and robust approach for its application to the analysis and prediction of complex natural processes such as hydrological ones.

Tesis por compendio