Comparación de post-procesadores estadísticos para la obtención de la incertidumbre predictiva de las simulaciones hidrológicas a escala mensual

Abstract

[ES] En la presente investigación se estudiarán diversos post procesadores estadísticos, aplicados a los caudales mensuales producto de modelos hidrologicos con el objeto de cuantificar la incertidumbre predictiva y mejorar el pronóstico hidrológico.

De acuerdo con el estado del arte, los post procesadores más utilizados son : Model Conditional Processor MCP (Todini, 2008), Model Conditional Processor with truncated Normal MCPt (Coccia et al, 2011), Model Output Statistics (MOS), Clúster con multi-gaussianas (Hernández-López et al, 2017), etc. En varios de los enfoques descritos anteriormente, se aplica la Transformada de cuantiles normales (NQT) para proyectar las observaciones y las predicciones en el espacio Normal.

Con el ánimo de generalizar los resultados de la comparación, los datos a utilizar son los caudales de la base de datos del Segundo Taller sobre experimento de estimación de Parámetros de Modelo (MOPEX), de 12 cuencas del sureste de los EE. UU, correspondientes al período de 1960 a 1998, la proporción de escorrentía anual a precipitación es de 0.15 a 0.63, por lo que las condiciones hidroclimáticas son diferentes entre las 12 cuencas. Se utilizarán métricas de desempeño deterministas y probabilísticas como NSE, KGE, confiabilidad, precisión y otros.

Posteriormente se compararán de forma ordenada y sistemática los resultados de los post procesadores aplicados en las 12 cuencas, siendo estas clasificadas por condiciones hidroclimáticas de acuerdo la Curva de Budyko. Por último se presentarán las discusiones y las conclusiones.

[EN] There are different methods to reduce uncertainty and improve hydrological predictions, for example, evaluation of observed rainfall errors, analysis of rating curves errors, Bayesian calibration of hydrological model parameters and hydrological post-processing. In recent years, statistical methodologies have been developed that work directly on the results of the hydrological model to quantify and reduce uncertainty. This Master's Thesis compares the performance of five hydrological post-processors, using deterministic and probabilistic verification metrics. To this end, the 12 MOPEX catchments have been used with the observed and simulated flows of the GR4J hydrological model. The results show that in general, the post-processed hydrological predictions are better than the predictions of the GR4J model (without post-processing). The GMM post-processor produces the best performance in all catchments and most performance metrics, especially in dry catchments. The performance of the ABC post-processor is not the best, but this method uses less information (statistical summaries), being the post-processor more parsimonious and of possible use in ungauged basins. In general, post-processors present better performance in wet basins. However, no correlation was found between the aridity index and the performance of the post-processors.