Aplicación de redes neuronales artificiales para el pronóstico de altura del agua en el río de La Plata

Título

Aplicación de redes neuronales artificiales para el pronóstico de altura del agua en el río de La Plata

Colaborador

D’Onofrio, Enrique Eduardo

Editor

Universidad de Buenos Aires. Facultad de Ingeniería

Fecha

2025-06-11

Extensión

191 h.

Resumen

El Río de la Plata (RDLP) es uno de los estuarios más grandes del mundo y una de las regiones más importantes de Sudamérica, tanto por la cantidad de habitantes que viven en sus costas como por su importancia en el transporte de bienes y personas. Por este motivo es crucial el conocimiento de la dinámica de la altura del agua, por su impacto tanto en desastres socioambientales como en la navegación. Si bien la marea astronómica (MA) puede predecirse con mucha precisión y antelación, la región se ve frecuentemente afectada por ondas de tormenta (ODT), positivas y negativas, producto de fenómenos meteorológicos (viento y presión atmosférica). El encargado de publicar los pronósticos de altura del agua en la región es el Servicio de Hidrografía Naval (SHN). Actualmente publica dos pronósticos que utilizan dos metodologías distintas. Por un lado, un pronóstico oficial empírico-estadístico (Pronóstico Mareológico para el Río de la Plata), y por otro lado un modelo complementario numérico hidrodinámico (Modelo de Altura Total del Agua en el Río de la Plata). En otras partes del mundo se han implementado modelos basados en inteligencia artificial, específicamente modelos de redes neuronales artificiales (RNA). Estos modelos pueden considerarse superadores de los modelos empíricos y complementarios a los modelos numéricos. Mientras que los modelos numéricos permiten modelar el fenómeno y pronosticar la altura del agua de forma espacialmente densa en la región, los modelos de RNA pueden ser aplicados de forma puntual donde se cuente con suficientes datos de los que “aprender”. Por otra parte, los modelos numéricos tienen un costo computacional mayor, lo que puede ser una desventaja al aplicarse a pronósticos meteorológicos por ensambles. Además, requieren un conocimiento mayor del fenómeno y de una serie de parámetros físicos, que no necesitan ser tenidos en cuenta en los modelos de RNA (batimetría, línea de costa, fricción de fondo, etc). El objetivo principal de esta Tesis es generar modelos de pronóstico basados en RNA, que puedan ser transferido al SHN para su aplicación operativa en la región. El mismo tiene que ser relativamente simple de usar y de mantener actualizado, y al mismo tiempo estar a la altura del estado del arte. Se evaluaron distintas alternativas de arquitectura, paradigmas de aprendizaje e hiperparámetros, obteniéndose cuatro modelos complementarios, cada uno de ellos con sus fortalezas y debilidades. Mientras algunos permiten pronosticar mejor los casos más extremos, otros tienen un mejor desempeño en los casos más frecuentes. A su vez, algunos son mejores para pronosticar utilizando el valor central de un pronóstico meteorológico (como lo actualmente publicado por el SHN), mientras otros son más útiles aplicados a pronósticos meteorológicos por ensambles. Los modelos generados permiten pronosticar la altura del agua en dos ubicaciones dentro del estuario (Ciudad Autónoma de Buenos Aires (CABA) y Torre Oyarvide (TO)) con 96 h de antelación. También pueden ser utilizados en modo “hindcast”. Los resultados obtenidos fueron comparados con los de otras regiones, y con los pronósticos existentes localmente que usan otras metodologías, con resultados satisfactorios. Además del objetivo principal, la Tesis tuvo objetivos secundarios que se manifestaron en distintos estudios realizados. Este objetivo es el de aumentar el conocimiento del fenómeno en la región. Esto se vio reflejado en cálculos de recurrencia de altura del agua en CABA y en Mar del Plata (MDP), usando distintas metodologías para calcular el residuo máximo de un evento de ODT. También en el uso de Mapas Auto-Organizados (MAO) para evaluar la importancia relativa de cada parámetro que determina la altura del agua. Finalmente, en análisis de la correlación existente entre las ODT y las inundaciones; y en estudios del nivel medio del mar (NMM) en CABA. Todos estos aportes se encuentran desarrollados a lo largo del presente texto
The Río de la Plata (RDLP) is one of the largest estuaries in the world and one of the most important regions in South America, both for the number of inhabitants living along its shores and for its significance in the transportation of goods and people. For this reason, understanding the dynamics of water level is crucial, given its impact on both socio-environmental disasters and navigation. Although astronomical tides (MA) can be predicted with high precision and well in advance, the region is frequently affected by storm surges (ODT), both positive and negative, resulting from meteorological phenomena (wind and atmospheric pressure). The entity responsible for publishing water level forecasts in the region is the Naval Hydrography Service (SHN). Currently, it provides two forecasts using different methodologies: an official empirical-statistical forecast (Pronóstico Mareológico para el Río de la Plata) and a complementary hydrodynamic numerical model (Modelo de Altura Total del Agua en el Río de la Plata). In other parts of the world, artificial intelligence-based models, particularly artificial neural networks (RNA), have been implemented. These models can be considered superior to empirical models and complementary to numerical models. While numerical models allow for spatially dense water level forecasting in the region, RNA models can be applied at specific points where sufficient data are available for "learning." On the other hand, numerical models have a higher computational cost, which can be a disadvantage when applied to ensemble meteorological forecasts. Furthermore, they require a deeper understanding of the phenomenon and a series of physical parameters, such as bathymetry, coastline, and bottom friction, which do not need to be accounted for in RNA models. The primary goal of this thesis is to develop RNA-based forecasting models that can be transferred to the SHN for operational application in the region. These models must be relatively simple to use and keep updated while meeting state-of-the-art standards. Various architecture alternatives, learning paradigms, and hyperparameters were evaluated, resulting in four complementary models, each with its strengths and weaknesses. While some are better at forecasting extreme cases, others perform better in more frequent scenarios. Additionally, some models are more effective when using the central value of a meteorological forecast (as currently published by SHN), while others are more useful when applied to ensemble meteorological forecasts. The developed models allow forecasting the water level at two locations within the estuary (Ciudad Autónoma de Buenos Aires (CABA) and Torre Oyarvide (TO)) up to 96 hours in advance. They can also be used in "hindcast" mode. The results obtained were compared with those from other regions and with existing local forecasts using other methodologies, yielding satisfactory outcomes. Beyond the primary goal, the thesis also had secondary objectives reflected in various studies conducted. These objectives aimed to increase the understanding of the phenomenon in the region. This was demonstrated through recurrence calculations of water levels in CABA and Mar del Plata (MDP), using different methodologies to calculate the maximum residual of an ODT event. Additionally, Self-Organizing Maps (MAO) were used to evaluate the relative importance of each parameter determining water level. Finally, the correlation between ODT events and flooding was analyzed, along with studies on mean sea level (NMM) in CABA. All these contributions are detailed throughout this text.