Evolución de los modelos de Deep Learning para el pronóstico de caudales en cuencas, 2026: Evolution of Deep Learning models for forecasting flow rates in basins, 2026

Evolution of Deep Learning models for forecasting flow rates in basins, 2026

Resumen

El pronóstico de caudales es una herramienta crucial para la administración de los recursos hídricos, la reducción de riesgos de inundaciones y la planificación de sistemas hidráulicos. En las últimas décadas, las técnicas de predicción han avanzado de modelos hidrológicos físicos y conceptuales hacia métodos fundamentados en datos, con un enfoque especialmente fuerte en técnicas de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL). De la revisión de los precedentes se explora la evolución de los modelos de aprendizaje profundo aplicados a la estimación, cálculo y predicción de caudales en cuencas hidrográficas hasta la actualidad. Se han presentado numerosos progresos metodológicos, las estructuras de los modelos, las necesidades de datos y los criterios de evaluación utilizados en estudios recientes.

Se pone especial énfasis en arquitecturas híbridas y profundas, tales como Deep Belief Network (DBN), Redes Neuronales Artificiales (ANN), Regresión de Vector de Soporte (SVR) y Redes Neuronales Artificiales de Wavelet (WANN). Los resultados de estas investigaciones indican que los métodos tradicionales de aprendizaje automático son muy efectivos para pronósticos a corto plazo, mientras que los modelos híbridos son más eficientes para captar la no linealidad en horizontes temporales más extensos. Por último, se abordan los retos actuales, como la falta de datos, la interpretabilidad de los modelos y la evaluación de la incertidumbre, así como nuevas tendencias que incluyen redes neuronales guiadas por la física, redes neuronales de grafos y arquitecturas de tipo mutables.