Acerca de HidroCL

HidroCL es un sistema multi-modelo y multi-cuenca para la predicción de caudales medios y máximos diarios con hasta 5 días de anticipación. Actualmente se encuentra en un estado de desarrollo beta, en el que se realizan pruebas y monitoreos para detectar y corregir errores del sistema, además de identificar nuevas características que puedan complementarlo en futuras versiones.

El sistema de pronóstico de caudales HidroCL (Arévalo et al., 2025, en preparación) se estructura en diferentes componentes:

1. Subsistema de adquisición de datos y pre-procesamiento (Tapia et al., 2025, en preparación). Diariamente se descargan datos grillados de productos satelitales, reanálisis y pronósticos meteorológicos globales, los que son geoprocesados para agregarse temporal y espacialmente a las cuencas aportantes de los cientos de puntos de control (actualmente coincidentes con estaciones fluviométricas de la DGA) para los que el modelo se encuentra implementado con una escala diaria. Esta información complementa la de datos estáticos que aportan características climáticas, geográficas y geomorfológicas de cada una de estas cuencas. Finalmente se realiza imputación de datos, en caso de ser necesario, y se organizan en los formatos adecuados para ser procesados por cada uno de los 3 modelos de pronóstico de caudales.

   

2. Modelo de predicción de caudales basado en Random Forest (RF). Basado en un conjunto de árboles de decisión aleatorios, que además de las variables diarias incorpora agregaciones temporales de periodos más prolongados en el pasado (últimos 7 días, último mes, últimos 3 meses, etc.) El modelo pronostica el caudal com la suma de caudal basal (en ausencia de precipitación) y escorrentia superficial (durante eventos de precipitación), tanto en su condición media como máxima. La incertidumbre estructural se obtiene en base a la distribución de los pronósticos generados por cada uno de los árboles.

   

3. Modelo de predicción de caudales basado en Redes Neuronales Convolucionales (CNN). Este modelo recibe como input, además de las variables antes descritas un subconjunto resultante de un análisis de componentes principales, para alimentar una CNN seguida de una secuencia para cada uno de los días de pronóstico. Su incertidumbre estructural se caracteriza en base a 100 predicciones donde un porcentaje de las conexiones entre neuronas son desconectadas de manera aleatoria (bayesian dropout).

   

4. Modelo de predicción de caudales basado en Redes Neuronales de Memoria Grande de Corto Plazo (LSTM; Saavedra et al., 2025, en preparación). El modelo utiliza los datos de los 250 días previos para predecir, en un solo paso, los caudales medios o máximos de los próximos 5 días. La secuencia de entrada es procesada primero por la capa LSTM, y luego por tres capas densas que ajustan la predicción final, generando una estimación específica para cada uno de los cinco días futuros. La incertidumbre estructural del modelo se evaluó mediante la técnica de dropout Monte Carlo, realizando 100 simulaciones.

   

5. Subsistema de automatización, unificación y visualización (Paredes et al., 2025, en preparación). Su primera función es la de organizar y ejecutar de manera automática más de una decena de scripts y programas que componen el ciclo de ejecución, incluyendo las verificaciones de su correcta ejecución. Otra de sus tareas importantes es la de unificar los pronósticos generados por los 3 modelos anteriores; esto se realiza mediante una red neuronal que combina tanto los pronósticos como la caracterización de la incertidumbre estructural de los 3 modelos principales para generar un pronóstico unificado que capture las habilidades de cada uno de los modelos en diferentes regiones y/o situaciones además de proveer de manera directa una estimación de la incertidumbre total del pronóstico (Arévalo et al., 2025).

   

Finalmente, los pronósticos de los caudales medios y máximos, incluyendo bandas para intervalos de confianza de 50% y 90% pueden ser visualizadas a través de una interfaz web interactiva.