| Title: | Enhancing forecasts of peak runoff events. Application of a feature engineering approach using X-Band radar data |
| Authors: | Álvarez Estrella, Julio Joaquín |
| metadata.dc.contributor.advisor: | Muñoz Pauta, Paul Andrés |
| metadata.dc.description.uri: | 0000-0002-8000-8840 |
| metadata.dc.subject.other: | CIUC::Ciencias de la Tierra::Hidrología |
| Keywords: | Ingeniería Civil
Hidrología
Pronóstico de caudales
Radar meteorológico |
| Issue Date: | 21-Dec-2023 |
| metadata.dc.format.extent: | 32 páginas |
| Publisher: | Universidad de Cuenca |
| Abstract: | Floods cause significant damage to human life, infrastructure, agriculture, and the economy.
Predicting peak runoffs is crucial for hazard assessment, but it's challenging in remote areas
like the Andes due to limited hydrometeorological data. To address this, we used remote
sensing (RS) data, particularly radar-derived precipitation data. Employing the Random Forest
(RF) (Machine Learning technique) in combination with a Feature Engineering (FE) strategy
we leverage the RS product. This approach allowed us to incorporate physical knowledge into
the RF models, enhancing their forecasting performance. The FE strategy is based on an
object-based approach, which derive precipitation characteristics from RS data. These
characteristics served as inputs for the models, distinguishing them as 'enhanced models'
compared to 'referential models' that incorporate precipitation estimates from all available
pixels (1210) for each hour. We utilized hourly precipitation radar and runoff data from 29 peak
runoff events in a catchment situated in the Ecuadorian Andes. The enhanced models
achieved Nash-Sutcliffe efficiencies ranging from 0.94 to 0.50 for lead times between 1 and 6
hours. A comparative analysis between the enhanced and referential models reveals a
remarkable 23% increase in NSE efficiency at the 3-hour lead time, which marks the peak
improvement. The enhanced models integrated new data into the RF models, resulting in a
more accurate representation of precipitation and its temporal transformation into runoff. |
| Description: | Las inundaciones causan daños significativos a la vida humana, infraestructura, agricultura y
economía. Prever caudales máximos es crucial para la evaluación de riesgos, pero resulta
desafiante en áreas remotas como los Andes debido a los limitados datos
hidrometeorológicos. Para abordar esto, utilizamos datos de teledetección (RS), en particular
datos de precipitación derivados de radar. Empleando la técnica de Random Forest (RF)
(técnica de aprendizaje automático) en combinación con una estrategia de Ingeniería de
Características (FE) aprovechamos el producto de RS. Este enfoque nos permitió incorporar
conocimientos físicos en los modelos de RF, mejorando su rendimiento predictivo. La
estrategia de FE se basa en un enfoque basado-en-objetos, que deriva características de
precipitación a partir de datos de RS. Estas características sirvieron como entradas para los
modelos, diferenciándolos como 'modelos mejorados' en comparación con 'modelos
referenciales' que incorporan estimaciones de precipitación de todos los píxeles disponibles
(1210) para cada hora. Utilizamos datos horarios de precipitación del radar y de caudal de 29
eventos de caudales máximos en una cuenca ubicada en los Andes Ecuatorianos. Los
modelos mejorados lograron eficiencias de Nash-Sutcliffe que oscilan entre 0.94 y 0.50 para
tiempos de pronóstico de 1 a 6 horas. Un análisis comparativo entre los modelos mejorados
y referenciales revela un notable aumento del 23% en la eficiencia de NSE a las 3 horas de
anticipación, marcando la mejora máxima. Los modelos mejorados integraron nuevos datos
en los modelos de RF, resultando en una representación más precisa de la precipitación y su
transformación temporal en caudal. |
| URI: | http://dspace.ucuenca.edu.ec/handle/123456789/43530 |
| metadata.dc.relation.ispartof: | TM4;2146 |
| metadata.dcterms.description: | Magíster en Hidrología mención Ecohidrología |
| Appears in Collections: | Tesis Maestrías
|
