Modelo de predicción de alturas del agua en el Río de la Plata

Institución otorgante:

Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Fecha:

2022-12-21

Tipo de documento: 

info:eu-repo/semantics/masterThesis
 

Formato:

application/pdf

Idioma:

spa

Temas:

APRENDIZAJE AUTOMATICO - PREDICCION DE ALTURAS - RIO DE LA PLATA - SUDESTADAS - REGRESION LINEAL - SERIES TEMPORALES - SARIMAX - REDES NEURONALES - LSTM - GRU - MACHINE LEARNING - WATER LEVEL PREDICTION - RIO DE LA PLATA - SOUTHEAST - LINEAR REGRESSION - TIME SERIES - SARIMAX - NEURAL NETWORK - LSTM - GRU

Descripción:

La costa de Argentina comienza en el estuario del Río de la Plata, ubicado cerca de los 35°S sobre la costa Atlántica de América del Sur. Después del río Amazonas, el Río de la Plata, junto a sus principales afluentes (los ríos Paraná y Uruguay), es una de las principales vías fluviales del hemisferio sur, así como la segunda mayor cuenca de América Latina. Las dos ciudades más importantes de su costa son Buenos Aires, Argentina (AR) y Montevideo, Uruguay (UR). En el Río de la Plata el nivel del agua está afectado por dos fenómenos. Por un lado, el efecto astronómico de las mareas, que genera una fluctuación semi-diurna, predecible sencillamente, que se acopla a fluctuaciones generadas por efectos atmosféricos, generando un efecto complejo y de difícil predicción. Por otro, los efectos causados por fuertes vientos que inciden en el nivel del agua sobre la costa de Buenos Aires y sus alrededores. En particular, el fenómeno conocido como sudestada está asociado con fuertes vientos del sudeste sobre el estuario del Plata que en ocasiones incide en la costa de Buenos Aires y sus alrededores, causando inundaciones y daños por millones de dólares. El objetivo del presente trabajo es generar un modelo para predecir las alturas del Río de la Plata con varias horas de anticipación en la ciudad de Buenos Aires utilizando modelos predictivos basados en datos abiertos. A tal fin, se presenta el desarrollo y evaluación de modelos lineales, como regresiones lineales y modelos autorregresivos de media móvil (SARIMAX), y no lineales, como las redes neuronales con memoria de largo corto plazo (LSTM) o unidades recurrentes cerradas (GRU). Los modelos incorporaron datos de observaciones de alturas horarias y vientos, y pronósticos de vientos, presión y mareas, provistas por el Servicio de Hidrograf ́ıa Naval (SHN), el Servicio Meteorólgico Nacional (SMN) y el National Center for Atmospheric Research (NCAR). El conjunto de datos se gener ́o utilizando c ́alculos de media móvil en distintas ventanas de tiempo y aplicando desplazamientos temporales sobre los datos provistos, y selecciondo iterativamente aquellas variables que explicaran el comportamiento de las alturas horarias en mayor grado. Los modelos con mejor precisión de cada clase fueron comparados entre sí utilizando una métrica robusta de error de predicción acumulado adecuada para series de tiempo. De manera incremental, esta m ́etrica incorpora observaciones y calcula la raíz del error cuadrático medio respetando la secuencia temporal. Los resultados preliminares muestran que los modelos lineales obtuvieron mejores resultados en términos de esta métrica que la red neuronal. Como parte de las conclusiones finales, estos resultados serán comparados con los resultados obtenidos de los modelos numéricos preexistentes SMARA y SHN/SMN, utilizados desde hace varias décadas en pronósticos del nivel del Río de la Plata.

Identificador:

https://hdl.handle.net/20.500.12110/tesis_n7419_Frias