Comparación de técnicas de Machine Learning con el Modelo Hidrológico USM, para la predicción de caudales en una cuenca de alta montaña

Abstract

Las cuencas de alta montaña son fundamentales para la gestión hídrica en Chile, pero su dinámica climática, caracterizada por una alta variabilidad y procesos difíciles de modelar, representa un desafío constante para los modelos hidrológicos tradicionales. Frente a ello, los modelos de Machine Learning (ML) permiten capturar relaciones no lineales y aprender patrones complejos directamente desde los datos, sin imponer explícitamente formulaciones físicas para representar los procesos hidrológicos. Este estudio evalúa el desempeño de tres modelos de ML, Random Forest (RF), Long Short-Term Memory (LSTM) y Convolutional Neural Networks (CNN), en la predicción de caudales para una cuenca de alta montaña en Chile central. Los resultados obtenidos se comparan con el modelo hidrológico USM y con una implementación posterior del mismo desarrollada en Python. Para ello, se utilizaron variables meteorológicas y radiación extraterrestre, organizadas mediante variables rezagadas y acumuladas con el propósito de incorporar información antecedente del sistema hidrológico. Entre los modelos evaluados, LSTM presentó el mejor desempeño global, alcanzando un KGE de 0.80, seguido por CNN y RF, ambos con valores de 0.72. En todos los casos, los modelos de ML superaron el desempeño del modelo hidrológico USM. A nivel interanual también se observaron diferencias en la capacidad de representar eventos extremos y distintos regímenes hidrológicos, siendo LSTM el modelo que mostró mayor consistencia general. Junto con el análisis predictivo, el estudio incorporó herramientas de interpretabilidad, como curvas de dependencia parcial (PDP), trayectorias individuales (ICE) y análisis de sensibilidad mediante perturbaciones controladas de ±10%. Esto permitió examinar tanto la magnitud como la forma de las relaciones aprendidas por cada arquitectura. Los resultados evidencian diferencias en la sensibilidad y representación de variables asociadas al almacenamiento antecedente, la temperatura y los procesos de fusión nival, destacando el potencial de estas técnicas para complementar la modelación hidrológica tradicional en sistemas complejos.