Evaluación de la respuesta del caudal máximo diario mediante redes Long Short Term Memory

Abstract

La predicción e interpretación de caudales extremos representa un desafío crucial para la gestión hídrica y la planificación de infraestructura en Chile, donde la fuerte variabilidad climática, los gradientes altitudinales y la escasa cobertura de observaciones —menos de 0,3 estaciones por cada 100 km² sobre los 2000 m s.n.m. (Álvarez-Garretón et al., 2018)— limitan la aplicación de modelos físico-conceptuales tradicionales. Estos modelos, aunque basados en principios hidrológicos explícitos, dependen de calibraciones locales y pierden robustez ante condiciones no observadas o bajo cambio climático (Vicuña et al., 2011; Nauditt et al., 2017; Parra et al., 2019). Ante esta limitación, se implementó un modelo Long Short-Term Memory (LSTM) regionalizado, entrenado con trece cuencas representativas de las seis macrozonas climáticas del país. Este enfoque multicuenca permitió compensar la falta de datos locales mediante la diversidad espacial, siguiendo la evidencia de que las LSTM regionales pueden generalizar patrones hidrológicos entre cuencas (Kratzert et al., 2019; De la Fuente et al., 2023). Más que buscar un mejor desempeño predictivo, el objetivo fue abrir la caja negra del aprendizaje profundo mediante un análisis de sensibilidad ante perturbaciones controladas en precipitación, temperatura y cobertura forestal, constituyendo la primera aplicación de este tipo en Chile. El modelo reprodujo relaciones hidrológicas coherentes: la precipitación surgió como forzante dominante; la temperatura mostró respuestas asociadas a la posición de la isoterma 0 °C, y la cobertura forestal evidenció un efecto amortiguador sobre los caudales máximos. En escenarios combinados, se observaron interacciones no lineales: las lluvias cálidas amplificaron las crecidas, mientras que el aumento de vegetación o el enfriamiento térmico tendieron a atenuarlas(...).