📄 earth_science

Hydrological Modelling and Runoff Estimation of the Wainganga River Basin Using HEC-HMS and Geospatial Clustering Techniques

Este estudio demuestra que un marco integrado que combina el agrupamiento jerárquico, el análisis de polígonos de Thiessen y el modelado HEC-HMS mejora eficazmente la estimación de la escorrentía de la lluvia y la precisión del pronóstico de inundaciones en la cuenca del río Wainganga, propensa al monzón, como lo evidencian las altas métricas de desempeño durante la calibración y validación.

Autores originales: Rajesh Vijaykumar Kherde, Gauri Patil, Kiran More, Priyadarshi Sawant

Publicado 2026-07-31

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rajesh Vijaykumar Kherde, Gauri Patil, Kiran More, Priyadarshi Sawant

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la Tierra como una esponja gigante y viviente. Cuando llueve, esta esponja absorbe el agua, pero si la lluvia cae demasiado rápido o si la esponja ya está llena, el exceso de agua se desborda, corriendo colina abajo por colinas y valles para formar ríos. Esta carrera de agua se llama "escorrentía", y predecir cuánta agua pasará rápidamente por un río es un poco como intentar adivinar qué tan rápido correrá una multitud a través de un laberinto después de que suena una alarma de incendio. Los científicos que estudian esto se llaman hidrólogos, y utilizan programas informáticos especiales para construir gemelos digitales de las cuencas de los ríos. Estos programas necesitan dos cosas principales para funcionar: un mapa del terreno (para saber hacia dónde puede ir el agua) y un registro de cuánta lluvia cayó (para saber cuánta agua está entrando al sistema). La parte difícil es que la lluvia no cae de manera uniforme; una colina podría recibir una tormenta mientras que el siguiente valle permanece seco. Para resolver esto, los científicos utilizan trucos ingeniosos para calcular la lluvia "promedio" de toda un área y luego introducen esos datos en sus modelos informáticos para ver si pueden predecir inundaciones antes de que ocurran.

Esto es exactamente lo que un equipo de investigadores hizo para el río Wainganga en el centro de la India, un lugar que a menudo se empapa por las fuertes lluvias del monzón. Su objetivo era construir un mejor "gemelo digital" de esta cuenca de río para predecir las inundaciones con mayor precisión. Utilizaron una poderosa herramienta informática llamada HEC-HMS, que actúa como una calculadora de agua virtual, pero se dieron cuenta de que primero debían organizar sus datos de lluvia de forma más inteligente. Piensa en los pluviómetros (los dispositivos que miden la lluvia) como un grupo de amigos en una fiesta. Algunos amigos siempre hablan de las mismas cosas, mientras que otros tienen historias diferentes. Los investigadores utilizaron una técnica llamada "Agrupamiento Jerárquico" para agrupar estos pluómetros basándose en qué tan similares eran sus "historias" (patrones de lluvia). Es como clasificar tu lista de reproducción por estado de ánimo: no mezclarías una canción de heavy metal con una canción de cuna, así que agrupas las similares entre sí. Al agrupar los pluómetros de esta manera, pudieron elegir a los mejores representantes para cada área, asegurándose de que su modelo informático no se confundiera con datos contradictorios.

Una vez organizados los datos de lluvia, utilizaron otro método llamado "Polígonos de Thiessen". Imagina dibujar un mapa donde cada punto en el suelo pertenece al pluviómetro más cercano, algo así como dibujar territorios en un tablero de juego. Si estás parado más cerca del pluómetro en Seoni que del de Balaghat, tu lluvia se cuenta como la lluvia de Seoni. Esto ayudó al equipo a calcular la cantidad total de lluvia que cae sobre toda la cuenca del río, incluso en lugares donde no hay pluómetros. Introdujeron estos datos de lluvia organizados, junto con mapas del suelo y la tierra (como bosques y granjas), en su modelo HEC-HMS. El modelo entonces simuló cómo se movería el agua a través del sistema fluvial, convirtiendo la lluvia en ríos caudalosos.

El equipo probó su modelo ejecutando simulaciones para dos períodos de tiempo diferentes. Primero, lo "calibraron" utilizando datos de 2001 a 2010, lo que significa que ajustaron la configuración del modelo hasta que sus predicciones coincidieran con lo que realmente sucedió en el mundo real durante esos años. Luego, lo "validaron" utilizando datos de 2011 a 2017, lo cual es como tomar un examen final con preguntas que nunca has visto antes para demostrar que realmente entiendes el tema. Los resultados fueron impresionantes. Las predicciones del modelo fueron muy cercanas a los caudales reales del río. En el lenguaje de la ciencia, midieron esto utilizando números como la Eficiencia de Nash–Sutcliffe (NSE), que osciló entre 0.897 y 0.98 durante sus pruebas. Dado que una puntuación perfecta es 1.0, estos números sugieren que el modelo estaba haciendo un trabajo excelente. El "Error Cuadrático Medio" (RMSE), que mide qué tan lejos estuvieron las predicciones, se mantuvo bajo, entre 0.2 y 1.36.

Los investigadores descubrieron que, al combinar el agrupamiento inteligente de los pluómetros con el mapeo de territorios de los Polígonos de Thiessen, podían predecir el comportamiento del río mucho mejor que antes. Su modelo captó con éxito los grandes picos de flujo de agua durante las fuertes tormentas del monzón, coincidiendo con los picos de la vida real casi perfectamente. Esto sugiere que su enfoque es una forma confiable de pronosticar inundaciones en la cuenca del Wainganga. Aunque el modelo no es perfecto —todavía depende de la calidad de los datos que recibe y asume que la lluvia se distribuye uniformemente dentro de esos "territorios"— ofrece una herramienta sólida para gestionar los recursos hídricos y advertir a la población sobre posibles inundaciones. El estudio concluye que esta mezcla de clasificación inteligente de datos y modelado informático puede ayudar a mantener a las comunidades más seguras y a gestionar mejor el agua en esta parte de la India.

Resumen Técnico: Modelado Hidrológico y Estimación de Escorrentía de la Cuenca del Río Wainganga mediante HEC-HMS y Técnicas de Agrupamiento Geoespacial

Planteamiento del Problema
La cuenca del río Wainganga en el centro de la India, un importante tributario del sistema Godavari, es altamente susceptible a inundaciones estacionales destructivas causadas por intensas lluvias monzónicas, un terreno ondulado y la expansión de los asentamientos humanos. La gestión eficaz del riesgo de inundaciones requiere sistemas de pronóstico fiables; sin embargo, estos se ven a menudo obstaculizados por brechas en los datos de precipitación debido a fallos en los equipos, fallos de transmisión y la impracticidad de mantener datos continuos de todas las estaciones en cuencas grandes y heterogéneas. Además, la variabilidad climática ha alterado la intensidad de las precipitaciones y los patrones de escorrentía, complicando las predicciones. El estudio aborda la necesidad de optimizar la red de pluviómetros y mejorar la precisión de la estimación de la escorrentía para apoyar la gestión de inundaciones y los sistemas de alerta temprana en esta región dominada por el monzón.

Metodología
La investigación emplea un marco integrado que combina técnicas geoespaciales, agrupamiento estadístico y modelado hidrológico semidistribuido:

Adquisición de Datos: El estudio utilizó datos de precipitación y caudal del periodo 2001-2017. Los datos topográficos (DEM) se obtuvieron del National Remote Sensing Centre (NRSC), mientras que los datos de descarga hidrológica se obtuvieron de la Central Water Commission (CWC). Los datos de precipitación se obtuvieron del Departamento de Agricultura del Estado de Maharashtra y del departamento de Registros de Tierras de Madhya Pradesh.
Optimización de la Red de Pluviómetros:
- Agrupamiento Jerárquico (HC): Se aplicó un enfoque aglomerativo (de abajo hacia arriba) utilizando el software R para agrupar 17 estaciones de lluvia según la similitud de la precipitación, la elevación y la proximidad geográfica. Esto identificó dos grupos primarios: una zona superior de alta intensidad (regiones montañosas como Seoni, Balaghat) y una zona regulada de media a baja (llanuras).
- Método de Polígonos de Thiessen: Se utilizó para dividir espacialmente la cuenca en zonas de influencia para cada estación. Esto permitió el cálculo de la precipitación media ponderada por área, asignando pesos basados en el área del polígono que rodea a cada pluviómetro.
Procesamiento Geoespacial (HEC-GeoHMS y ArcGIS):
- Los datos del DEM se procesaron para rellenar sumideros, determinar la dirección del flujo y delimitar subcuencas.
- Se integraron mapas de Uso de Suelo/Cobertura Terrestre (LULC) y datos de suelo (FAO DSMW) para generar cuadrículas de Número de Curva (CN) mediante el método SCS.
- La cuenca se subdividió en unidades hidrológicas y se extrajeron parámetros físicos (longitud, pendiente, centroide) para crear el modelo de cuenca HEC-HMS.
Modelado Hidrológico (HEC-HMS):
- El modelo HEC-HMS (versión 4.3) se configuró utilizando el método del Número de Curva SCS para la pérdida y el Hidrograma Unitario SCS para la transformación.
- Calibración: El modelo se calibró utilizando datos de monzones observados de 2001–2010 en la estación de salida de Asthi. Parámetros como el CN y el Tiempo de Retardo (Lag Time) se ajustaron iterativamente.
- Validación: El modelo se validó contra datos independientes de 2011–2017 sin modificaciones adicionales de parámetros.
Evaluación del Desempeño: La precisión del modelo se evaluó utilizando la Eficiencia de Nash–Sutcliffe (NSE), el coeficiente de determinación ( $R^2$ ) y el Error Cuadrático Medio (RMSE).

Resultados Clave
El estudio logró una alta precisión de simulación en los periodos de calibración y validación:

Calibración (2001–2010): Los valores de NSE oscilaron entre 0.895 y 0.962, con valores de $R^2$ consistentemente por encima de 0.895. Los valores de RMSE variaron entre 0.2056 y 1.3620, observándose errores menores generalmente en años con fluctuaciones de pico menos extremas.
Validación (2011–2017): El modelo mantuvo un desempeño robusto, con valores de NSE que oscilaron entre 0.906 y 0.980 y valores de $R^2$ superiores a 0.90 para todos los años. Los valores de RMSE se mantuvieron bajos, entre 0.3296 y 0.8707.
Comparación de Hidrogramas: El análisis visual confirmó que los hidrogramas simulados coincidieron estrechamente con las tendencias de descarga observadas, replicando con precisión las ramas ascendentes, las magnitudes de descarga máxima y las curvas de recesión para los principales eventos monzónicos.
Utilidad del Agrupamiento: El agrupamiento jerárquico categorizó con éxito las estaciones en zonas hidrológicamente distintas, justificando el uso de la inicialización de parámetros diferenciados para las cuencas montañosas superiores frente a las llanuras inferiores.

Significancia y Reivindicaciones
El artículo sostiene que la aplicación combinada de agrupamiento jerárquico, análisis de polígonos de Thiessen y modelado HEC-HMS mejora significativamente la estimación de la escorrentía y la precisión del pronóstico de inundaciones en la cuenca del río Wainganga. El estudio demuestra que:

La identificación de estaciones de lluvia representativas mediante el agrupamiento permite una utilización más eficiente de la red y la cobertura de vacíos en escenarios de escasez de datos.
El marco desarrollado proporciona una herramienta fiable para el pronóstico operativo de inundaciones, sistemas de alerta temprana y planificación de recursos hídricos.
La capacidad del modelo para replicar dinámicas monzónicas complejas sugiere que puede apoyar la planificación de la gestión y mitigación de inundaciones para investigadores y responsables de políticas en el centro de la India.

Limitaciones
Los autores reconocen ciertas restricciones que afectan la precisión predictiva del modelo:

Fiabilidad de los Datos: El resultado del modelo depende intrínsecamente de la calidad y continuidad de los registros de campo históricos de agencias externas.
Densidad de Estaciones: Aunque es suficiente para la validación, la densidad actual de la red puede no capturar completamente las variaciones microclimáticas en la accidentada cordillera de Satpura; aumentar la densidad de los pluviómetros reduciría los errores de interpolación.
Supuestos de Thiessen: El método asume una distribución uniforme de la precipitación dentro de los polígonos, lo que puede pasar por alto los efectos de levantamiento orográfico en las cuencas altas montañosas.
Alcance Temporal: El estudio se limita al periodo 2001–2017; se requerirían series temporales más largas para evaluar el desempeño bajo sequías prolongadas extremas o etapas de inundaciones históricas catastróficas.

Más como este