📄 earth_science

From forecast skill to planning value: multi-horizon data-driven hydrological forecasting for sustainable management of the Jucar River Basin District

Este estudio presenta un flujo de trabajo de pronóstico de horizontes múltiples basado en datos para la Cuenca del Río Jucará que genera con éxito predicciones mensuales de niveles de acuíferos, almacenamiento de embalses y caudal de ríos hasta 48 meses por delante al separar la memoria endógena de los impulsores exógenos de clima y demanda, demostrando una alta capacidad para aguas subterráneas y embalses al tiempo que identifica el sesgo sistemático como la principal limitación para los pronósticos de ríos a largo plazo bajo diversos escenarios futuros.

Autores originales: Alejandro Garcia Monteagudo, Marina Arnaldos Orts, Miguel Angel Pardo Picazo

Publicado 2026-07-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Alejandro Garcia Monteagudo, Marina Arnaldos Orts, Miguel Angel Pardo Picazo

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 intentar predecir el futuro de un río, un lago o un depósito de agua subterráneo. Este es el trabajo de los hidrólogos, científicos que estudian cómo se mueve el agua a través de nuestro mundo. Pero predecir el agua no es como adivinar el tiempo para mañana; es más como intentar adivinar qué tan llena estará una bañera el próximo mes, sabiendo que alguien está constantemente abriendo y cerrando el grifo, y que la bañera tiene un desagüe lento y con fugas. En lugares como el Mediterráneo, donde los veranos son abrasadores y la lluvia es impredecible, acertar estas predicciones es una cuestión de supervivencia para agricultores, ciudades y ecosistemas. Para lograr esto, los científicos utilizan "modelos": recetas matemáticas que toman datos pasados (como cuánta lluvia cayó el mes pasado) e intentan adivinar qué sucede después. La gran pregunta es: ¿qué tan lejos en el futuro podemos confiar en estos cálculos antes de que empiecen a desviarse del camino?

Este artículo aborda exactamente ese problema para la cuenca del río Júcar, en el este de España, una región donde el agua es gestionada estrictamente mediante presas y bombas. Los investigadores construyeron un sistema inteligente basado en datos para pronosticar tres tipos diferentes de almacenamiento de agua: acuíferos subterráneos (como esponjas gigantes bajo el suelo), embalses (lagos artificiales) y ríos. No se limitaron a mirar un solo tipo de agua; se dieron cuenta de que un río, un lago y una esponja se comportan de manera diferente. Un río reacciona rápido a la lluvia, un lago cambia lentamente y una esponja tarda mucho tiempo en absorber o secarse. El equipo probó su "bola de cristal" contra un truco muy simple: simplemente asumir que el próximo mes será exactamente igual a este mes. Descubrieron que, si bien este truco simple funciona sorprendentemente bien para algunas cosas, su nuevo y sofisticado sistema es necesario para otras, pero solo hasta cierto punto en el tiempo.

El estudio revela una "personalidad" clara para cada parte del sistema hídrico. Para los acuíferos subterráneos, el agua es tan obstinada y de movimiento tan lento que el cálculo más simple (asumir que las cosas permanecen iguales) es casi perfecto. El modelo complejo de los investigadores funcionó ligeramente mejor, pero el acuífero es tan predecible que incluso dentro de un año o cuatro años, el pronóstico sigue siendo muy fiable. Es como predecir la temperatura de un bloque gigante de hielo; no cambiará mucho sin importar lo que suceda afuera.

Sin embargo, los ríos son una historia diferente. Son como un perro hiperactivo que reacciona instantáneamente a cada premio (lluvia) o comando (uso del agua). Los investigadores descubrieron que su modelo podía predecir el caudal de un río con precisión durante unos 12 meses. Pero si intentas adivinar el caudal del río con 24 o 48 meses de antelación, el modelo empieza a confundirse. Comienza a desviarse, sobreestimando lentamente la cantidad de agua que habrá allí. Esto sucede porque la matemática utilizada para construir el modelo tiene un pequeño sesgo: tiende a adivinar "un poco más" cada mes y, con el paso de los años, esos pequeños cálculos se acumulan en un error enorme. El modelo no puede ver el futuro perfectamente; simplemente se vuelve mejor adivinando el siguiente paso que el paso posterior a ese.

El equipo también realizó escenarios de "qué pasaría si", imaginando un futuro donde el clima se vuelve más cálido y la gente usa más o menos agua. Descubrieron que, para los ríos, estos diferentes futuros comienzan a verse muy distintos entre sí dentro de ese margen de 12 meses. Pero para los acuíferos subterráneos y los grandes embalses, los diferentes futuros parecen casi idénticos durante mucho tiempo. El agua en el subsuelo y en los grandes lagos está tan amortiguada por su tamaño y la forma en que se gestiona que el futuro inmediato no cambia mucho, independientemente de si el clima se vuelve ligeramente más cálido o más frío.

Crucialmente, los autores advierten que cuando muestran una dispersión de diferentes escenarios futuros, esto no significa que tengan una probabilidad perfecta de lo que sucederá. Solo significa "si el clima actúa de esta manera, el agua se verá de esta manera". Es una herramienta para poner a prueba los planes, no una bola de cristal que te dice exactamente lo que ocurrirá. El estudio concluye que, para una gestión sostenible del agua, necesitamos saber exactamente qué tan lejos podemos confiar en nuestros pronósticos: 48 meses para el agua subterránea, 36 meses para los embalses y solo 12 meses para los ríos. Más allá de esos límites, lo mejor que podemos hacer es observar diferentes posibilidades y prepararnos para lo peor, en lugar de intentar predecir un futuro único y específico.

Resumen Técnico: De la Capacidad de Pronóstico al Valor para la Planificación

Planteamiento del Problema
Las cuencas mediterráneas reguladas enfrentan desafíos crecientes debido a condiciones hidroclimáticas no estacionarias, que incluyen sequías recurrentes y eventos de precipitación de alta intensidad. La gestión eficaz del agua requiere pronósticos mensuales que no solo sean precisos, sino también transparentes respecto a sus límites. Los actuales modelos de pronóstico hidrológico basados en datos enfrentan tres limitaciones principales cuando se aplican a cuencas reguladas:

Alcance: La mayoría de los estudios se centran en el caudal en estaciones naturales, descuidando el almacenamiento en embalses y los niveles freáticos, los cuales poseen estructuras de persistencia distintas.
Atribución: Los modelos suelen confundir la memoria autorregresiva con el forzamiento exógeno de clima y demanda, lo que dificulta aislar el valor marginal de los impulsores externos frente a la simple persistencia.
Interpretación Operativa: Las proyecciones de escenarios se presentan frecuentemente sin vincularlas a límites de fiabilidad dependientes del horizonte, lo que puede llevar a una interpretación errónea de la dispersión de los escenarios como incertidumbre predictiva calibrada, en lugar de sensibilidad a los supuestos de forzamiento.

Metodología
El estudio desarrolla un marco de pronóstico multihorizonte basado en datos para la cuenca del río Júcar (este de España), dirigido a tres tipologías: niveles piezométricos de acuíferos, almacenamiento en embalses y caudal de ríos.

Datos y Preprocesamiento: El marco utiliza observaciones mensuales de 1988 a 2023 (con los datos de embalses finalizando en 2016, lo que requiere un puente reconstruido para 2017–2023). Las variables objetivo se modelan en el espacio de incrementos ( $\Delta y_t = y_t - y_{t-1}$ ) para estabilizar el aprendizaje entre magnitudes heterogéneas, reconstruyendo los niveles de forma recursiva.
Ingeniería de Características: Se evalúan dos familias de predictores:
- ENDO (Endógeno): Codifica la memoria del sistema mediante estados rezagados ( $y_{t-1}, y_{t-12}$ ) y términos estacionales (mes, sen/cos).
- EXOG (Exógeno): Aumenta ENDO con predictores climáticos ajustados por sesgo (precipitación, $T_{max}, T_{min}$ ) y factores de demanda sectorial.
Arquitectura del Modelo: Se evaluaron cuatro modelos de regresión tabular (Regresión de Ridge Bayesiano, Regresión ARD, Gradient Boosting, XGBoost). No se utilizaron redes neuronales. La selección del modelo se separó del reporte de rendimiento mediante una ventana de validación interna.
Protocolo de Validación: Se empleó un protocolo estricto de pseudo-futuro de origen rodante libre de fugas (leakage-aware). Los datos de entrenamiento preceden estrictamente a los datos de evaluación para evitar estimaciones de capacidad optimistas en series autocorrelacionadas. Los pronósticos se generan recursivamente hasta 48 meses.
Construcción de Escenarios: Se construyeron tres familias de escenarios (Base, Favorable, Desfavorable) para 2024–2030 utilizando un enfoque híbrido de cambio delta y generación estocástica de clima basado en la lógica de CMIP6/ScenarioMIP. Estos sirven como vías de pruebas de estrés, no como predicciones probabilísticas.
Métricas: El rendimiento se evalúa mediante la Eficiencia de Kling–Gupta (KGE) y su descomposición en correlación ( $r$ ), razón de variabilidad ( $\alpha$ ) y razón de sesgo ( $\beta$ ). La capacidad se compara con un modelo de persistencia ingenuo utilizando el puntaje de habilidad basado en RMSE ( $SS_{RMSE}$ ). Se define un horizonte de fiabilidad ( $h_{rel}$ ) como el tiempo de adelanto máximo donde la mediana del KGE $\ge 0.6$ .

Resultos Clave
El estudio revela que la capacidad de pronóstico depende fuertemente de la tipología, gobernada por los mecanismos físicos de cada componente del sistema:

Acuíferos: Exhiben una predictibilidad extremadamente alta (KGE mediano > 0.97) en todos los horizontes debido a una fuerte autocorrelación. Sin embargo, la configuración ENDO supera a EXOG en horizontes largos; añadir datos climáticos y de demanda exógenos en realidad degrada el rendimiento del RMSE respecto a la persistencia, probablemente porque las señales de las aguas subterráneas evolucionan de forma demasiado suave para que el ruido climático mensual aporte valor.
Embalses: Muestran un patrón de capacidad distintivo donde los modelos superan sustancialmente a la persistencia ingenua a partir de los seis meses. En el rango de largo alcance (24–36 meses), el marco logra puntajes de habilidad significativos ( $SS_{RMSE} \approx +0.46$ a $+0.50$ ). Aunque ENDO ofrece un KGE ligeramente superior, EXOG reduce los errores absolutos de manera más efectiva, aunque ambos confirman que el marco aporta valor donde la persistencia se degrada.
Ríos: La capacidad se limita a un horizonte de fiabilidad de 12 meses. Más allá de este, el rendimiento cae por debajo del punto de referencia de persistencia.
- Mecanismo de Degradación: La descomposición del KGE identifica la razón de sesgo ( $\beta$ ) como el mecanismo de degradación dominante para los ríos en plazos más largos. Esto es impulsado por la acumulación recursiva de errores de incremento de caudal mensualmente sesgados positivamente (distribución con sesgo a la derecha), lo que conduce a una sobreestimación sistemática.
- Rol de EXOG: El forzamiento exógeno mitiga parcialmente esta deriva de sesgo al restringir la media de largo plazo de la trayectoria, aunque no mejora significativamente la correlación temporal.

Hallazgos de los Escenarios

Divergencia: La dispersión de los escenarios es más fuerte para los ríos dentro del horizonte de fiabilidad, mientras que permanece atenuada para los acuíferos y condicionada por el almacenamiento para los embalses.
Interpretación: Para los componentes dominados por el almacenamiento (acuíferos/embalses), las diferencias de los escenarios a corto plazo (2024–2030) son impulsadas principalmente por los supuestos de las vías de demanda, más que por señales detectables de cambio climático, ya que los deltas de temperatura realizados en este periodo son pequeños en relación con la variabilidad interanual.
Incertidumbre: La dispersión de los escenarios representa la sensibilidad a los supuestos de forzamiento, no la incertidumbre predictiva calibrada.

Significancia y Reivindicaciones
El artículo afirma avanzar en el campo al desplazar el enfoque desde la capacidad bruta de pronóstico hacia el valor para la planificación a través de un marco consciente de la tipología. Sus principales contribuciones son:

Fiabilidad Específica por Tipología: Establece horizontes de fiabilidad explícitos y físicamente fundamentados (48 meses para acuíferos, 36 para embalses, 12 para ríos), argumentando que los resultados de los modelos deben utilizarse de manera diferente según el tiempo de adelanto y el tipo de sistema.
Atribución Mecanicista: Al descomponer el KGE y comparar con la persistencia, el estudio aísla por qué los modelos tienen éxito o fallan (por ejemplo, identificando la acumulación de sesgo en los ríos frente a la dominancia de la memoria en los acuíferos), yendo más allá de las métricas de rendimiento de "caja negra".
Claridad Operativa: Aclara que en cuencas reguladas, los altos puntajes de KGE en sistemas dominados por el almacenamiento reflejan la inercia más que el poder predictivo, y que la dispersión de los escenarios no debe malinterpretarse como incertidumbre probabilística.
Transferibilidad: El marco está diseñado para ser transferible a otras cuencas reguladas o semiáridas donde existan conjuntos de datos operativos heterogéneos (resolución mensual), ofreciendo una alternativa escalable a los modelos basados en procesos para la planificación a corto plazo.

Los autores mantienen una postura modesta, reconociendo limitaciones tales como el uso de forzamiento sintético para los escenarios, la falta de una evaluación formal bajo periodos hidroclimáticos contrastados predefinidos y la incertidumbre introducida por el puente de reconstrucción de los embalses. Enfatizan que el marco es una herramienta para la realización de pruebas de estrés y planificación comparativa, más que un predictor determinista de estados climáticos futuros.

Más como este