Detección, evaluación y pronóstico de sequías y excesos hídricos en Argentina

Abstract

La ocurrencia de eventos hidrológicos extremos de distinta intensidad a lo largo del tiempo se traduce en cuantiosas pérdidas económicas en las actividades agropecuarias y las consecuencias ambientales que ocasionan como erosión de suelos, inundaciones, incendios forestales y pérdidas de la biodiversidad. Esta tesis presenta la dinámica espacio-temporal de eventos hídricos extremos que se manifiestan recurrentemente en Argentina, identificados, evaluados y pronosticados mediante los índices de severidad de sequía de Palmer (PDSI) y el índice estandarizado de precipitación (SPI). En el cálculo del PDSI y SPI se utilizaron series históricas (1980-2016) de precipitación diaria de estaciones distribuidas en todo el territorio nacional pertenecientes al Servicio Meteorológico Nacional como así también, datos de evapotranspiración mensual y capacidad hídrica del suelo. En las actividades agropecuarias, disponer de información a futuro de la situación hídrica por medio del pronóstico adquiere gran relevancia. El objetivo de este trabajo fue establecer una metodología que permita elaborar pronósticos de los extremos hídricos para escenarios de uno, dos y tres meses según el PDSI y el SPI utilizando redes neuronales (RN). Las RN se componen de una arquitectura y estructura de capas de neuronas unidas entre sí mediante conexiones ponderadas por pesos. El pronóstico mensual fue realizado con el modelo de red neuronal de tres capas. Las RN se entrenaron con el 30% de los datos y se usó el 5% para el test de validación con datos de los índices mensuales. Se utilizaron estadísticos para evaluar la calibración y validación de las redes neuronales en las localidades selectas de las diferentes regiones en que fue subdividido en país. Los resultados demuestran que los índices pronosticados de estaciones o de mapas en comparación con los índices observados de estaciones o mapas permitieron determinar diferencias entre los valores pronosticados y observados. En general, el valor pronosticado permanecía en la misma clase del evento a pesar de las diferencias numéricas. Los resultados obtenidos indican la posibilidad de usar los valores pronosticados para alerta temprana y elaborar medidas de mitigación.

The occurrence of extreme hydrological events of varying intensity over time translates into substantial economic losses in agricultural activities and the environmental consequences they cause, such as soil erosion, flooding, forest fires and loss of biodiversity. This thesis presents the space-time dynamics of extreme water events that recur in Argentina, identified, evaluated and predicted by means of the Palmer drought severity index (PDSI) and the standardized precipitation index (SPI). In the calculation of the PDSI and SPI, historical series (1980-2016) of daily precipitation from stations distributed throughout the national territory belonging to the National Meteorological Service were used, as well as monthly evapotranspiration data and soil water capacity. In the agricultural activities, having future information on the water situation by means of the forecast acquires great relevance. The objective of this work was to establish a methodology that allows to elaborate forecasts of the water extremes for scenarios of one, two and three months according to the PDSI and the SPI using neural networks (RN). The NRs are composed of an architecture and structure of layers of neurons joined by weight-weighted connections. The monthly forecast was made using the three-layer neural network model. RN were trained with 30% of data and 5% was used for the validation test with data from the monthly indices. Statistical were used to evaluate the calibration and validation of neural networks in selected localities of the different regions into which it was subdivided in country. The results show that predicted station or map indices compared to observed station or map indices made it possible to determine differences between predicted and observed values. In general, the predicted value remained in the same class of the event despite numerical differences. The results obtained indicate the possibility of using the predicted values for early warning and developing mitigation measures.