- El estudio ha sido realizado por Alberto Mena, Rafael Bergillos, Javier Paredes, Joaquín Andreu y Abel Solera, investigadores del grupo de Ingeniería de Recursos Hídricos del IIAMA-UPV.
- Los investigadores analizaron el comportamiento hidrológico de los embalses de Alarcón y Contreras, dos infraestructuras estratégicas para la regulación y el abastecimiento hídrico de la cuenca del Júcar.
Investigadores del Instituto de Ingeniería del Agua y Medio Ambiente (IIAMA) de la Universitat Politècnica de València han desarrollado nuevos modelos predictivos basados en inteligencia artificial capaces de anticipar la evolución de los caudales naturales y del recurso hídrico disponible en embalses de la cuenca del Júcar.
El trabajo, titulado “Deep learning for streamflow forecasting in semi-arid basins”, ha sido publicado en la revista internacional Water Science and Engineering y demuestra el potencial de las técnicas de deep learning para mejorar la planificación y la gestión de los recursos hídricos en regiones semiáridas, especialmente vulnerables al cambio climático, como el arco mediterráneo español.
La investigación, desarrollada por Alberto Mena, Rafael Bergillos, Javier Paredes, Joaquín Andreu y Abel Solera, investigadores del grupo de Ingeniería de Recursos Hídricos del IIAMA, parte de una necesidad cada vez más urgente: disponer de herramientas capaces de predecir con mayor precisión la disponibilidad futura del agua en escenarios marcados por la disminución de los recursos y una elevada variabilidad climática.
“El estudio analizó el comportamiento hidrológico de los embalses de Alarcón y Contreras, dos infraestructuras estratégicas para la regulación y abastecimiento hídrico de la cuenca del Júcar”
Para ello, los investigadores del IIAMA analizaron el comportamiento hidrológico de los embalses de Alarcón y Contreras, dos infraestructuras estratégicas para la regulación y abastecimiento hídrico de la cuenca del Júcar.
Trabajo desarrollado
A partir de series históricas de caudales naturales, los investigadores entrenaron y evaluaron diferentes arquitecturas de redes neuronales avanzadas, con especial atención a los modelos LSTM (Long Short-Term Memory), diseñados para detectar patrones temporales complejos y mejorar la capacidad de predicción de los sistemas hidrológicos.
“Los modelos basados en inteligencia artificial ofrecen una elevada capacidad predictiva, especialmente para identificar periodos de bajos caudales y situaciones de sequía”
El estudio confirma que los modelos LSTM obtienen, en general, mejores resultados que otras arquitecturas más convencionales, al ser capaces de captar con mayor precisión la evolución temporal de los caudales. Asimismo, el trabajo demuestra que la incorporación de variables temporales y técnicas de desestacionalización mejora la robustez y fiabilidad de las predicciones.
“Los modelos basados en inteligencia artificial ofrecen una elevada capacidad predictiva, especialmente para identificar periodos de bajos caudales y situaciones de sequía, un aspecto clave para la toma de decisiones en sistemas hídricos sometidos a una elevada presión y escasez estructural”, destaca Alberto Mena, investigador del IIAMA y autor principal del estudio.
“La metodología puede aplicarse a otras cuencas hidrográficas, especialmente en regiones mediterráneas caracterizadas por una elevada variabilidad climática”
Innovación aplicada a la gestión del agua
Uno de los principales avances del trabajo radica en la integración de diversas técnicas de aprendizaje profundo, estrategias de preprocesamiento de datos y sistemas de validación temporal en un marco metodológico específicamente diseñado para cuencas semiáridas mediterráneas.
Aunque la investigación se ha desarrollado en la cuenca del Júcar, los autores destacan que la metodología puede aplicarse a otras cuencas hidrográficas, especialmente en regiones mediterráneas caracterizadas por una elevada variabilidad climática, episodios recurrentes de sequía y un creciente estrés hídrico.
Finalmente, los autores indican que los modelos desarrollados permiten realizar predicciones fiables tanto a corto como a medio plazo, “reforzando la resiliencia de los sistemas de gestión del agua frente al cambio climático y contribuyendo al desarrollo de estrategias de adaptación más eficientes y sostenibles”.
- Referencia: Deep learning for streamflow forecasting in semi-arid basins. Alberto Mena, Rafael J. Bergillos, Javier Paredes-Arquiola, Joaquín Andreu, Abel Solera. Water Science and Engineering. https://doi.org/10.1016/j.wse.2026.05.002