Abstract:
El pronóstico preciso de los niveles de agua del Lago Titicaca (NALT) es esencial para la seguridad y la gestión eficiente de los recursos hídricos, especialmente en condiciones climáticas extremas. El objetivo de la investigación fue desarrollar modelos de Redes Neuronales Recurrentes (RNN) de memoria a corto y largo plazo (LSTM) para pronosticar niveles de agua a nivel diario y mensual, utilizando diferentes ventanas de tiempo. Se evaluaron los modelos utilizando métricas comunes en recursos hídricos, como el error cuadrático medio (RMSE), la eficiencia de Nash-Sutcliffe (NSE), la eficiencia de Kling-Gupta (KGE) y el sesgo porcentual (PBIAS). Para pronósticos diarios, la ventana de tiempo más efectiva fue de 1 día, con un RMSE de 0.0080 metros y un NSE de 0.9996. Para pronósticos mensuales, la mejor ventana de tiempo fue de 12 meses, con un RMSE de 0.103 metros y un NSE de 0.9741. En ambos casos, el modelo LSTM demostró un bajo sesgo y alta precisión. El número de épocas de entrenamiento no tuvo un impacto significativo en la precisión del modelo. La utilización de RNN-LSTM se revela efectiva en diferentes escalas temporales, siendo una herramienta valiosa para la predicción de niveles de agua del Lago Titicaca. Estos modelos pueden desempeñar un papel fundamental en la emisión de alertas tempranas, gestión del riesgo, regulación ecológica, suministro de agua, control de inundaciones y toma de decisiones en situaciones de cambio extremo en los NALT, con potenciales impactos en los ecosistemas.
