Aplicación de una nueva metodología para mejorar la estimación de las frecuencias de inundación en Calle 30 (Madrid)
Enviado: 21-08-2024
|Aceptado: 11-10-2024
|Publicado: 30-10-2024
Derechos de autor 2024 Ingeniería del Agua
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Descargas
Palabras clave:
geoestadística, minería de datos, regresión probabilística, diseño de infraestructuras, simulación sintética, inundación
Agencias de apoyo:
European Union’s Horizon 2020 research and innovation
MADRID CALLE 30 S.A.
Confederación Hidrográfica del Tajo (CHT)
Resumen:
Las inundaciones son una de las catástrofes naturales más comunes a nivel mundial, y acarrean impactos socioeconómicos severos, incluyendo la pérdida de vidas humanas. Este estudio evalúa la respuesta hidráulica del entorno de la autopista M-30 de Madrid contra eventos de inundación extremos del río Manzanares mediante el uso de una metodología de análisis multivariante. La comparación de los resultados obtenidos a través de esta nueva metodología con los derivados del enfoque tradicional, basado en estadística univariada y sin usar generación sintética, resalta la limitación de los métodos convencionales para estimar periodos de retorno. Esto enfatiza la necesidad de integrar nuevos enfoques en el diseño de infraestructuras para gestionar de manera más efectiva su respuesta frente a inundaciones.
Citas:
Barredo, J.I., Saurí, D., Llasat, M.C. 2012. Assessing trends in insured losses from floods in Spain 1971–2008. Natural Hazards and Earth System Sciences, 12(5), 1723–1729. https://doi.org/10.5194/nhess-12-1723-2012
Baudin, M., Dutfoy, A., Iooss, B., Popelin, AL. 2016. OpenTURNS: An Industrial Software for Uncertainty Quantification in Simulation. In: Ghanem, R., Higdon, D., Owhadi, H. (eds). Handbook of Uncertainty Quantification, (pp. 1–38). Springer International Publishing. https://doi.org/10.1007/978-3-319-11259-6_64-1
Ben Alaya, M.A., Chebana, F., Ouarda, T. 2014. Probabilistic Gaussian Copula Regression Model for Multisite and Multivariable Downscaling. Journal of Climate, 27, 3331-3347. https://doi.org/10.1175/JCLI-D-13-00333.1
Brunner, G.W., United States Army Corps of Engineers, Institute for Water Resources (U.S.), Hydrologic Engineering Center (U.S.). 2023. HEC-RAS river analysis system: hydraulic reference manual (Version 6.4.1). https://www.hec.usace.army.mil/software/hecras/documentation/HEC-RAS%20Hydraulic%20Reference%20Manual-v6.4.1.pdf
Brunner, M.I., Gilleland, E., Wood, A., Swain, D.L., Clark, M. 2020. Spatial Dependence of Floods Shaped by Spatiotemporal Variations in Meteorological and Land-Surface Processes. Geophysical Research Letters, 47(13), e2020GL088000. https://doi.org/10.1029/2020GL088000
Camus, P., Mendez, F., Medina, R., Cofiño, A. 2011. Analysis of clustering and selection algorithms for the study of multivariate wave climate. Coastal Engineering, 58(6), 453–462. https://doi.org/10.1016/j.coastaleng.2011.02.003
Castellarin, A., Burn, D.H., Brath, A. 2001. Assessing the effectiveness of hydrological similarity measures for flood frequency analysis. Journal of Hydrology, 241(3), 270–285. https://doi.org/10.1016/S0022-1694(00)00383-8
Cortès, M., Turco, M., Llasat-Botija, M., Llasat, M.C. 2018. The relationship between precipitation and insurance data for floods in a Mediterranean region (northeast Spain). Natural Hazards and Earth System Sciences, 18(3), 857–868. https://doi.org/10.5194/nhess-18-857-2018
de Lima, J.L.M.P., Singh, V.P. 2002. The influence of the pattern of moving rainstorms on overland flow. Advances in Water Resources, 25(7), 817–828. https://doi.org/10.1016/S0309-1708(02)00067-2
Emesa M-30. 2024. Traffic M-30 Condition.
Estévez, J., Gavilán, P., Giráldez, J.V. 2011. Guidelines on validation procedures for meteorological data from automatic weather stations. Journal of Hydrology, 402(1–2), 144–154. https://doi.org/10.1016/j.jhydrol.2011.02.031
Ferrovial. 2024. The M30 Tunnel, Madrid (Spain).
Golkhatmi, N.S. N., Farzandi, M. 2024. Enhancing Rainfall Data Consistency and Completeness: A Spatiotemporal Quality Control Approach and Missing Data Reconstruction Using MICE on Large Precipitation Datasets. Water Resources Management, 38(3), 815–833. https://doi.org/10.1007/s11269-023-03567-0
González-Rouco, J.F., Jiménez, J.L., Quesada, V., Valero, F. 2001. Quality Control and Homogeneity of Precipitation Data in the Southwest of Europe. Journal of Climate, 14(5), 964–978. https://doi.org/10.1175/1520-0442(2001)014<0964:QCAHOP>2.0.CO;2
Kimura, N., Yoshinaga, I., Sekijima, K., Azechi, I., Baba, D. 2020. Convolutional Neural Network Coupled with a Transfer-Learning Approach for Time-Series Flood Predictions. Water (Switzerland), 12(1). https://doi.org/10.3390/w12010096
Larose, D.T. 2004. k-Nearest Neighbor Algorithm. In Discovering Knowledge in Data, D.T. Larose (Ed.). https://doi.org/10.1002/0471687545.ch5
Leach, J.M., Kornelsen, K.C., Samuel, J., Coulibaly, P. 2015. Hydrometric network design using streamflow signatures and indicators of hydrologic alteration. Journal of Hydrology, 529(3), 1350–1359. https://doi.org/10.1016/j.jhydrol.2015.08.048
Lloyd, S. 1982. Least Squares Quantization in PCM. In IEEE Transactions on Information Theory, 28(2), 129-137. https://doi.org/10.1109/TIT.1982.1056489
Martínez-Gomariz, E., Forero-Ortiz, E., Guerrero-Hidalga, M., Castán, S., Gómez, M. 2020. Flood Depth‒Damage Curves for Spanish Urban Areas. Sustainability, 12(7). https://doi.org/10.3390/su12072666
Ministerio de Medio Ambiente y Medio Rural y Marino. 2011. Guía Metodológica para el desarrollo del Sistema Nacional de Cartografía de Zonas Inundables. Ministerio de Medio Ambiente y Medio Rural y Marino.
Navas, S., del Jesus, M., Sanchez Espeso, J. 2017. Evaluación y análisis del riesgo de inundación del Río Besaya a su paso por Los Corrales de Buelna, Cantabria. http://hdl.handle.net/10902/10636
Navas, S., del Jesus, M., Sánchez, J.M. 2018. Evaluación y análisis del riesgo de inundación del Río Besaya a su paso por Los Corrales de Buelna, Cantabria. Revista de Obras Públicas, 3598, 61–72. https://dialnet.unirioja.es/servlet/articulo?codigo=6476731
Parra-Plazas, J., Gaona-Garcia, P., Plazas-Nossa, L. 2023. Time series outlier removal and imputing methods based on Colombian weather stations data. Environmental Science and Pollution Research, 30(28), 72319–72335. https://doi.org/10.1007/s11356-023-27176-x
Smith, L.I. 2002. A tutorial on Principal Components Analysis. https://hdl.handle.net/10523/7534
Tipping, M.E., Bishop, C.M. 1999. Mixtures of Probabilistic Principal Component Analyzers. https://doi.org/10.1162/089976699300016728
US Army Corps of Engineers. 2018. Hydrologic Modeling System HEC-HMS, User’s Manual. Version 4.3. Hydrologic Engineering Centre. https://www.hec.usace.army.mil/software/hec-hms/documentation/HEC-HMS_Users_Manual_4.3.pdf
Viglione, A., Merz, R., Salinas, J.L., Blöschl, G. 2013. Flood frequency hydrology: 3. A Bayesian analysis. Water Resources Research, 49(2), 675–692. https://doi.org/10.1029/2011WR010782
Wackernagel, H. 1995. Ordinary Kriging. In Multivariate Geostatistics: An Introduction with Applications (pp. 74–81). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-03098-1_11
Wang, K., Chen, N., Tong, D., Wang, K., Gong, J. 2015. Optimizing the configuration of streamflow stations based on coverage maximization: A case study of the Jinsha River Basin. Journal of Hydrology, 527, 172–183. https://doi.org/10.1016/j.jhydrol.2015.04.054
