SIMPCCe: una herramienta para el análisis de aportaciones a embalses ante escenarios de cambio climático
Enviado: 16-01-2025
|Aceptado: 04-04-2025
|Publicado: 30-04-2025
Derechos de autor 2025 Ingeniería del Agua
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Descargas
Palabras clave:
Cambio Climático, Inteligencia Artificial, Toma de decisiones, Aportaciones a embalses, Redes neuronales
Agencias de apoyo:
Resumen:
El cambio climático y el calentamiento global alterarán los regímenes de precipitación y temperatura afectando al ciclo del agua. Esto puede reducir las aportaciones a embalses, afectando su funcionamiento y las demandas que satisfacen. Es crucial realizar estudios climáticos para entender la evolución del recurso hídrico y proponer medidas adaptativas. En España, estudios recientes resaltan la necesidad de disponer de información accesible. Para intentar satisfacer esta necesidad creamos la herramienta SIMPCCe una aplicación de código abierto, gratuitamente disponible en Github. SIMPCCe es una herramienta basada en inteligencia artificial diseñada para modelar el balance hídrico de cuencas en España bajo escenarios de cambio climático. Utiliza datos oficiales de variables como precipitación, temperatura y aportaciones históricas para estimar el agua disponible en los embalses en distintos contextos climáticos futuros. Este avance tecnológico es clave para la planificación y gestión adaptativa de los recursos hídricos, promoviendo la sostenibilidad y fortaleciendo la resiliencia frente a los efectos del cambio climático.
Citas:
Azhoni, A., Holman, I., Jude, S. 2017. Adapting water management to climate change: Institutional involvement, inter-institutional networks and barriers in India. Global Environmental Change, 44, 144-157. https://doi.org/10.1016/j.gloenvcha.2017.04.005
Barsugli, J.J., Vogel, J.M., Kaatz, L., Smith, J.B., Waage, M., Anderson, C.J. 2012. Two Faces of Uncertainty: Climate Science and Water Utility Planning Methods. Journal of Water Resources Planning and Management, 138(5), 389-395. https://doi.org/10.1061/(ASCE)WR.1943-5452.0000188
Bartos, M. 2020. pysheds: simple and fast watershed delineation in python. https://doi.org/10.5281/zenodo.3822494
CEDEX. 2017. Evaluación del impacto del Cambio Climático en los recursos hídricos y sequías en España. 320. https://ceh.cedex.es/web/documentos/CAMREC/2017_07_424150001_Evaluaci%C3%B3n_cambio_clim%C3%A1tico_recu.pdf
CEDEX. 2020. Evaluación de recursos hídricos en régimen natural en España (1940/41-2017/18). 157. https://www.miteco.gob.es/content/dam/miteco/es/agua/temas/evaluacion-de-los-recursos-hidricos/cedex-informeerh2019_tcm30-518171.pdf
Chavez-Jimenez, A., Lama, B., Garrote, L., Martin-Carrasco, F., Sordo-Ward, A., Mediero, L. 2013. Characterisation of the Sensitivity of Water Resources Systems to Climate Change. Water Resources Management, 27(12), 4237-4258. https://doi.org/10.1007/s11269-013-0404-2
Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D., Veith, T.L. 2007. Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed Simulations. Transactions of the ASABE, 50(3), 885-900. https://doi.org/10.13031/2013.23153
del Jesus, M., Paz, J., Navas, S., Turienzo, E., Diez-Sierra, J., Peña, N. 2020. Efectos del cambio climático en el recurso hídrico de los países andinos. Ingeniería del agua, 24(4), 219. https://doi.org/10.4995/ia.2020.12135
Groves, D.G., Yates, D., Tebaldi, C. 2008. Developing and applying uncertain global climate change projections for regional water management planning. Water Resources Research, 44(12). https://doi.org/10.1029/2008WR006964
Herrera, S., Gutiérrez, J.M., Ancell, R., Pons, M.R., Frías, M.D., Fernández, J. 2012. Development and analysis of a 50-year high-resolution daily gridded precipitation dataset over Spain (Spain02). International Journal of Climatology, 32(1), 74-85. https://doi.org/10.1002/joc.2256
Marquez, L., Hill, T., Worthley, R., Remus, W. 1991. Neural network models as an alternative to regression. Proceedings of the Twenty-Fourth Annual Hawaii International Conference on System Sciences, iv, 129-135 vol.4. https://doi.org/10.1109/HICSS.1991.184052
Navas, S., del Jesus, M. 2024. SIMPCCe: Simulador de Pronósticos de Cambio Climático en Embalses. Zenodo. https://doi.org/10.5281/zenodo.14516868
Navas, S., del Jesus, M., Gómez, D.V. 2022. Guía metodológica para la estimación de aportaciones mínimas a embalses en el contexto de cambio climático. Fundación Canal. https://www.fundacioncanal.com/docs/guia_embalses_cbio_climatico_FundCanal_2022.pdf
Panigrahi, S., Behera, H.S. 2020. Time Series Forecasting Using Differential Evolution-Based ANN Modelling Scheme. Arabian Journal for Science and Engineering, 45(12), 11129-11146. https://doi.org/10.1007/s13369-020-05004-5
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Müller, A., Nothman, J., Louppe, G., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, É. 2012. Scikit-learn: Machine Learning in Python. http://arxiv.org/abs/1201.0490
Rahman, M., Asadujjaman, M. 2021. Implementation of Artificial Neural Network on Regression Analysis. 2021 5th Annual Systems Modelling Conference, SMC 2021. https://doi.org/10.1109/SMC53803.2021.9569881
Switanek, B.M., Troch, A.P., Castro, L.C., Leuprecht, A., Chang, H.I., Mukherjee, R., Demaria, M.C.E. 2017. Scaled distribution mapping: A bias correction method that preserves raw climate model projected changes. Hydrology and Earth System Sciences, 21(6), 2649-2666. https://doi.org/10.5194/hess-21-2649-2017
Tipping, M.E., Bishop, C.M. 1999. Mixtures of Probabilistic Principal Component Analyzers. https://doi.org/10.1162/089976699300016728
