Modelo de predicción de alturas del agua en el Río de la Plata
La costa de Argentina comienza en el estuario del Río de la Plata, ubicado cerca de los 35°S sobre la costa Atlántica de América del Sur. Después del río Amazonas, el Río de la Plata, junto a sus principales afluentes (los ríos Paraná y Uruguay), es una de las principales vías fluviales del hemisfer...
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de maestría publishedVersion |
| Lenguaje: | Español |
| Publicado: |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
2022
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/20.500.12110/tesis_n7419_Frias |
| Aporte de: |
| id |
tesis:tesis_n7419_Frias |
|---|---|
| record_format |
dspace |
| institution |
Universidad de Buenos Aires |
| institution_str |
I-28 |
| repository_str |
R-134 |
| collection |
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) |
| language |
Español |
| orig_language_str_mv |
spa |
| topic |
APRENDIZAJE AUTOMATICO PREDICCION DE ALTURAS RIO DE LA PLATA SUDESTADAS REGRESION LINEAL SERIES TEMPORALES SARIMAX REDES NEURONALES LSTM GRU MACHINE LEARNING WATER LEVEL PREDICTION RIO DE LA PLATA SOUTHEAST LINEAR REGRESSION TIME SERIES SARIMAX NEURAL NETWORK LSTM GRU |
| spellingShingle |
APRENDIZAJE AUTOMATICO PREDICCION DE ALTURAS RIO DE LA PLATA SUDESTADAS REGRESION LINEAL SERIES TEMPORALES SARIMAX REDES NEURONALES LSTM GRU MACHINE LEARNING WATER LEVEL PREDICTION RIO DE LA PLATA SOUTHEAST LINEAR REGRESSION TIME SERIES SARIMAX NEURAL NETWORK LSTM GRU Frías, María Inés Modelo de predicción de alturas del agua en el Río de la Plata |
| topic_facet |
APRENDIZAJE AUTOMATICO PREDICCION DE ALTURAS RIO DE LA PLATA SUDESTADAS REGRESION LINEAL SERIES TEMPORALES SARIMAX REDES NEURONALES LSTM GRU MACHINE LEARNING WATER LEVEL PREDICTION RIO DE LA PLATA SOUTHEAST LINEAR REGRESSION TIME SERIES SARIMAX NEURAL NETWORK LSTM GRU |
| description |
La costa de Argentina comienza en el estuario del Río de la Plata, ubicado cerca de los 35°S sobre la costa Atlántica de América del Sur. Después del río Amazonas, el Río de la Plata, junto a sus principales afluentes (los ríos Paraná y Uruguay), es una de las principales vías fluviales del hemisferio sur, así como la segunda mayor cuenca de América Latina. Las dos ciudades más importantes de su costa son Buenos Aires, Argentina (AR) y Montevideo, Uruguay (UR). En el Río de la Plata el nivel del agua está afectado por dos fenómenos. Por un lado, el efecto astronómico de las mareas, que genera una fluctuación semi-diurna, predecible sencillamente, que se acopla a fluctuaciones generadas por efectos atmosféricos, generando un efecto complejo y de difícil predicción. Por otro, los efectos causados por fuertes vientos que inciden en el nivel del agua sobre la costa de Buenos Aires y sus alrededores. En particular, el fenómeno conocido como sudestada está asociado con fuertes vientos del sudeste sobre el estuario del Plata que en ocasiones incide en la costa de Buenos Aires y sus alrededores, causando inundaciones y daños por millones de dólares. El objetivo del presente trabajo es generar un modelo para predecir las alturas del Río de la Plata con varias horas de anticipación en la ciudad de Buenos Aires utilizando modelos predictivos basados en datos abiertos. A tal fin, se presenta el desarrollo y evaluación de modelos lineales, como regresiones lineales y modelos autorregresivos de media móvil (SARIMAX), y no lineales, como las redes neuronales con memoria de largo corto plazo (LSTM) o unidades recurrentes cerradas (GRU). Los modelos incorporaron datos de observaciones de alturas horarias y vientos, y pronósticos de vientos, presión y mareas, provistas por el Servicio de Hidrograf ́ıa Naval (SHN), el Servicio Meteorólgico Nacional (SMN) y el National Center for Atmospheric Research (NCAR). El conjunto de datos se gener ́o utilizando c ́alculos de media móvil en distintas ventanas de tiempo y aplicando desplazamientos temporales sobre los datos provistos, y selecciondo iterativamente aquellas variables que explicaran el comportamiento de las alturas horarias en mayor grado. Los modelos con mejor precisión de cada clase fueron comparados entre sí utilizando una métrica robusta de error de predicción acumulado adecuada para series de tiempo. De manera incremental, esta m ́etrica incorpora observaciones y calcula la raíz del error cuadrático medio respetando la secuencia temporal. Los resultados preliminares muestran que los modelos lineales obtuvieron mejores resultados en términos de esta métrica que la red neuronal. Como parte de las conclusiones finales, estos resultados serán comparados con los resultados obtenidos de los modelos numéricos preexistentes SMARA y SHN/SMN, utilizados desde hace varias décadas en pronósticos del nivel del Río de la Plata. |
| author2 |
Grimson, Rafael |
| author_facet |
Grimson, Rafael Frías, María Inés |
| format |
Tesis de maestría Tesis de maestría publishedVersion |
| author |
Frías, María Inés |
| author_sort |
Frías, María Inés |
| title |
Modelo de predicción de alturas del agua en el Río de la Plata |
| title_short |
Modelo de predicción de alturas del agua en el Río de la Plata |
| title_full |
Modelo de predicción de alturas del agua en el Río de la Plata |
| title_fullStr |
Modelo de predicción de alturas del agua en el Río de la Plata |
| title_full_unstemmed |
Modelo de predicción de alturas del agua en el Río de la Plata |
| title_sort |
modelo de predicción de alturas del agua en el río de la plata |
| publisher |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| publishDate |
2022 |
| url |
https://hdl.handle.net/20.500.12110/tesis_n7419_Frias |
| work_keys_str_mv |
AT friasmariaines modelodepredicciondealturasdelaguaenelriodelaplata AT friasmariaines predictionmodelofwaterlevelsintheriodelaplata |
| _version_ |
1831983013696634880 |
| spelling |
tesis:tesis_n7419_Frias2025-03-31T21:53:53Z Modelo de predicción de alturas del agua en el Río de la Plata Prediction model of water levels in the Río de la Plata Frías, María Inés Grimson, Rafael APRENDIZAJE AUTOMATICO PREDICCION DE ALTURAS RIO DE LA PLATA SUDESTADAS REGRESION LINEAL SERIES TEMPORALES SARIMAX REDES NEURONALES LSTM GRU MACHINE LEARNING WATER LEVEL PREDICTION RIO DE LA PLATA SOUTHEAST LINEAR REGRESSION TIME SERIES SARIMAX NEURAL NETWORK LSTM GRU La costa de Argentina comienza en el estuario del Río de la Plata, ubicado cerca de los 35°S sobre la costa Atlántica de América del Sur. Después del río Amazonas, el Río de la Plata, junto a sus principales afluentes (los ríos Paraná y Uruguay), es una de las principales vías fluviales del hemisferio sur, así como la segunda mayor cuenca de América Latina. Las dos ciudades más importantes de su costa son Buenos Aires, Argentina (AR) y Montevideo, Uruguay (UR). En el Río de la Plata el nivel del agua está afectado por dos fenómenos. Por un lado, el efecto astronómico de las mareas, que genera una fluctuación semi-diurna, predecible sencillamente, que se acopla a fluctuaciones generadas por efectos atmosféricos, generando un efecto complejo y de difícil predicción. Por otro, los efectos causados por fuertes vientos que inciden en el nivel del agua sobre la costa de Buenos Aires y sus alrededores. En particular, el fenómeno conocido como sudestada está asociado con fuertes vientos del sudeste sobre el estuario del Plata que en ocasiones incide en la costa de Buenos Aires y sus alrededores, causando inundaciones y daños por millones de dólares. El objetivo del presente trabajo es generar un modelo para predecir las alturas del Río de la Plata con varias horas de anticipación en la ciudad de Buenos Aires utilizando modelos predictivos basados en datos abiertos. A tal fin, se presenta el desarrollo y evaluación de modelos lineales, como regresiones lineales y modelos autorregresivos de media móvil (SARIMAX), y no lineales, como las redes neuronales con memoria de largo corto plazo (LSTM) o unidades recurrentes cerradas (GRU). Los modelos incorporaron datos de observaciones de alturas horarias y vientos, y pronósticos de vientos, presión y mareas, provistas por el Servicio de Hidrograf ́ıa Naval (SHN), el Servicio Meteorólgico Nacional (SMN) y el National Center for Atmospheric Research (NCAR). El conjunto de datos se gener ́o utilizando c ́alculos de media móvil en distintas ventanas de tiempo y aplicando desplazamientos temporales sobre los datos provistos, y selecciondo iterativamente aquellas variables que explicaran el comportamiento de las alturas horarias en mayor grado. Los modelos con mejor precisión de cada clase fueron comparados entre sí utilizando una métrica robusta de error de predicción acumulado adecuada para series de tiempo. De manera incremental, esta m ́etrica incorpora observaciones y calcula la raíz del error cuadrático medio respetando la secuencia temporal. Los resultados preliminares muestran que los modelos lineales obtuvieron mejores resultados en términos de esta métrica que la red neuronal. Como parte de las conclusiones finales, estos resultados serán comparados con los resultados obtenidos de los modelos numéricos preexistentes SMARA y SHN/SMN, utilizados desde hace varias décadas en pronósticos del nivel del Río de la Plata. The coast of Argentina begins at the Río de la Plata estuary, located near 35°S on the Atlantic coast of South America. After the Amazon River, the Río de la Plata, along with its main tributaries (the Paraná and Uruguay rivers), is one of the main waterways of the southern hemisphere, as well as the second largest basin in Latin America. The two most important cities on its coast are Buenos Aires, Argentina (AR) and Montevideo, Uruguay (UR). In the Rio de la Plata the water level is affected by two phenomena. On the one hand, the astronomical effect of the tides, which generates a semi-diurnal fluctuation, simply predictable, which is coupled to fluctuations generated by atmospheric effects, generating a complex effect that is difficult to predict. On the other hand, the effects caused by strong winds that affect the water level on the coast of Buenos Aires and its surroundings. In particular, the phenomenon known as sudestada is associated with strong southeasterly winds over the Plata estuary that sometimes affect the coast of Buenos Aires and its surroundings, causing flooding and damage worth millions of dollars. The objective of this work is to generate a model to predict the heights of the Rio de la Plata several hours in advance in the city of Buenos Aires using predictive models based on open data. To this end, the development and evaluation of linear models is presented, such as linear regressions and autoregressive moving average models (SARIMAX), and non-linear models, such as neural networks with long short-term memory (LSTM) or units closed recurring (GRU). The models incorporated data from observations of hourly heights and winds, and forecasts of winds, pressure and tides, provided by the Naval Hydrography Service (SHN), the National Meteorological Service (SMN) and the National Center for Atmospheric Research (NCAR). The data set was generated using moving average calculations in different time windows and applying temporal shifts on the data provided, and iteratively selecting those variables that would explain the behavior of hourly heights to a greater degree. The models with the best precision of each class were compared with each other using a robust cumulative prediction error metric suitable for time series. Incrementally, this metric incorporates observations and calculates the root of the mean square error maintaining the temporal sequence. Preliminary results show that the linear models obtained better results in terms of this metric than neural networks. As part of the final conclusions, these results will be compared with the results obtained from the pre-existing numerical models SMARA and SHN/SMN, used for several decades in forecasts of the level of the Rio de la Plata. Fil: Frías, María Inés. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2022-12-21 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n7419_Frias |