Enhancing Hydrological Modeling with Artificial Intelligence

Abstract

[Resumo] Os modelos hidrolóxicos son esenciais para aplicacións como a simulación do fluxo de ríos, a previsión de inundacións e a xestión de recursos hídricos. Non obstante, a súa eficacia depende frecuentemente de formulacións matemáticas precisas, datos de entrada exactos e unha calibración adecuada dos parámetros do modelo. O obxectivo desta tese é mellorar a modelización hidrolóxica mediante a integración de Intelixencia Artificial (IA), centrando-se en mellorar a calibración dos modelos, avanzar na modelización de conxunto para incrementar a precisión predictiva, explorar a predición de caudais en conca non aforadas e proporcionar percepcións sobre modelos de Aprendizaxe Profunda (DL) para a previsión de caudais. A investigación realizouse en diversas conca situadas en Galicia, no noroeste de España, onde os desafíos específicos das conca locais proporcionan un contexto único para a aplicación destas técnicas de IA. Os resultados demostran que as técnicas de IA reducen substancialmente o tempo de calibración para modelos tanto agregados como distribuídos mediante a exploración efectiva dos espazos de solución. Ademais, os enfoques de modelización de conxunto demostraron mellorar o rendemento predictivo xeral en comparación cos modelos individuais. Non obstante, a aplicación da IA, para a predición en conca non aforadas revelou que estes métodos requiren unha cantidade substancial de datos para o adestramento, o que suxire que os métodos tradicionais poderían seguir sendo máis efectivos na nosa rexión de estudo. Finalmente, demostrouse que os modelos de DL son máis efectivos en conca máis grandes con tempos de concentración prolongados. Os achados desta tese proporcionan percepcións significativas sobre as aplicacións potenciais da IA para fins de modelización hidrolóxica e destacan os desafíos relacionados futuros

[Resumen] Los modelos hidrológicos son esenciales para aplicaciones como la simulación del flujo de ríos, la previsión de inundaciones y la gestión de recursos hídricos. Sin embargo, su eficacia depende frecuentemente de formulaciones matemáticas precisas, datos de entrada exactos y una calibración adecuada de los parámetros del modelo. El objetivo de esta tesis es mejorar la modelización hidrológica mediante la integración de Inteligencia Artificial (IA), centrándose en mejorar la calibración de modelos, avanzar en la modelización de ensamble para incrementar la precisión predictiva, explorar la predicción de caudales en cuencas no aforadas y proporcionar percepciones sobre modelos de Aprendizaje Profundo (DL) para la previsión de caudales. La investigación se ha llevado a cabo en diversas cuencas ubicadas en Galicia, en el noroeste de España, donde los desafíos específicos de las cuencas locales proporcionan un contexto único para la aplicación de estas técnicas de IA. Los resultados demuestran que las técnicas de IA reducen sustancialmente el tiempo de calibración para modelos tanto agregados como distribuidos mediante la exploración efectiva de los espacios de solución. Además, los enfoques de modelización de ensamble han demostrado mejorar el rendimiento predictivo general en comparación con los modelos individuales. Sin embargo, la aplicación de IA para la predicción en cuencas no aforadas reveló que estos métodos requieren una cantidad sustancial de datos para el entrenamiento, lo que sugiere que los métodos tradicionales podrían seguir siendo más efectivos en nuestra región de estudio. Finalmente, se ha demostrado que los modelos de DL son más efectivos en cuencas con mayores tiempos de concentración. Los hallazgos de esta tesis proporcionan percepciones significativas sobre las aplicaciones potenciales de la IA para fines de modelización hidrológica y destacan los desafíos relacionados futuros.

[Abstract] Hydrological models are essential for applications such as streamflow simulation, flood forecasting, and water resources management. However, their effectiveness often depends on accurate mathematical formulations, precise input data, and adequate calibration of model parameters. The objective of this thesis is to enhance hydrological modeling through the integration of Artificial Intelligence (AI), focusing on improving model calibration, advancing ensemble modeling to boost predictive accuracy, exploring streamflow prediction in ungauged basins, and providing insights into Deep Learning (DL) models for streamflow forecasting. The research has been conducted in various basins located in Galicia, in the northwest of Spain, where the specific challenges of local basins provide a unique context for applying these AI techniques. The results demonstrate that AI techniques substantially reduce the calibration time for both lumped and distributed models, by effectively exploring solution spaces. Additionally, ensemble modeling approaches have shown to enhance the overall predictive performance compared to individual models. However, the application of AI for prediction in ungauged basins revealed that these methods require substantial data for training, which suggests that traditional methods might still perform better in our study region. Finally, it has been demonstrated that DL models are more effective in larger basins with extended concentration times. The findings of this thesis provide significant insights into potential applications of AI for hydrological modeling purposes and highlight future related challenges.