Desarrollo de un modelo predictivo de la disponibilidad hídrica usando redes neuronales artificiales (ANN) en la cuenca del río Chalcas, distrito San Pedro de Palco, Ayacucho
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de San Cristóbal de Huamanga
Abstract
El presente estudio tiene como objetivo desarrollar un modelo predictivo de la disponibilidad hídrica usando redes neuronales artificiales (ANN) en la cuenca del rio Chalcas, distrito San Pedro de Palco, Ayacucho. El procedimiento metodológico adoptado fue de enfoque cuantitativo, alcance predictivo y diseño no experimentallongitudinal de tipo panel. La cuenca, de 164.41 km², enfrenta una marcada variabilidad hídrica estacional que limita la productividad agrícola al 65% de su capacidad. El modelo se implementó mediante un perceptrón multicapa con arquitectura 128-64-32-1, funciones de activación ReLU y 2000 épocas de entrenamiento. Para validar su desempeño, se realizaron 50 simulaciones consecutivas con inicializaciones aleatorias, manteniendo un promedio de precisión del 99.1 %, con valores individuales entre 97.6% y 99.5%. El análisis estadístico evidenció un coeficiente de determinación R² = 1, confirmando que la variabilidad observada fue explicada en su totalidad por el modelo, y un MSE de 1.96E-06, lo que refleja un margen de error mínimo. Las simulaciones para el periodo 2003-2030 arrojaron una media general de disponibilidad hídrica de 8.2 millones de m³, con máximos de aproximadamente 25 millones de m³ y mínimos cercanos a 1.3 millones de m³. Se identificó un patrón mensual marcado: los picos de disponibilidad ocurren entre enero y marzo, mientras que los valores más bajos se registran entre junio y julio. Por ejemplo, en 2024 la disponibilidad superó los 18.6 millones de m³ en enero, pero cayó a 1.9 millones en junio. Estos resultados confirman que el modelo ANN supera en precisión a métodos hidrológicos tradicionales, como el balance hídrico, al reproducir con alta exactitud los valores históricos y proyectar escenarios de gestión. Este enfoque puede replicarse en otras cuencas con desafíos similares.
Description
Keywords
Disponibilidad hídrica, Gestión hídrica, Modelo predictivo, Redes neuronales artificiales, Sistema de riego, Río Chalcas
