Mohamed Abdelkader
IIHR Hydroscience and Engineering, University of Iowa
mohamed-abdelkader@uiowa.edu
HydroLearn
Evaluación de estimaciones de caudal determinísticas y de ensamble
¿Qué tan bueno es su pronóstico? Evaluación de modelos de caudal determinísticos y de ensamble
Planteamiento del problema
Los modelos hidrológicos se usan de forma rutinaria para pronosticar el caudal para avisos de crecida, operación de embalses y planificación del abastecimiento de agua. Sin embargo, el mismo modelo puede verse excelente en un evento y fallar en el siguiente, y un gráfico de hidrograma colorido puede ocultar errores importantes. Peor aún, los sistemas de pronóstico modernos ya no devuelven un solo número. Devuelven una nube de caudales plausibles, un ensamble, y esa nube necesita su propio tipo de verificación.
Descripción general del módulo
Este módulo ofrece a los hidrólogos que inician su carrera una introducción compacta y práctica a cómo los pronosticadores juzgan realmente si un modelo de caudal está haciendo su trabajo. Lo lleva desde las métricas continuas (RMSE, NSE, KGE, PBIAS) y las calificaciones de desempeño de Moriasi, pasando por la verificación categórica de eventos (POD, FAR, POFD, CSI, ROC), hasta la verificación probabilística de ensambles (puntaje de Brier, BSS, diagramas de confiabilidad, histogramas de rangos, CRPS). En cada paso usted lee un hidrograma real, lo califica y decide si el resultado es apto para una decisión operativa.
Las actividades prácticas usan el modelo conceptual lluvia-escorrentía HyMOD en la cuenca del Leaf River a través de una secuencia de cuatro notebooks de Python, ejecutables directamente en Google Colab.
Temas cubiertos
Métricas de evaluación determinística (RMSE, NSE, KGE, PBIAS); calificaciones de desempeño de Moriasi; diagnósticos de hidrogramas; curvas de duración de caudales; pronóstico por ensambles; tablas de contingencia; puntajes categóricos (POD, FAR, POFD, CSI); curvas ROC y diagramas de desempeño; puntaje de Brier y puntaje de destreza de Brier; diagramas de confiabilidad; histogramas de rangos; Continuous Ranked Probability Score (CRPS); el modelo conceptual HyMOD.
Requisitos previos
Antes de comenzar este módulo, los estudiantes deberían tener:
- Familiaridad básica con los conceptos hidrológicos (precipitación, escorrentía, caudal).
- Conocimiento práctico de Python (numpy, pandas, matplotlib), suficiente para ejecutar un notebook de Jupyter de principio a fin. No se requiere experiencia con HyMOD ni con sistemas de ensamble.
- Soltura para leer un hidrograma.
Objetivos de aprendizaje
Al final de este módulo, los estudiantes serán capaces de:
- Elegir, calcular e interpretar la métrica determinística correcta (NSE, KGE, PBIAS, RMSE, error del pico) para un caso de uso de pronóstico dado.
- Leer un hidrograma y una curva de duración de caudales para diagnosticar qué tipo de error está cometiendo un modelo.
- Construir una tabla de contingencia 2×2 y calcular POD, FAR, POFD y CSI para un pronóstico de aviso de crecida.
- Leer una curva ROC, un diagrama de confiabilidad y un histograma de rangos para juzgar si un ensamble es agudo, confiable y bien dispersado.
- Calcular e interpretar el puntaje de Brier, el puntaje de destreza de Brier y el CRPS, y recomendar si un pronóstico de ensamble es apto para una decisión operativa determinada.
Esto se logra mediante una serie de lecturas cortas sobre conceptos fundamentales, acompañadas de dos actividades prácticas de aprendizaje en Python y una tarea auténtica de cierre.
Implementación sugerida
Este módulo está dividido en cuatro secciones con unidades pequeñas. Cada sección es autónoma y puede trabajarse por separado. El esfuerzo total estimado es de 1 a 1.5 horas, a su propio ritmo.
| Sección | Tiempo estimado |
|---|---|
| Sección 1, Introducción | 5 min |
| Sección 2, Evaluación determinística | 25 a 30 min (incluye la actividad de aprendizaje 1) |
| Sección 3, Evaluación de ensambles | 30 a 35 min (incluye la actividad de aprendizaje 2) |
| Sección 4, Tarea auténtica | 10 a 15 min |
Autores del curso
Humberto Vergara
IIHR Hydroscience and Engineering, University of Iowa
Público objetivo
Hidrólogos que inician su carrera y pronosticadores operativos de los Servicios Meteorológicos e Hidrológicos Nacionales (SMHN) que quieren evaluar con confianza modelos de caudal para decisiones operativas.
Herramientas necesarias
Una computadora con acceso a internet, un navegador moderno y una cuenta de Google para ejecutar los notebooks de Jupyter que acompañan al módulo en Google Colab (no se requiere instalación local). Es útil un conocimiento práctico básico de Python.
Esfuerzo esperado
Alrededor de 1 hora 15 minutos en total (rango de 1 a 1.5 horas). A su propio ritmo.
Compartir y adaptar el curso
Este curso está disponible para exportación haciendo clic en el enlace "Export Link" en la parte superior derecha de esta página. Para hacerlo necesitará una cuenta de instructor en HydroLearn Studio. Primero deberá crear una cuenta en hydrolearn.org y luego registrarse como instructor haciendo clic en 'studio.hydrolearn' y solicitando permisos de creación de cursos.
Cita recomendada
Abdelkader, M., Vergara, H. (2026). How Good Is Your Forecast? Evaluating Deterministic and Ensemble Streamflow Models. WMO Capacity-Building Activity. University of Iowa.
Agradecimientos
Módulo desarrollado para la actividad de desarrollo de capacidades de la Organización Meteorológica Mundial (OMM) en el marco de la iniciativa Early Warnings for All. El proyecto está financiado conjuntamente por los proyectos "Early Warning System for Floods - United States Department of States (EWS-F US DoS)" y "Supporting Regional Cooperation to Strengthen Operational Multi-Hazard Forecasting and Early Warning Systems at National Level in the South-West Indian Ocean (CREWS South-West Indian Ocean)".