Del grado de saturación del suelo al caudal: integración de EU‐SoilHydroGrids y ERA5-Land en modelos hidrológicos
DOI:
https://doi.org/10.17398/3101-7177.2.269Palabras clave:
inundaciones, propiedades hidráulicas del suelo, predicción de caudalesResumen
Las inundaciones constituyen uno de los desastres naturales más frecuentes y con mayor impacto socioeconómico, relacionadas no solo con eventos extremos de precipitación, sino también con las características hidrológicas del territorio. Este estudio se centra en la cuenca del río Gévora, en el entorno de Badajoz, que en los últimos años ha experimentado varios episodios de inundación que han requerido la activación de medidas de emergencia. Estos eventos ponen de manifiesto la elevada vulnerabilidad de la zona frente a fenómenos hidrológicos extremos y la necesidad de mejorar los sistemas de monitorización, modelización y predicción de avenidas. En este contexto, se evalúa la utilidad de integrar información meteorológica de alta resolución procedente de ERA5-Land con propiedades hidráulicas del suelo derivadas de la base de datos EU-SoilHydroGrids para su aplicación en la modelización hidrológica mediante aprendizaje automático basado en Random Forest. Los resultados muestran que el modelo que combina ambas fuentes de información presenta el mejor rendimiento, reproduciendo adecuadamente la dinámica temporal del caudal y la magnitud de los picos de avenida, incluso durante eventos extremos. El análisis de la importancia de los predictores destaca el papel del grado de saturación del suelo, especialmente en relación con la capacidad de campo poniendo de relieve el papel determinante del estado de saturación del suelo en la generación de escorrentía.
Descargas
Referencias
Cisterna-García, A., González-Vidal, A., Martínez-Ibarra, A., Ye, Y., Guillén-Teruel, A., Bernal-Escobedo, L., & Skarmeta, A. F. (2025). Artificial intelligence for streamflow prediction in river basins: A use case in Mar Menor. Scientific Reports, 15, 19481. https://doi.org/10.1038/s41598-025-04524-0
Mimeau, L., Künne, A., Branger, F., Kralisch, S., Devers, A., & Vidal, J.-P. (2024). Flow intermittence prediction using a hybrid hydrological modelling approach: Influence of observed intermittence data on the training of a random forest model. Hydrology and Earth System Sciences, 28, 851–871. https://doi.org/10.5194/hess-28-851-2024
Moriasi, D. N., Gitau, M. W., Pai, N., & Daggupati, P. (2015). Hydrologic and water quality models: Performance measures and evaluation criteria. Transactions of the ASABE, 58(6), 1763-1785. https://doi.org/10.13031/trans.58.10715
Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., ... & Thépaut, J. N. (2021). ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth system science data, 13(9), 4349-4383. https://doi.org/10.5194/essd-13-4349-2021
Panagos, P., Van Liedekerke, M., Borrelli, P., Köninger, J., Ballabio, C., Orgiazzi, A., Lugato, E., Liakos, L., Hervás, J., Jones, A., & Montanarella, L. (2022). European Soil Data Centre 2.0: Soil data and knowledge in support of EU policies. European Journal of Soil Science, 73(6), e13315. https://doi.org/10.1111/ejss.13315
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M. y Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830
Schoppa, L., Disse, M., & Bachmair, S. (2020). Evaluating the performance of random forest for large-scale flood discharge simulation. Journal of Hydrology, 590, 125531. https://doi.org/10.1016/j.jhydrol.2020.125531
Tóth, B., Weynants, M., Pásztor, L., & Hengl, T. (2017). 3D soil hydraulic database of Europe at 250 m resolution. Hydrological Processes, 31(14), 2497–2666. https://doi.org/10.1002/hyp.11203
Tripathy, K. P., & Mishra, A. K. (2024). Deep learning in hydrology and water resources disciplines: Concepts, methods, applications, and research directions. Journal of Hydrology, 628, 130458. https://doi.org/10.1016/j.jhydrol.2023.130458
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Jorge Juan García Ramajo, José Jiménez Romanillos, Francisco Manuel Martínez García, Laura Fragoso Campón (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
