http://rcc.marn.gob.sv:80/handle/123456789/59 Sat, 13 Jun 2026 06:16:50 GMT 2026-06-13T06:16:50Z http://rcc.marn.gob.sv:80/bitstream/id/2a7ff86b-ef25-49bf-b075-2112c3c61355/ http://rcc.marn.gob.sv:80/handle/123456789/59 http://rcc.marn.gob.sv:80/handle/123456789/149 Implementación de modelo de pronóstico de caudal y nivel (HEC-HMS) para 3 días basados en resultados del pronóstico de lluvia del modelo mesoescalar meteorológico WRF (Weather Research Forecast Model) en cuencas hidrográficas Ministerio de Medio Ambiente y Recursos Naturales El presente trabajo de investigación, tiene como finalidad implementar en el modelo de pronóstico de caudales y niveles HEC-HMS las salidas del modelo mesoescalar W.R.F (WEATHER RESEARCH FORECAST MODEL), para convertir la escorrentía en caudal pronosticado para 3 días. Este análisis meteorológico e hidrológico será aplicado en las cuencas: San Simón (Mercedes Umaña), Acahuapa (San Vicente), Titihuapa (Cabañas) y Rio Huiza (La Libertad). Este informe presenta como ejemplo el procedimiento a seguir en la cuenca del rio ACAHUAPA. En términos generales los datos de lluvia obtenidos con el modelo meteorológico “WRF”, se procederá a la conversión del formato de la lluvia pronosticada al formato que acepta el modelo hidrológico HEC-HMS por medio del software ArcGIS, posteriormente se implementará el modelo hidrológico. Los resultados permitirán mejorar el tiempo de aviso de los sistemas de alerta temprana por inundaciones en las cuencas mencionadas en el estudio. Contiene imágenes Fri, 01 Dec 2017 00:00:00 GMT http://rcc.marn.gob.sv:80/handle/123456789/149 2017-12-01T00:00:00Z http://rcc.marn.gob.sv:80/handle/123456789/147 Aplicación de redes neuronales artificiales en pronóstico hidrológico, caso de estudio : cuenca río Grande de San Miguel Ministerio de Medio Ambiente y Recursos Naturales; Valles León, José Rodolfo El presente estudio pretende generar modelos de pronóstico a corto plazo ocupando arquitectura de Redes Neuronales Artificiales, en la Cuenca hidrográfica del Rio Grande de San Miguel. Para completar el objetivo de dicho estudio, se recopilaron datos hidrometeorológicos de las estaciones telemétricas que se encuentra dentro y/o los alrededores de la cuenca. Posteriormente, estos datos fueron desagregados a valores horarios, debido a que el tiempo de concentración de la cuenca es menor a 1 día. Consecutivamente, se realizó un análisis de interdependencia entre variables, con el fin de determinar las variables de entrada de los distintos modelos de predicción. Finalmente, los resultados fueron evaluados ocupando funciones de error y comparados con un modelo de referencia “Naive”, con el fin de evaluar los resultados de los mismos. Los resultados de este estudio muestran un excelente resultado para pronósticos hidrológicos no mayores a 4 horas debido a que funciones de eficiencia tales como el Coeficiente Nash-Sutcliffe (NSE) brinda valores mayores a 80%. Asimismo, valores de pronóstico de hasta 9 horas de tiempo de anticipo brinda resultados buenos debido a que el valor de NRMSE es de 0.5. Por último, el pronóstico de 12 horas de tiempo de ventaja brinda resultados satisfactorios, ya que su desempeño en reproducir el caudal observado es cercano al 60%. Además, los modelos de predicción hidrológica a corto plazo muestran mejor reproducción comparada con un modelo de referencia Naive, lo cual indica que la técnica sofisticada de Redes Neuronales Artificiales se está beneficiando tanto de la precipitación en la cuenca, como en el caudal pasado para la predicción de caudales. Contiene gráficos, tablas y mapas Fri, 01 Dec 2017 00:00:00 GMT http://rcc.marn.gob.sv:80/handle/123456789/147 2017-12-01T00:00:00Z http://rcc.marn.gob.sv:80/handle/123456789/146 Modelación de pronóstico hidrológico a corto plazo usando redes neuronales artificiales, caso de estudio : cuenca binacional del río Paz entre El Salvador y Guatemala Ministerio de Medio Ambiente y Recursos Naturales; Valles León, José Rodolfo En este documento se muestran los resultados de la modelación de pronostico hidrologico ocupando dos funciones de activación de Redes Neuronales Artificiales (ANN) para 1, 2 y 3 horas de tiempo de ventaja. La primera etapa del estudio está basado en una limpieza de datos hidrometeorológicos de las estaciones El Jobo y La Hachadura. Posteriormente, se generaron las curvas de descargas para dichas estaciones hidrométricas en base la información de aforos recolectados en los años 2005-2015. A continuación, se entrenó y verificó los modelos de pronósticos hidrologico usando inspección visual y el cálculo de funciones de error entre el caudal observado y el simulado. Asimismo, se comparó los modelos generados con un modelo de referencia Naive, el cual generalmente se ocupa en estos casos para verificar que estas técnicas sofisticadas, brinden una mayor eficiencia que un modelo sencillo (sin parámetros). Contiene gráficos, tablas y mapas Wed, 01 Nov 2017 00:00:00 GMT http://rcc.marn.gob.sv:80/handle/123456789/146 2017-11-01T00:00:00Z http://rcc.marn.gob.sv:80/handle/123456789/148 Aplicación de técnicas de modelación hidrológicas para pronóstico a corto plazo en El Salvador, caso de estudio : cuenca del río Torola Ministerio de Medio Ambiente y Recursos Naturales; Valles León, José Rodolfo En este documento se pretende explorar técnicas de modelación hidrológica para el pronóstico de caudales en El Salvador. Dichos modelos establecen relaciones entre variables hidrometeorológicos tales como evapotranspiración, precipitación y caudal. Entre las herramientas ocupadas están los modelos auto-correlativos, Regresión Lineal Múltiple (MLR), Modelo de Árbol (M5-MT) y las Redes Neuronales Artificiales (ANN) con diferentes funciones de activación. La primera parte de la investigación se enfoca en encontrar las variables hidrometeorológicas pasadas que brindan mayor información a los caudales pronosticados en la cuenca del Rio Torola, usando las características físicas de la cuenca y herramientas estadísticas como el Coeficiente de Correlación (CoC) y la Información Mutua Promedio (AMI). Una vez definido las variables de entrada del modelo, se evaluaron los resultados de las diferentes herramientas de modelación hidrológica ocupando funciones de evaluación tales como el Error Medio (ME), Eficiencia Nash-Sutcliffe (NSE), Coeficiente de determinación (R2), Raíz del Error Cuadrático de la Media (RMSE) y su valor normalizado (NRMSE). Los resultados muestran que, para pronóstico hidrológico con 1 hora de tiempo de ventaja, la arquitectura de Redes Neuronales Artificiales (ANN) con función de activación hiperbólica reproduce de forma precisa los caudales observados. Sin embargo, existen algunas subestimaciones del modelo, los cuales son debido a la falta de información de precipitación horaria en la parte alta y media de la cuenca. Adicionalmente, se evaluaron modelos de pronósticos para 2 y 3 horas de tiempo de ventaja, los cuales aumentan su error con respecto al caudal observado de 1 hora de tiempo de ventaja, pero se mantienen dentro de un rango muy bueno en su desempeño. Contiene gráficos, tablas y mapas Wed, 01 Nov 2017 00:00:00 GMT http://rcc.marn.gob.sv:80/handle/123456789/148 2017-11-01T00:00:00Z