REGIONALIZACIÓN DEL MODELO GR2M PARA LA ESTIMACIÓN DE LOS VOLÚMENES DE AGUA DE ENTRADA A LAS PRESAS DEL SISTEMA CUTZAMALA MEDIANTE TÉCNICAS DE MACHINE LEARNING
El Sistema Cutzamala es una de las infraestructuras hidráulicas más relevantes de México y de América Latina, al suministrar entre el 25 y el 30% del agua potable que consume la Zona Metropolitana del Valle de México (ZMVM), una de las áreas urbanas más densamente pobladas del mundo. Por ello, la gestión del almacenamiento y la estimación de las entradas de agua a este sistema son críticas para la seguridad hídrica de la ZMVM. Sin embargo, la limitada disponibilidad de datos hidrométricos dificulta la estimación de los volúmenes de entrada en las principales presas del sistema: El Bosque, Villa Victoria y Valle de Bravo.
Este trabajo propone una metodología basada en la estimación regional de los parámetros del modelo hidrológico conceptual GR2M, incorporando datos satelitales para alimentar el modelo y estimar la variabilidad de sus parámetros (x1 y x2) en cuencas no aforadas. Para su ejecución, se emplearon datos mensuales de precipitación del producto global CHIRPS, datos climatológicos del producto FEWS NET y FLDAS. La información hidrométrica de siete cuencas vecinas del Sistema Cutzamala se utilizó para calibrar el modelo GR2M y como base para estimar espacialmente sus parámetros.
Adicionalmente, se compararon diversas metodologías para la regionalización de los parámetros x1 y x2 en cuencas no aforadas partiendo de la optimización individual en cada cuenca con registros: 1) regresión multilineal a escala de cuenca, 2) estimación a escala de cuenca a partir de métodos de machine learning (SVR y XGBoost), 3) estimación espacial de los parámetros a partir de una regresión multilineal. La calibración individual del modelo GR2M en cuencas con datos alcanzó eficiencias superiores a 0.8 según el criterio de Nash Shutcliffe (NSE), lo que valida su capacidad para reproducir el comportamiento hidrológico mensual. Sólo dos cuencas presentaron un NSE inferior a 0.5, posiblemente debido a errores en los registros o a valores atípicos no representados por la climatología de los productos globales.
En la regionalización de parámetros, los algoritmos de aprendizaje automático superaron a los métodos estadísticos en términos de capacidad predictiva, aunque ninguno alcanzó el desempeño en la simulación de caudal obtenido mediante optimización individual. Si SVR y XGBoost mostraron valores cercanos a los optimizados, la poca disponibilidad de datos podría haber generado un sobreajuste. Por otro lado, las regresiones permiten interpretar con mayor claridad la relación entre las variables predictoras y los parámetros, mientras que la regresión espacial provee de mapas de x1 y x2 para cualquier cuenca no aforada dentro del dominio.
Finalmente, los parámetros regionalizados se aplicaron para simular el caudal de entrada a las presas principales del Sistema Cutzamala en el periodo 1982-2024. Las simulaciones mostraron buena correspondencia con los caudales estimados mediante balance hídrico, validando el enfoque propuesto.
Este estudio demuestra que es posible generar estimaciones razonables de caudal en regiones sin monitoreo hidrométrico, combinando modelos conceptuales, optimización, aprendizaje automático y percepción remota, con implicaciones directas para la gestión del recurso hídrico y la toma de decisiones en escenarios de escasez o variabilidad climática.