Delimitación de la cuenca: Se utilizó tecnología SIG (Sistemas de Información Geográfica) para definir con precisión los límites de la cuenca alta del Huallaga.

Creación del Dataset: Se modeló la cuenca repetidamente para generar un conjunto de datos de entrenamiento que correlaciona hietogramas de entrada (precipitación) con hidrogramas de salida (caudal en el río).

Arquitectura de la Red Neuronal: Se utilizó un modelo de red neuronal tipo MLP (Multilayer Perceptron) entrenado con un optimizador Adam y con la métrica de error MSE (Mean Squared Error).

Entrenamiento y Predicción: Se realizó el entrenamiento con 2000 iteraciones, logrando un error del 8.17%. El modelo puede predecir con buena precisión los hidrogramas de salida ante lluvias de baja, media y alta intensidad.

Se modeló la cuenca 250 veces para crear una base de datos precisa.

El modelo de RNA puede generar hidrogramas de salida con un margen de error del 8.17%, demostrando su utilidad en alertas tempranas y en la gestión de inundaciones.

La aplicación de las RNA en la hidrología es innovadora, permitiendo predicciones más rápidas y adaptables a escenarios climáticos extremos, mejorando la capacidad de respuesta ante emergencias.

Gestión del riesgo de inundaciones: La implementación del modelo puede ayudar a generar alertas tempranas en situaciones de inundaciones, mitigando el impacto en las comunidades.

Adaptabilidad a otras cuencas: Aunque el proyecto se centró en la cuenca del Huallaga, este modelo puede adaptarse a otras cuencas afectadas por el cambio climático mediante la recolección de nuevos datos y ajustes en el entrenamiento del modelo.

Infiltración: El agua de lluvia que penetra el suelo hasta un punto donde no puede absorber más.

Escorrentía superficial: El agua que no se infiltra y fluye sobre la superficie del terreno, dirigiéndose a los ríos y quebradas.

Precipitación y hietograma: El estudio incluye el análisis de la precipitación como un hietograma (gráfico que muestra la distribución de la precipitación en el tiempo) para determinar cómo influye en el caudal generado.

Predicciones rápidas: Comparado con los métodos tradicionales, la RNA puede generar resultados en tiempo real, lo que es fundamental para la toma de decisiones durante eventos de emergencia.

Adaptabilidad a diferentes escenarios: Las RNA pueden aprender de múltiples variables de entrada, como los cambios en la intensidad de las lluvias o las condiciones geográficas de la cuenca.

Minimización de errores: El uso de una arquitectura MLP con un optimizador Adam permitió que el modelo alcance un error promedio de 8.17%, lo que es bastante preciso para predicciones hidrológicas.

Escalabilidad: Este modelo puede ser replicado en otras cuencas o regiones geográficas simplemente ajustando los datos de entrada para los entrenamientos.

Delimitación de la cuenca: Se realizó mediante el uso de herramientas como ArcGIS para identificar los sub-catchments y los puntos de salida de las cuencas.

Entrenamiento del modelo: El modelo fue entrenado utilizando registros históricos de precipitación y caudales, aplicando algoritmos de regresión para correlacionar la entrada (hietogramas) con la salida (hidrogramas).

Métricas de rendimiento: Se utilizaron métricas como el MSE para evaluar el desempeño del modelo y ajustar los pesos de las conexiones neuronales, logrando así optimizar las predicciones.