Aplicación de un modelo de Markov con covariable para predecir el desbordamiento del río Carrizal

Leonardo David Pinargote Bravo, Fernando Molina Granja

Resumen


Ecuador es un país altamente afectado por fenómenos climatológicos como El Niño, siendo las inundaciones uno de los eventos más comunes. Este estudio propone un modelo probabilístico de cadenas de Markov de primer orden con covariable para predecir el desbordamiento del río Carrizal en la ciudad de Calceta. Se utilizaron datos mensuales de cota del río (variable de respuesta) y precipitaciones acumuladas (covariable predictora), obtenidos del INAMHI, una estación local y del proyecto Climate Hazards Group InfraRed Precipitation with Station. Las cotas fueron clasificadas en 4 categorías mediante el algoritmo K-means, y se implementó una regresión logística multinomial para estimar las probabilidades de transición entre estados. El modelo fue validado con 13 datos recientes, alcanzando una precisión del 63,6%. Se concluye que el modelo es funcional en escala mensual, pero su precisión podría mejorarse con datos de mayor resolución temporal y la inclusión de nuevas covariables. Estos resultados aportan al diseño de sistemas de alerta temprana ante desbordamientos urbanos.


Palabras clave


cadenas de Markov; inundaciones; modelo probabilístico; predicción hidrológica; río Carrizal.

Texto completo:

PDF HTML

Referencias


Arista, A., Calderón, G., Fierro, A., & Nakano, M. (2017). Clasificación de Imágenes Urbanas Aéreas: Comparación entre Descriptores de Bajo Nivel y Aprendizaje Profundo. Información tecnológica, 28(3), 209-224. https://doi.org/10.4067/S0718-07642017000300021

Arrighi, C. (2021). A Global Scale Analysis of River Flood Risk of UNESCO World Heritage Sites. Frontiers in Water, 3. https://doi.org/10.3389/frwa.2021.764459

Ávila, R., Munguía, J., & Ávila, T. (2019). Modelos estocásticos en epidemiología. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 6(12). https://portal.amelica.org/ameli/journal/595/5952961022/

CHIRPS. (2025). Rainfall Estimates from Rain Gauge and Satellite Observations. UC Santa Barbara. https://www.chc.ucsb.edu/data/chirps

Comité Internacional para el Estudio Regional del Fenómeno El Niño [CIIFEN]. (2020). Boletín climatológico: El Niño/La Niña en América Latina. CIIFEN website. https://ciifen.org/el-nino-la-nina-ciifen/

Elavarasan, D., Vincent, D. R., Sharma, V., Zomaya, A., & Srinivasan, K. (2018). Forecasting yield by integrating agrarian factors and machine learning models: A survey. Computers and Electronics in Agriculture, 155, 257-282. https://doi.org/10.1016/j.compag.2018.10.024

GAD municipal del cantón Bolívar. (2019). Plan de Desarrollo y Ordenamiento Territorial del Cantón Bolívar. https://gadbolivar.gob.ec/pdot/

Guerrero, F. A., Luyo, A. V., & Rojas, J. E. (2020). Gestión de la ayuda humanitaria ante inundaciones causadas por el Fenómeno del Niño, mediante la óptima localización de sensores en las quebradas y ríos—Caso del desborde del río Piura. Engineering, Integration, and Alliances for a Sustainable Development. Hemispheric Cooperation for Competitiveness and Prosperity on a Knowledge-Based Economy, 27-31. https://doi.org/10.18687/LACCEI2020.1.1.125

Instituto Nacional de Meteorología e Hidrología. (2023). Visor de estaciones meteorológicas e hidrológicas. https://inamhi.gob.ec/info/visor

Islam, A., & Chowdhury, R. (2017). Covariate–Dependent Markov Models. En A. Islam & R. Chowdhury (Eds.), Analysis of Repeated Measures Data (pp. 51-66). Springer. https://doi.org/10.1007/978-981-10-3794-8_5

Islam, A., Ghaith, M., Hassini, S., & El-Dakhakhni, W. (2022). A Short-Term Flood Forecasting Model Using Markov Chain. En S. Walbridge, M. Nik-Bakht, K. T. W. Ng, M. Shome, M. S. Alam, A. El Damatty, & G. Lovegrove (Eds.), Proceedings of the Canadian Society of Civil Engineering Annual Conference 2021 (pp. 555-563). Springer Nature. https://doi.org/10.1007/978-981-19-1065-4_46

Krzysztofowicz, R. (1983). A Bayesian Markov Model of the flood forecast process. Water Resources Research, 19(6), 1455-1465. https://doi.org/10.1029/WR019i006p01455

Lewinson, E. (2023, octubre 30). The Comprehensive Guide to Moving Averages in Time Series Analysis. Towards Data Science. https://towardsdatascience.com/the-comprehensive-guide-to-moving-averages-in-time-series-analysis-3fb2baa749a/

Luna, M., & Martínez, E. (2013). Model-based run-to-run optimization under uncertainty of biodiesel production. En A. Kraslawski & I. Turunen (Eds.), Computer Aided Chemical Engineering (Vol. 32, pp. 103-108). Elsevier. https://doi.org/10.1016/B978-0-444-63234-0.50018-X

Mena, M., Scheffczyk, K., Urrutia, M., Huerte, B., & Walz, Y. (2021). Evaluación del riesgo de inundación en Ecuador. Institute for Environment and Human Security. https://collections.unu.edu/eserv/UNU:8434/VALE_Flood_Risk_Assesment_Report_Ecuador_SPA_FINAL_META.pdf

Mendoza, M., León, E. E., Díaz, A. M., & Álava, J. A. (2023). Análisis de riesgo y vulnerabilidad frente a inundaciones en sectores de la ciudad de Calceta. Revista Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 5(7), 410-423. https://doi.org/10.59169/pentaciencias.v5i7.966

Mulyawati, I., Salami, I. R. S., Marselina, M., & Sabar, A. (2025). A comparison of Markov Chain, Sarima and multiple linear regression for forecasting discharge. International Journal of Innovative Research and Scientific Studies, 8(3), Article 3. https://doi.org/10.53894/ijirss.v8i3.7465

OECED. (2016, julio 28). Financial Management of Flood Risk. OECED Publishing. https://www.oecd.org/en/publications/financial-management-of-flood-risk_9789264257689-en.html

Organización Meteorológica Mundial [OMM]. (2021). Atlas de la OMM sobre mortalidad y pérdidas económicas debidas a fenómenos meteorológicos, climáticos e hidrológicos extremos. Publicaciones de la OMM. https://www.uncclearn.org/wp-content/uploads/library/1267_Atlas_of_Mortality_es.pdf

Osman, S., Aziz, N. A., Husaif, N., Sidek, L. M., Shakirah, A., Hanum, F., & Basri, H. (2018). Application of Stochastic Flood Forecasting Model Using Regression Method for Kelantan Catchment. MATEC Web of Conferences, 203, 07001. https://doi.org/10.1051/matecconf/201820307001

Palma, N. (2012, marzo 22). 1.702 personas fueron evacuadas en Calceta por inundación. Periódico El Universo. https://www.eluniverso.com/2012/03/22/1/1447/1702-personas-fueron-evacuadas-calceta-tras-inundacion.html/

Pérez, J., Almanza, N. N., Vega, A., Pazos, R., Zavala, C., & Martínez, A. (2019). The K-Means Algorithm Evolution. En Introduction to Data Science and Machine Learning. IntechOpen. https://doi.org/10.5772/intechopen.85447

Perry, M. (2011). The Weighted Moving Average Technique. En Wiley Encyclopedia of Operations Research and Management Science. John Wiley & Sons, Ltd. https://doi.org/10.1002/9780470400531.eorms0964

Randa, T., Krhoda, G., Atela, J., & Akala, H. (2022). Review of flood modelling and models in developing cities and informal settlements: A case of Nairobi city. Journal of Hydrology: Regional Studies, 43, 101188. https://doi.org/10.1016/j.ejrh.2022.101188

Reynoso, R., Valdez, J., Escalona, M., De los Santos, H., & Pérez, M. (2016). Cadenas de Markov y autómatas celulares para la modelación de cambio de uso de suelo. Ingeniería Hidraulica y Ambiental, 27(1), 72-81. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1680-03382016000100006

Risco, K. P., & Vera, H. P. (2023). Relación de la red de drenaje y la evolución hipsométrica con las características morfométricas de la subcuenca del río Carrizal [Tesis de licenciatura, Escuela Superior Politécnica Agropecuaria de Manabí]. http://repositorio.espam.edu.ec/handle/42000/2271

Sajadifar, S., & Pakseresht, M. (2024). A Probabilistic Markov Chain Model for Short-term Water Demand Forecasting. Journal of Water Management Modeling. https://doi.org/10.14796/JWMM.C519

San, T. H., & Khin, M. M. (2016). River Flood Prediction Using Markov Model. En Genetic and Evolutionary Computing (pp. 435-443). Springer, Cham. https://doi.org/10.1007/978-3-319-23204-1_44

San, T., & Khin, M. M. (2016). River Flood Prediction Using Markov Model. En T. T. Zin, J. C.-W. Lin, J.-S. Pan, P. Tin, & M. Yokota (Eds.), Genetic and Evolutionary Computing (pp. 435-443). Springer International Publishing. https://doi.org/10.1007/978-3-319-23204-1_44

Shamshad, A., Bawadi, M. A., Wan Hussin, W. M. A., Majid, T. A., & Sanusi, S. A. M. (2005). First and second order Markov chain models for synthetic generation of wind speed time series. Energy, 30(5), 693-708. https://doi.org/10.1016/j.energy.2004.05.026

Shehadeh, K., & Tucker, E. (2022). Stochastic optimization models for location and inventory prepositioning of disaster relief supplies. Transportation Research Part C: Emerging Technologies, 144, 103871. https://doi.org/10.1016/j.trc.2022.103871

Shevnina, E., & Silaev, A. (2019). The probabilistic hydrological MARCS HYDRO (the Markov Chain System) model: Its structure and core version 0.2. Geoscientific Model Development, 12(7), 2767-2780. https://doi.org/10.5194/gmd-12-2767-2019

Teng, J., Jakeman, A., Vaze, J., Croke, B., Dutta, D., & Kim, S. (2017). Flood inundation modelling: A review of methods, recent advances and uncertainty analysis. Environmental Modelling & Software, 90, 201-216. https://doi.org/10.1016/j.envsoft.2017.01.006

Teodoro, T. A., Reboita, M. S., Llopart, M., da Rocha, R. P., & Ashfaq, M. (2021). Climate Change Impacts on the South American Monsoon System and Its Surface–Atmosphere Processes Through RegCM4 CORDEX-CORE Projections. Earth Systems and Environment, 5(4), 825-847. https://doi.org/10.1007/s41748-021-00265-y

Thompson, C., & Frazier, T. (2014). Deterministic and probabilistic flood modeling for contemporary and future coastal and inland precipitation inundation. Applied Geography, 50, 1-14. https://doi.org/10.1016/j.apgeog.2014.01.013

Urdiales, D., & Célleri, R. (2018). Pronóstico de la ocurrencia de precipitación diaria en un gradiente altitudinal en el Sur del Ecuador, mediante un generador climático. Enfoque UTE, 9(3), 29-41.

Yapo, P., Sorooshian, S., & Gupta, V. (1993). A Markov Chain Flow Model for flood forecasting. Water Resources Research, 29(7), 2427-2436. https://doi.org/10.1029/93WR00494

Zubaidah, T., & Karnaningroem, N. (2017). K-means Method for Clustering Water Quality Status on The Rivers of Banjarmasin, Indonesia. Department of Environmental Engineering, Institut Teknologi Sepuluh Nopember. https://osf.io/s9n2u/download/?format=pdf




DOI: https://doi.org/10.23857/pc.v10i8.10234

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/