EVALUACIÓN DE XGBOOST RESPECTO A HEC-RAS PARA MODELACIÓN DE INUNDACIONES EN EL RÍO JILUSAYA, LA PAZ

Resumen

La presente investigación desarrolla un modelo hidráulico para escorrentía superficial mediante herramientas de Machine Learning (ML), específicamente Extreme Gradient Boosting (XGBoost), determinando niveles de confiabilidad y coincidencia de áreas susceptibles a inundación en comparación con HEC-RAS en el río Jilusaya. El trabajo responde a la necesidad de gestión precisa del riesgo de inundación ante la intensificación de eventos hidrometeorológicos extremos asociados al cambio climático.

La metodología integró levantamiento fotogramétrico, modelación hidrológica con HEC-HMS utilizando datos del SENHAMI y análisis espacial mediante Sistemas de Información Geográfica (SIG) para periodos de retorno de 10, 30 y 50 años. Se utilizó XGBoost, un algoritmo ML reconocido por su capacidad para procesar grandes volúmenes de datos y resolver problemas no lineales complejos. Para la validación del modelo predictivo desarrollado con XGBoost, se utilizó como referencia el modelo hidráulico HEC-RAS, ya que este enfoque se fundamenta en la “Guía de delimitación de franjas de seguridad en ríos, incorporando factores de variabilidad y cambio climático” (Ministerio de Medio Ambiente y Agua, 2021), donde se establece el uso de HEC-RAS como herramienta técnica oficial para la simulación de caudales y escenarios de inundación, debido a que el río estudiado carece de registros históricos y su reducido ancho limita la disponibilidad de imágenes satelitales de alta resolución, por este motivo HEC-RAS constituye la base metodológica para contrastar y validar los resultados obtenidos con XGBoost. Donde La evaluación cuantitativa empleó métricas como el error cuadrático medio (MSE = 0,000485) y análisis de coincidencia espacial.

Se pudo observar que el modelo XGBoost demostró ventajas en velocidad de procesamiento, ya que redujo significativamente el tiempo de procesamiento a 1 hora en comparación con HEC-RAS que fueron 8 horas, utilizando el mismo entorno de procesamiento. Por otro lado, los resultados muestran niveles de coincidencia espacial del 42,83%, 52,66% y 57,39% para los periodos de retorno de 10, 30 y 50 años, respectivamente, alcanzando una precisión máxima del 57,39% en escenarios extremos. El modelo obtenido con ML presenta limitaciones que se asocian a la insensibilidad frente a variaciones de caudal y al procesamiento por bloques espaciales, lo que limita su capacidad para representar dinámicas hidráulicas complejas. Por lo que la investigación evidencia el potencial del ML como herramienta complementaria a métodos tradicionales en hidrología, para la protección de comunidades vulnerables ante eventos extremos, con aplicaciones en gestión hídrica y planificación territorial.