Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa

Comunicación de congreso.

Detalles Bibliográficos
Autores: González-Planet, I. C., Juez, Carmelo
Tipo de recurso: otro
Estado:Versión publicada
Fecha de publicación:2025
País:España
Institución:Consejo Superior de Investigaciones Científicas (CSIC)
Repositorio:DIGITAL.CSIC. Repositorio Institucional del CSIC
OAI Identifier:oai:digital.csic.es:10261/422631
Acceso en línea:http://hdl.handle.net/10261/422631
Access Level:acceso abierto
Palabra clave:Hydrology
Neural networks
ML
LSTM
Hidrología
Redes neuronales
id ES_9d0f822c48e5b856cb8caec0636dcd20
oai_identifier_str oai:digital.csic.es:10261/422631
network_acronym_str ES
network_name_str España
repository_id_str
spelling Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masaStreamflow forecasting in the Ebro river basin using LSTM and Mass-Conserving LSTM neural networksGonzález-Planet, I. C.Juez, CarmeloHydrologyNeural networksMLLSTMHidrologíaRedes neuronalesHydrologyComunicación de congreso.Avances en geomorfología española 2023-2025 se materializaron principalmente en la XVII Reunión Nacional de Geomorfología celebrada en Oviedo (septiembre 2025) y su publicación asociada en la revista Estudos do Quaternário, destacando la aplicación de nuevas tecnologías, estudios de riesgos naturales y del paisaje, con contribuciones de investigadores de universidades como la Complutense de Madrid y otras instituciones.In hydrology, machine learning (ML) offers alternatives to traditional process-based modelling by identifying numerical patterns in time series data without solving conservation equations. This study applies a Long Short-Term Memory (LSTM) neural network to learn sequential relationships between atmospheric, climatic, and geographic features and daily streamflow data from 39 headwater gauging stations in the northern Ebro river basin. Since LSTM does not inherently enforce physical laws, the Mass-Conserving LSTM (MC-LSTM) model is also implemented. Results highlight not only the high accuracy of LSTM models in forecasting streamflow but also the importance of integrating physics-based constraints to capture the hydrological dynamics.Este trabajo está financiado por el Consejo Europeo de Investigación (European Research Council, ERC) a través del programa Starting Grant de Horizonte Europa 2021 bajo el acuerdo de subvención REA número 101039181 - SED@HEAD. Los autores también agradecen los datos proporcionados por la Confederación Hidrográfica del Ebro (CHE) y por el Laboratorio de Climatología y Servicios Climáticos (LCSC) del Consejo Superior de Investigaciones Científicas (IPE-CSIC).Peer reviewedEdiciones TrabeUniversidad de OviedoSociedad Española de GeomorfologíaEuropean CommissionConfederación Hidrográfica del EbroCSIC - Instituto Pirenaico de Ecología (IPE)González-Planet, I. C. [0009-0000-0815-4125]Juez, Carmelo [0000-0002-2985-1023]Consejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]202620262025info:eu-repo/semantics/otherhttp://purl.org/coar/resource_type/c_3248Publisher's versioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bookPartapplication/pdfhttp://hdl.handle.net/10261/422631reponame:DIGITAL.CSIC. Repositorio Institucional del CSICinstname:Consejo Superior de Investigaciones Científicas (CSIC)Español#PLACEHOLDER_PARENT_METADATA_VALUE#info:eu-repo/grantAgreement/EC/HE/101039181https://www.rngeomorfologia2025.com/Síinfo:eu-repo/semantics/openAccessoai:digital.csic.es:10261/4226312026-05-22T06:33:51Z
dc.title.none.fl_str_mv Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
Streamflow forecasting in the Ebro river basin using LSTM and Mass-Conserving LSTM neural networks
title Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
spellingShingle Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
González-Planet, I. C.
Hydrology
Neural networks
ML
LSTM
Hidrología
Redes neuronales
Hydrology
title_short Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
title_full Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
title_fullStr Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
title_full_unstemmed Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
title_sort Estimación de caudales en la cuenca del río Ebro mediante redes neuronales lstm y mc-lstm con conservación de masa
dc.creator.none.fl_str_mv González-Planet, I. C.
Juez, Carmelo
author González-Planet, I. C.
author_facet González-Planet, I. C.
Juez, Carmelo
author_role author
author2 Juez, Carmelo
author2_role author
dc.contributor.none.fl_str_mv European Commission
Confederación Hidrográfica del Ebro
CSIC - Instituto Pirenaico de Ecología (IPE)
González-Planet, I. C. [0009-0000-0815-4125]
Juez, Carmelo [0000-0002-2985-1023]
Consejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]
dc.subject.none.fl_str_mv Hydrology
Neural networks
ML
LSTM
Hidrología
Redes neuronales
Hydrology
topic Hydrology
Neural networks
ML
LSTM
Hidrología
Redes neuronales
Hydrology
description Comunicación de congreso.
publishDate 2025
dc.date.none.fl_str_mv 2025
2026
2026
dc.type.none.fl_str_mv info:eu-repo/semantics/other
http://purl.org/coar/resource_type/c_3248
Publisher's version
info:eu-repo/semantics/publishedVersion
dc.type.openaire.fl_str_mv info:eu-repo/semantics/bookPart
format other
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/10261/422631
url http://hdl.handle.net/10261/422631
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.relation.none.fl_str_mv #PLACEHOLDER_PARENT_METADATA_VALUE#
info:eu-repo/grantAgreement/EC/HE/101039181
https://www.rngeomorfologia2025.com/
Sí
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Ediciones Trabe
Universidad de Oviedo
Sociedad Española de Geomorfología
publisher.none.fl_str_mv Ediciones Trabe
Universidad de Oviedo
Sociedad Española de Geomorfología
dc.source.none.fl_str_mv reponame:DIGITAL.CSIC. Repositorio Institucional del CSIC
instname:Consejo Superior de Investigaciones Científicas (CSIC)
instname_str Consejo Superior de Investigaciones Científicas (CSIC)
reponame_str DIGITAL.CSIC. Repositorio Institucional del CSIC
collection DIGITAL.CSIC. Repositorio Institucional del CSIC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869414711217356800
score 15.811543

Similares en LA Referencia