Valor de los datos de ciencia ciudadana y otra información limitada para la calibración de un modelo hidrológico
Me llamo Franziska y trabajo como » community manager » en el proyecto CrowdWater. También escribí mi tesis de maestría como parte de CrowdWater y la sometí en junio de 2022. Lo que hice y lo que resultó de ello, lo presento en esta página. Pongo a disposición toda mi tesis en formato PDF aquí.
Para mi tesis de maestría hice modelizaciones hidrológicas. Para ello, utilicé observaciones de la clase de nivel de agua en la categoría de «palo de medida virtual» de once cuencas de Suiza y Austria. Las once cuencas de captación se muestran en el siguiente mapa. De todas estas cuencas se dispone de datos de descarga medidos oficialmente, que podría utilizar para comprobar mis resultados. El objetivo de mi trabajo era averiguar más sobre el valor de las observaciones para la modelización hidrológica. Utilicé los datos de la ciencia ciudadana en combinación con otra información sobre la descarga.
Para cada una de las cuencas disponía de un determinado número de observaciones de clase de nivel de agua. Los combiné con un número limitado de mediciones de descarga, que se distribuyen regularmente a lo largo del año. De este modo, obtuve 24 escenarios diferentes de disponibilidad de datos, es decir, todas las combinaciones posibles de
- 0%, 25%, 50%, 75% y 100% de los datos de ciencia ciudadana disponibles, y
- 0, 1, 3, 6, 12 mediciones de descarga por año.
Estos 24 escenarios constituyeron el enfoque básico para los análisis del valor de los datos: Calibré el modelo HBV, un modelo para simular la escorrentía en una cuenca, para cada una de mis cuencas con los 24 escenarios diferentes. Esto me permitió obtener conjuntos de parámetros con los que pude simular la escorrentía en una cuenca. Comparé este hidrograma simulado (serie temporal de la descarga simulada) con el hidrograma medido en el punto de medición respectivo. Esta comparación ha permitido establecer la calidad del modelo para simular la escorrentía real. Esta calidad del modelo puede expresarse con un número. Cuanto mayor sea este número, mejor será la concordancia entre la descarga simulada y la medida.
El gráfico de la izquierda muestra un ejemplo de los resultados del Alp de Einsiedeln. Es claramente visible que la calidad del modelo tiende a ser mayor con más datos: los campos se vuelven más oscuros (lo que corresponde a un valor más alto) cuanto más alto y más a la derecha se encuentre el campo. El número de mediciones de descarga aumenta de izquierda a derecha. La proporción de observaciones de Ciencia Ciudadana utilizadas aumenta de abajo a arriba. Los conjuntos de parámetros seleccionados al azar dan como resultado una calidad del modelo de 0, una simulación perfecta de la escorrentía da como resultado una calidad del modelo de 1. Los resultados no fueron tan claros para todas las cuencas. La cantidad de observaciones de ciencia ciudadana disponibles y su precisión influyeron en el hecho de que el uso de las observaciones de ciencia ciudadana supusiera un valor añadido o no. Por ejemplo, en el Sellenbodenbach en Neuenkirch, las calibraciones basadas en 12 mediciones de descarga fueron más exitosas que cuando se utilizaron observaciones adicionales de la ciencia ciudadana.
He modificado el enfoque básico descrito anteriormente de varias maneras para obtener más información sobre el valor de los diferentes datos. El uso adicional de una estimación de la descarga media en la cuenca de captación condujo a una mejora significativa de los resultados. En las cuencas con observaciones bastante imprecisas de las clases de nivel de agua, se podría mejorar aún más los resultados utilizando los niveles de agua medidos en los mismos puntos en el tiempo en lugar de las clases de nivel de agua.
En una última aproximación, utilicé los valores medianos resultantes del juego CrowdWater en lugar de las clases de nivel de agua de la aplicación para el Königsseeache, el Salzach, el Urtene y el Alp. En el caso del Alp, donde las clases de nivel de agua mejoraron en el juego (para el Königsseeache y el Salzach no hubo una mejora clara, para el Urtene los valores de la app fueron mejores que los del juego), los resultados mejoraron así, especialmente cuando la calibración se basó principalmente en datos de la ciencia ciudadana.
Me gustaría dar las gracias a todos por participar en el proyecto CrowdWater y hacer así posible mi tesis de máster. Me ha gustado mucho trabajar con los datos de la aplicación CrowdWater y el juego CrowdWater. Agradezco las preguntas y los comentarios que tengan sobre mi tesis de maestría. Pueden contactarse conmigo en info@crowdwater.ch.