Análisis clúster de episodios de lluvia mediante métodos estadísticos y de inteligencia artificial.

Abstract

[spa] Los eventos de precipitación fuerte pueden tener consecuencias importantes en áreas urbanas, puesto que pueden provocar vertidos que resulten en inundaciones, contaminación del agua y otras consecuencias negativas. Este trabajo de Fin de Máster trata de caracterizar y clusterizar episodios de lluvia de la cuenca de saneamiento de Mallorca, prestando especial atención en aquellos que ocurren durante la temporada de baño en los meses de mayo a octubre, los cuales son especialmente fuertes. Para ello, se han creado episodios independientes de lluvia a partir de datos de precipitaciones diez minutales y se han definido variables clásicas para cada uno de ellos. La principal contribución de este trabajo resulta en introducir unas variables estadísticas llamadas L-Momentos para caracterizar los eventos de precipitación en la región de estudio. Tras aplicar el algoritmo de K-Means para separar los episodios en clústeres, los resultados muestran que mediante las variables clásicas obtenemos una mejor discriminación entre las diferentes tipologías de lluvia y se identifica un mayor número de episodios que pertenecen a la temporada de baño. Sin embargo, resulta sorprendente la eficacia de los L-Momentos, ya que sus resultados no se alejan tanto de los obtenidos mediante las variables clásicas, incluso superando la mayoría de ellas. Además, los clústeres resultantes presentan una cantidad mínima de episodios discordantes y una notable homogeneidad, indicando que se trata de una agrupación sólida y bien definida

[eng] Heavy rainfall events can have important consequences in urban areas, since they can cause spills resulting in flooding, water pollution and other negative consequences. This Master’s thesis aims to characterize and cluster rainfall events in the sanitation basin of Mallorca, paying special attention to those occurring during the bathing season in the months of May to October, which are particularly heavy. For this purpose, independent rainfall episodes have been created from ten-minute rainfall data and classical variables have been defined for each of them. The main contribution of this work results in the introduction of statistical variables called L-Moments to characterize the rainfall events in the study region. After applying the K-Means algorithm to separate the episodes into clusters, the results show that by means of the classical variables we obtain a better discrimination between the different rainfall typologies and a greater number of episodes belonging to the bathing season are identified. However, the effectiveness of the L-Moments is surprising, since its results are not so far from those obtained with the classical variables, even surpassing most of them. Moreover, the resulting clusters show a minimum amount of discordant episodes and a remarkable homogeneity, indicating that it is a solid and well-defined grouping