← Casos piloto
Caso Piloto Río Manzanares Madrid, España

M30 · Manzanares

Estadística multivariada de inundación mediante cópulas gaussianas — Río Manzanares, Madrid

17 pluviómetros cuenca M30
~1M eventos sintéticos generados
+0.83 m calado adicional T=500 (cópula vs clásico)
303 secciones transversales HEC-RAS

Descripción del caso

Caso piloto publicado en Ingeniería del Agua (Navas et al. 2024) en el que se desarrolla una metodología de análisis de frecuencia de inundación basada en la generación de hietogramas sintéticos multivariados a partir de cópulas gaussianas sobre 17 pluviómetros ubicados en el entorno de la Calle 30 de Madrid. La metodología clasifica 1.761 eventos históricos mediante PCA + K-Means, genera ~1M eventos sintéticos por cópula, selecciona 1.000 mediante MaxDiss, transforma la lluvia en caudales con HEC-HMS y simula los calados con HEC-RAS 1D, para después reconstruir el conjunto mediante interpolación kNN y obtener curvas de período de retorno en las secciones de interés (Puente de Toledo, Represa nº9).

Reto hidrológico

El análisis de frecuencia univariado de precipitación subestima el riesgo en cuencas urbanas densamente instrumentadas como el Manzanares en Madrid. La estadística de precipitación en una sola estación ignora la variabilidad espacial y la correlación entre pluviómetros. Además, transformar precipitación en caudal exige una cadena de modelos (hidrológico + hidráulico) cuya incertidumbre acumulada es difícil de cuantificar si sólo se propagan hietogramas de diseño clásicos. El resultado es una caracterización del riesgo con cobertura de incertidumbre insuficiente y potencial infravaloración del evento de diseño.

Enfoque HYDRA

La metodología de los notebooks reproduce el pipeline de Navas et al. (2024): (1) los 1.761 eventos históricos de 17 pluviómetros se caracterizan con cuatro parámetros por estación (Pmax, Pmed, Duración, Tipo de hietograma); (2) PCA + K-Means sobre la forma temporal normalizada del hietograma clasifica los eventos (≥100 tipos); (3) una cópula gaussiana OpenTURNS sobre las 68 variables genera ~1M de eventos sintéticos; (4) el algoritmo MaxDiss selecciona 1.000 eventos representativos; (5) los hietogramas se simulan en HEC-HMS (caudales) y HEC-RAS 1D estacionario (calados en 303 secciones); (6) un regresor k-NN (k=3, espacio log-Q) reconstruye calados en los ~1M eventos; (7) el modelo de Poisson compuesto (λ=5.17 ev/año) transforma frecuencias anuales en calados de diseño para T=2…500 años.

Flujo de trabajo

6 notebooks ejecutables — haz clic en cualquier paso para abrir en Jupyter Lab.

01
DatosClima

Datos pluviométricos y eventos históricos

Carga del dataset de 17 pluviómetros de la cuenca M30 (Madrid): 1.000 eventos sintéticos seleccionados, cada uno caracterizado por cuatro parámetros por estación — Pmax (mm), Pmed (mm), Duración (h) y Tipo de hietograma. Exploración de la distribución espacial de la red, relación elevación-precipitación y estadísticas por estación para la estación de referencia P_27 (930 eventos no nulos; Pmax máx = 16.79 mm).

▶ Abrir notebook
02
Estadística

Clasificación PCA + K-Means

Análisis de la columna "Tipo" del dataset, que recoge la clasificación de la forma temporal del hietograma obtenida mediante PCA + K-Means sobre 100 instantes normalizados: ≥100 tipos en el artículo. Se muestra la distribución de eventos por tipo, los estadísticos (Pmax, Pmed, Duración) por tipo para P_27 y se explica que la clasificación se realiza sobre la forma temporal del hietograma, no sobre el patrón espacial de precipitación.

▶ Abrir notebook
03
EstadísticaHidrología

Cópula gaussiana y generación sintética

Reproducción de la Figura 6 de Navas et al. (2024): scatters de 4 paneles para la estación de referencia P_27 (Pmax vs Pmed, Pmax vs Duración, Pmed vs Duración, Pmed vs Tipo). Comparación entre los eventos sintéticos generados por la cópula gaussiana OpenTURNS (~1M, azul) y los 1.000 eventos seleccionados (rojo). Ajuste de distribuciones marginales (Exponencial, Weibull, LogNormal, Gamma) con test KS y curva de período de retorno para Pmax en P_27.

▶ Abrir notebook
04
Hidrología

MaxDiss — selección de 1.000 eventos

Reproducción de la Figura 7 de Navas et al. (2024): scatters para P_27 con los 1.000 eventos seleccionados por MaxDiss (rojo) sobre los ~1M sintéticos (azul). Demostración en vivo del algoritmo MaxDiss: selección de 50 eventos representativos de una muestra de 10.000 en el espacio 4D de P_27, mostrando la cobertura cuasi-uniforme obtenida.

▶ Abrir notebook
05
HidrologíaHidráulica

HEC-HMS + HEC-RAS — simulación hidráulica

Exportación de los 1.000 hietogramas seleccionados a formato HEC-HMS (.met) y ejecución del modelo hidrológico sobre la cuenca del Manzanares (22 subcuencas, método SCS-CN, tránsito Muskingum). Los caudales pico resultantes se agrupan en 22 valores de referencia que se simulan en HEC-RAS 1D estacionario sobre el tramo canalizado M30 (17 km, 303 secciones transversales, hipótesis hidráulica 6). Los resultados se exportan como calados y láminas de agua en las 303 secciones.

▶ Abrir notebook
06
EstadísticaHidráulica

kNN + régimen extremal

Reconstrucción de los calados en las 1M simulaciones sintéticas mediante interpolación k-vecinos más cercanos (k=3) en el espacio de caudales máximos. Aplicación del modelo de Poisson compuesto (λ=5.17 eventos/año) para obtener calados de diseño en T=2, 5, 10, 20, 50, 100 y 500 años en las 303 secciones. Comparación con el régimen extremal clásico (GEV univariada sobre la serie de aforos). El método basado en cópulas (Navas et al., 2024) supera en ~0.83 m al clásico en el Puente de Toledo para T=500 años.

▶ Abrir notebook

Pipeline: Estadística Multivariada de Inundación M30 — 8 pasos

Flujo metodológico: desde las series de precipitación de 17 pluviómetros (paso 1) hasta las curvas de período de retorno por sección (paso 8). Los pasos 1–4 (azul) construyen el espacio sintético multivariado; los pasos 5–8 (verde) ejecutan la cadena HMS+RAS+kNN y extraen el régimen extremal. El resultado central es el calado de diseño en el Puente de Toledo: +0,83 m sobre el método clásico para T=500 años.

Pipeline: Estadística Multivariada de Inundación — M30 Manzanares PASO 1 Series de precipitación 17 pluviómetros · M30 PASO 2 PCA + K-Means clasificación ~100 tipos de evento PASO 3 Cópula Gaussiana multivariada ~1 000 000 eventos sint. PASO 4 MaxDiss selección 1 000 eventos representativos PASO 5 HEC-HMS simulación hidrológica 1 000 caudales máximos PASO 6 HEC-RAS hidráulica 1D 22 perfiles simulados PASO 7 kNN reconstrucción 1M calados interpolados PASO 8 Régimen extremal multivariado T = 2…500 años SECCIÓN PUENTE DE TOLEDO — Calado por período de retorno: T = 100 AÑOS 5.05 m Clásico 6.00 m Cópula +0.95 m T = 500 AÑOS 6.78 m Clásico 7.61 m Cópula +0.83 m ESTADÍSTICAS DE LA METODOLOGÍA λ = 5.17 eventos/año 17 pluviómetros 1M sint. generados Navas et al. (2024) · Ingeniería del Agua · M30 Manzanares, Madrid · DOI: 10.4995/ia.2024.22293 pyhydra: maxdiss · OpenTURNS GaussianCopula · scikit-learn KNN · Poisson compuesto

Análisis interactivo

Curvas de período de retorno y perfil longitudinal de calados. Metodología basada en cópulas (Navas et al., 2024) vs Régimen Extremal clásico (GEV univariada) en las secciones de control del tramo M30.

Curva de período de retorno — Puente de Toledo

Calado (m) vs T (años) · Sección XS 6262

Perfil longitudinal de calados — T = 100 y 500 años

303 secciones transversales · Cópula vs Clásico

Nube de eventos seleccionados — espacio de precipitación

200 eventos representativos (MaxDiss de ~1M sintéticos) · Pmax acumulado (mm) vs Duración (h)

Calados de diseño (m) — Puente de Toledo (XS 6262)

Método T=2 T=5 T=10 T=20 T=50 T=100 T=500
Cópula (Navas et al., 2024) 1.982.853.684.455.356.007.61
Clásico (GEV) 2.643.013.363.794.465.056.78
Diferencia (m) -0.66 -0.15 +0.32 +0.67 +0.89 +0.95 +0.83

Referencias del caso

Fuentes de datos, métodos y validaciones que sustentan el caso piloto.

Navas et al. (2024) — Ingeniería del Agua · DOI 10.4995/ia.2024.20925

Análisis de frecuencia de inundación multivariado mediante cópulas gaussianas sobre series de precipitación de 17 estaciones en el entorno de la M30 (Madrid). Metodología completa: PCA + K-Means + cópula + MaxDiss + HEC-HMS + HEC-RAS + kNN + Poisson compuesto. IHCantabria — Universidad de Cantabria.

Hallazgos clave

Resultados principales extraídos del análisis.

  • La metodología basada en cópulas (Navas et al., 2024) — cópula gaussiana multivariada + kNN + Poisson compuesto — produce calados de diseño sistemáticamente mayores que el método clásico (GEV univariada) en toda la longitud del tramo M30 canalizado. Para T=500 años en el Puente de Toledo, la diferencia es de +0,83 m (7,61 m vs 6,78 m), con implicaciones directas para el dimensionamiento de las obras de protección y la zonificación de inundabilidad.

  • La cópula gaussiana multivariada sobre 17 pluviómetros captura la covarianza espacial de la precipitación extrema: eventos con máximos simultáneos en múltiples estaciones — que representan el verdadero escenario de riesgo en una cuenca urbana extensa — son generados en proporción realista por la cópula pero subrepresentados por el análisis univariado en una sola estación.

  • El algoritmo MaxDiss reduce el espacio de ~1M eventos sintéticos a 1.000 eventos representativos manteniendo una cobertura cuasi-uniforme del espacio de posibilidades. Esto permite ejecutar la cadena HEC-HMS/HEC-RAS a coste computacional asequible (~22 runs de referencia) y reconstruir el resto por interpolación kNN con error medio de calado inferior a 0,05 m en las secciones de control.

  • La comparación entre las dos secciones de control — Puente de Toledo (XS 6262) y Represa nº9 (XS 4112) — muestra que la diferencia entre métodos aumenta con el período de retorno y es consistente en ambas secciones (+0,83 m y +0,69 m respectivamente para T=500 años), lo que indica que el incremento de calado no es un artefacto local sino una consecuencia sistemática de la metodología multivariada.