← Volver a módulos Simulación

Generación estocástica

Series, campos y ensembles sintéticos que preservan distribución marginal, estacionalidad y dependencia espacio-temporal.

En que consiste

Este módulo genera escenarios plausibles cuando el registro observado es demasiado corto para explorar riesgo e incertidumbre. Abarca desde series puntuales mediante CoSMoS y NSRP hasta campos espaciales aleatorios multisitio con estructura de correlación espacio-temporal parametrizada.

Ajustar modelos estocásticos que reproduzcan distribución marginal, estacionalidad, autocorrelación y dependencia espacial. Los ensembles resultantes alimentan modelos físicos y análisis de robustez. El enfoque NSRP (Neyman-Scott Rectangular Pulses) es especialmente útil para precipitación intermitente, mientras que CoSMoS VAR(p) permite simular cualquier variable con estructura espacio-temporal.

Flujo de trabajo

  1. 1 Ajuste de marginales estacionales y estructura temporal (ACF) sobre la serie observada
  2. 2 Calibración PSO de parámetros NSRP o ajuste VAR(p) del campo espacial
  3. 3 Simulación de ensembles con semilla reproducible
  4. 4 Diagnóstico frente a estadísticos observados: media, varianza, ACF, correlación espacial

Entradas

  • • Series diarias o sub-diarias observadas con DatetimeIndex (precipitación, caudal, temperatura…)
  • • Coordenadas de estaciones (lat/lon o UTM) para modelos multisitio y campos
  • • Distribución marginal, p0, orden VAR y parámetros de correlación para SpatialFieldModel
  • • Horizonte de simulación y semilla aleatoria para reproducibilidad del ensemble

Salidas

  • • Ensembles sintéticos puntuales de cualquier longitud (pd.Series)
  • • Campos espacio-temporales sintéticos (ndarray n_steps × n_sites)
  • • Series multisitio correlacionadas (pd.DataFrame con DatetimeIndex)
  • • Diagnósticos de media, varianza, ACF, correlación espacial y dependencia de cola

Capacidades implementadas

Funciones tecnicas que el modulo cubre dentro de HYDRA y que deben aparecer en la memoria como parte del manual practico.

Generación puntual de series con CoSMoS (analyze_ts / simulate_ts): marginales flexibles (gengamma, BurrXII, GEV…), probabilidad de cero p0, autocorrelación estacional mensual o semanal.

Modelo NSRP puntual (NSRPModel vía NEOPRENE): proceso de Poisson de tormentas con celdas rectangulares aleatorias, calibración PSO sobre estadísticos observados, resolución diaria u horaria con estacionalidad mensual.

Modelo STNSRP multi-estación (STNSRPModel): preserva correlaciones espaciales entre estaciones con coordenadas geográficas o UTM; calibración PSO con enjambre de 1000 partículas para producción.

Campos aleatorios espacio-temporales con CoSMoS_py (SpatialFieldModel): VAR(p), marginales flexibles, estructuras de correlación espacio-temporal (Clayton, Gneiting), cópulas de dependencia Gauss/Student/Bardossy, advección uniforme/rotación/espiral y anisotropía afín.

Soporte para rejillas regulares y ubicaciones irregulares; diagnóstico completo de media, varianza, ACF, matriz de correlación y excedencia conjunta.

Validacion y control

  • Comparación mensual de estadísticos observados y simulados (media, varianza, p0, correlaciones).
  • Evaluación de ACF empírica frente al modelo de autocorrelación ajustado.
  • Matriz de correlación entre estaciones para validar la preservación de dependencia espacial.
  • Análisis de excedencia conjunta para revisar eventos extremos simultáneos en el ensemble.

Piezas de codigo HYDRA

analyze_ts / simulate_ts / report_ts

Ajuste estacional CoSMoS y simulación de series temporales puntuales con diagnóstico completo.

NSRPModel.fit() / NSRPModel.simulate()

Modelo NSRP puntual calibrado con PSO sobre estadísticos diarios: media, varianza, probabilidad de lluvia, ACF y autocovarianza.

STNSRPModel.fit() / STNSRPModel.simulate()

Extensión multisitio del NSRP que preserva correlaciones espaciales cruzadas entre estaciones.

SpatialFieldModel.fit() / SpatialFieldModel.simulate()

Campo aleatorio VAR(p) con distribución marginal y estructura de correlación espacio-temporal parametrizada.

fit_spatial_model / generate_random_field / check_random_field

API funcional para ajuste, simulación y diagnóstico de campos espaciales en rejilla o ubicaciones irregulares.

Figuras de analisis

Esquemas iniciales para explicar la logica metodologica del modulo dentro de la memoria y la web.

NSRP / NEOPRENE: proceso de Poisson → celdas → serie sintética tiempo origen de tormenta (Poisson) celdas (intensidad, radio, duración aleatorios) precipitación acumulada en el punto (serie sintética) Calibración PSO λ tasa tormentas μ_c celdas/torm. μ_x intensidad β duración celda ρ radio de celda δ desplazam. NSRPModel.fit() PSO n_bees=1000 mensual · diario multianual

Modelo NSRP

Proceso de Poisson de tormentas con celdas rectangulares aleatorias (NSRPModel) y calibración PSO sobre estadísticos observados.

Campo espacio-temporal VAR(p): marginal, correlación y simulación Campo sintético (rejilla 8×8) bajoalto SpatialFieldModel.simulate() VAR(p) · dep_structure='gauss' Correlación espacial distancia (km) correlación — clayton STCS -- gneiting14 ACTF empírica anisotropía: affine / swirl Series multisitio 4 estaciones · correlación preservada STNSRPModel · simulate_dataframe()

Campo espacio-temporal

SpatialFieldModel VAR(p): campo sintético sobre rejilla, función de correlación espacial y series multisitio correlacionadas.

Uso industrial

Como se traduce el modulo en trabajo operativo, transferencia y casos de estudio.

Ampliar el número de escenarios para diseño hidrológico cuando el registro histórico es corto (< 30 años).
Construir ensembles de lluvia sintética para análisis de sensibilidad de modelos HEC-HMS o SWAT+.
Explorar riesgo compuesto y eventos plausibles no observados en el periodo histórico disponible.

Papel dentro de HYDRA

Alimenta la herramienta web de generación estocástica con CoSMoS.
Los ensembles sintéticos se usan como forzantes en HEC-HMS, SWAT+ y SFINCS.
Conecta con el análisis de extremos para validar la representación de eventos raros.