Aplicación de modelos predictivos basados en inteligencia artificial para la gestión sostenible del agua en embalses de Andalucía : Transfer Learning para la adaptación eficiente de modelos predictivos entre embalses con características similares.

Abstract

Este Trabajo Fin de Grado presenta una solución práctica para apoyar la gestión de embalses en Andalucía mediante aprendizaje por transferencia (transfer learning). Se construye un pipeline ETL reproducible que integra series históricas hidrológicas y meteorológicas, normaliza nombres y tiempos y genera variables derivadas. Con esta base se entrenan modelos GRU con ventanas largas y horizonte operativo de 14 días, comparados frente a líneas base (persistencia y climatología). Para escalar el modelado entre ubicaciones, los embalses se segmentan en clústeres hidroclimáticos y se seleccionan modelos máster por clúster para su adaptación a destinos afines, reduciendo coste computacional y tiempo de convergencia sin pérdida apreciable de precisión. El sistema combina un repositorio temporal consistente (InfluxDB), modelos listos para inferencia y una interfaz web para consulta de series e indicadores. Las líneas futuras incluyen variables de operación y cuantificación de la incertidumbre.