En la actualidad se realizan pronósticos probabilísticos en una amplia gama de campos: Predicción de las variables económicas en el campo de la economía y finanzas, predicción de resultados en los eventos deportivos, predicción de epidemias en el campo de la medicina y predicción de caudales dentro del campo hidrológico, etc.
El ‘National Weather Service’ de Estados Unidos comenzó a realizar pronósticos probabilísticos de ocurrencia de precipitación en el año 1969, pero no fue hasta la década de 1990 cuando los pronósticos probabilísticos obtenidos mediante un EPS pudieron ser aplicados como herramienta operativa en la predicción hidrológica (Walser et al., 2004). Actualmente, los pronósticos cuantitativos de precipitación (QPF) están operativos en muchas regiones (Collier y Krzystofowicz, 2000), permitiendo que la predicción probabilística sea una fructífera línea de investigación dentro del campo de la hidrología (Georgakos et al., 2001).
El 19 de octubre de 1996 se realizó el primer pronóstico probabilístico de avenidas, mediante la predicción de los niveles en el cauce para tiempos de pronóstico de 1, 2 y 3 días en el futuro. Este pronóstico fue realizado por el ‘National Weather Service’. Este pronóstico fue realizado gracias a la implementación del ‘Pronóstico probabilístico a corto plazo de transición del
nivel del río’ (PSTF), que partiendo de un pronóstico probabilístico de precipitación cuantitativa (PQPF), da como resultado una función de probabilidad de excedencia del nivel máximo del río. El PSTF consta de los siguientes módulos: Un ‘Procesador de la incertidumbre de la precipitación’ (PUP), que transforma un pronóstico probabilístico de precipitación cuantitativa (PQPF) en una distribución de probabilidad de una variable de salida de un modelo hidrológico; un ‘Procesador de
la incertidumbre hidrológica’ (HUP), que cuantifica la incertidumbre debido a fuentes distintas a la precipitación como el propio modelo hidrológico, los datos, la incertidumbre en le estimación de los parámetros, etc.; y un ‘Integrador’ (INT), que combina las cuantificaciones de las incertidumbres hidrológicas y de precipitación dentro del PQPF. (Krzysztofowicz, 1999; Krzysztofowicz y Maranzano, 2004).
Los modelos de predicción probabilística se han aplicado en escasas ocasiones a la predicción a corto plazo de avenidas en tiempo real. El ‘National Weather Service’ de Estados Unidos ha desarrollado recientemente un nuevo componente, llamado ‘Advanced Hydrologic
Prediction Service (AHPS)’, que permite cuantificar la magnitud de la incertidumbre de ocurrencia de avenidas en intervalos de tiempo desde horas a meses. El ‘AHPS’ suministra probabilidades de excedencia de caudales, nivel de río y volúmenes (Evans, 2003; Ingram y Duan, 2003).
La concienciación acerca de la necesidad y utilidad de pronósticos probabilísticos de avenidas ha llevado a un creciente interés por dicho campo durante los últimos años, dando como resultado la aparición de diversas aproximaciones probabilísticas (Tamea et al., 2005):
- Métodos que utilizan técnicas de repetición de muestreos de datos para evaluar la incertidumbre de los parámetros y del modelo, como el algoritmo Metropolis, basado en simulaciones de Monte-Carlo y un método aleatorio para conseguir las distribuciones de probabilidad que describen la incertidumbre (Kuczera y Parent, 1998), la metodología GLUE (Generalizad Likelihood Uncertainty Estimation) utilizada como modelo de evaluación de la incertidumbre (Montanari, 2005; Hossain y Anagnostou, 2005) o la utilización de redes Bayesianas para cuantificar la incertidumbre a partir de un conjunto de simulaciones de Monte- Carlo sobre un modelo hidrológico determinístico (Garrote y Molina, 2003; Molina et al., 2005).
- Métodos basados en el procesamiento de los errores cometidos en los pronósticos de una variable durante eventos de avenidas ocurridos en el pasado, para obtener las distribuciones de probabilidad de valores futuros de dicha variable, por ejemplo, el método implementado por Montanari y Brath, 2004; que consiste en una técnica que
evalúa la incertidumbre de las simulaciones de un modelo de lluvia-escorrentía mediante una aproximación meta-Gaussiana que estima la distribución de probabilidad del error del modelo condicionado al valor del caudal simulado.
- Métodos que evalúan cómo se propaga la incertidumbre desde el pronóstico de precipitaciones hasta el pronóstico de caudales en el cauce, por ejemplo, el modelo de pronóstico PQPF ya comentado, el modelo de pronóstico en cadena desarrollado dentro del proyecto HYDROPTIMET (Taramasso et al., 2005) o la metodología de evaluación de las funciones de distribución de probabilidad acumuladas de los efectos del suelo sobre los pronósticos de avenidas en zonas montañosas (Ferraris et al., 2002; Siccardi et al., 2005).
- Métodos que unen las aproximaciones primera y tercera, es decir, utilizan técnicas de muestreo de datos mediante simulaciones de Monte Carlo para cuantificar la incertidumbre, a la vez que analizan la propagación de la incertidumbre desde el pronóstico de precipitaciones, pasando por el modelo de lluvia-escorrentía e incluso llegando al modelo hidráulico de inundaciones, como es el caso del modelo de estimación de la incertidumbre en cascada desarrollado dentro del EFFS (European Flood Forecasting System) que utiliza la metodología GLUE para cuantificar la propagación de la incertidumbre por los distintos modelos (Pappenberger et al., 2005)
Actualmente, la organización ‘Risk Management Solutions (RMS)’ está desarrollando varios modelos probabilísticos de ejecución de defensas frente a avenidas, como el modelo
‘U.K. River Flood’ (RMS, 2004a) y el modelo ‘Belgium River Flood’ (RMS, 2004b).
Comercialmente, se tiene previsto crear el modelo ‘DACH Flood’ que suministrará pronósticos probabilísticos de avenidas en Europa. El modelo tendrá aplicación sobre los ríos de Alemania, para posteriormente extenderlo a Austria, Suiza y otras zonas de Europa (Toothill y Catford, 2004).