Aquest estudi analitza la predicció d'episodis d'alta terbolesa en el riu Llobregat mitjançant models de machine learning. S'aplica un model de processos de Hawkes per a capturar el comportament autoexcitat dels episodis. Posteriorment s'avaluen diferents models mitjançant la llibreria H2O en R, incorporant variables com a pluja acumulada i volatilitat estimada mitjançant models GARCH. El millor acompliment s'aconsegueix amb un model Stacked Ensemble, que aconsegueix un 98% de precisió. Els resultats permeten anticipar fenòmens crítics i millorar la gestió de l'aigua, amb potencial d'aplicació a altres sistemes fluvials.

Este estudio analiza la predicción de episodios de alta turbidez en el río Llobregat mediante modelos de machine learning. Se aplica un modelo de procesos de Hawkes para capturar el comportamiento autoexcitado de los episodios. Posteriormente se evalúan distintos modelos mediante la librería H2O en R, incorporando variables como lluvia acumulada y volatilidad estimada mediante modelos GARCH. El mejor desempeño se alcanza con un modelo Stacked Ensemble, que logra un 98% de precisión. Los resultados permiten anticipar fenómenos críticos y mejorar la gestión del agua, con potencial de aplicación a otros sistemas fluviales.

This study analyzes the prediction of high turbidity episodes in the Llobregat River using machine learning models. A Hawkes process model is applied to capture the self-exciting behavior of the episodes. Subsequently, various models are evaluated using the H2O library in R, incorporating variables such as accumulated rainfall and volatility estimated through GARCH models. The best performance is achieved with a Stacked Ensemble model, reaching 98% accuracy. The results make it possible to anticipate critical phenomena and improve water management, with potential applications to other river systems.