Está en la página 1de 20
PRONÓSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO ILAVE UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES Universidad
PRONÓSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO ILAVE UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES Universidad
PRONÓSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO ILAVE UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES
PRONÓSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO
ILAVE UTILIZANDO MODELOS DE REDES NEURONALES
ARTIFICIALES
ILAVE UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES Universidad Nacional del Altiplano Facultad de Ingeniería

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

Efrain, LUJANO LAURA

Puno, 03 de enero del 2013 SENAMHI DR13 - Puno

OBJETIVOS

OBJETIVO GENERAL

Pronosticar los

caudales

neuronales artificiales

medios

mensuales

del

rio Ilave

utilizando

modelos

de redes

OBJETIVOS ESPECÍFICOS

Establecer modelos basados en redes neuronales artificiales que permitan pronosticar con cierta exactitud los caudales medios mensuales del rio Ilave en función de variables independientes como precipitación y caudal.

Determinar la capacidad de desempeño de los modelos de redes neuronales artificiales frente al modelo hidrológico de Lutz Scholz.

artificiales frente al modelo hidrológico de Lutz Scholz. Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

REDES NEURONALES ARTIFICIALES

Según Toro, Mejia y Salazar (2004), las redes neuronales artificiales son modelos matemáticos que

tratan de hacer una pequeña emulación del funcionamiento del cerebro humano. Son metodologías novedosas que permiten hacer pronósticos donde hay cierto comportamiento no lineal. Las redes

neuronales se “aprenden” o modelan la dinámica del fenómeno en estudio y tienen en cuenta el

tiempo como una variable que afecta el fenómeno; de esta forma ofrecen resultados más robustos y cercanos a la realidad.

FUNCIONAMIENTO

NEURONA BIOLOGICA

NEURONA ARTIFICIAL

FUNCIONAMIENTO NEURONA BIOLOGICA NEURONA ARTIFICIAL Servicio Nacional de Meteorología e Hidrología ECI
FUNCIONAMIENTO NEURONA BIOLOGICA NEURONA ARTIFICIAL Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

HISTORIA DE LAS REDES NEURONALES ARTIFICIALES

En 1936 Alan Turing, fue el primero en estudiar el cerebro como una forma de ver el mundo de la

computación.

1943 McCulloch (neurofisiólogo) y Walter Pitts (matemático), Modelaron una red neuronal

simple mediante circuitos eléctricos.

1949 Donald Hebb, propone el primer método de aprendizaje (A. hebbiano no supervisado).

1957 Frank Rosenblatt, comenzó el desarrollo del perceptrón (perceptrón simple). El perceptrón es la más antigua red neuronal y se usa hoy en día de varias formas para la aplicación como reconocedor de patrones.

En 1969, Marvin Minsky y Papert, esta casi fue el fin de las redes neuronales debido a que

Minsky y Papert probaron matemáticamente que el Perceptrón no era capaz de resolver problemas relativamente fáciles. Concluyeron que en general, los descubrimientos en redes neuronales no

merecían la pena.

En 1974 Paul Werbos, Desarrolló la idea básica del algoritmo de retropropagación con otro nombre, como parte de su tesis doctoral.

En 1986 Rumelhart, Hinton y Williams, basándose en los trabajos de otros investigadores (Paul Werbos), formaron un grupo de trabajo en lo que solucionaron los problemas propuestos por

Minsky y Papert gracias al algoritmo backpropagatión. Para mejorar este procedimiento utilizaron

más niveles de neuronas que los que utilizó Rosenblatt para desarrollar el perceptron.

que utilizó Rosenblatt para desarrollar el perceptron . Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

UBICACIÓN DEL AMBITO DE ESTUDIO

UBICACIÓN DEL AMBITO DE ESTUDIO Servicio Nacional de Meteorología e Hidrología ECI Encuentro Científico Internacional
UBICACIÓN DEL AMBITO DE ESTUDIO Servicio Nacional de Meteorología e Hidrología ECI Encuentro Científico Internacional

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

MATERIALES

INFORMACION CARTOGRÁFICA

Cartas Nacionales que abarca la cuenca del rio Ilave a escala 1/100,000 del Instituto Geográfico

Nacional (IGN) digitalizado bajo el entorno de SIG con equidistancia mínima entre curvas de nivel

de 50 m.

INFORMACION HIDROMETEOROLÓGICA

PLUVIOMÉTRICA

HIDROMETRICA

HIDROMETEOROLÓGICA • PLUVIOMÉTRICA • HIDROMETRICA Servicio Nacional de Meteorología e Hidrología Ubicación

Servicio Nacional de Meteorología

e Hidrología

Ubicación Geográfica Unidad N° Estación Tipo Hidrográfica Propietario Latitud Longitud Altitud Distrito
Ubicación Geográfica
Unidad
Estación
Tipo
Hidrográfica
Propietario
Latitud
Longitud
Altitud
Distrito
Provincia
Dpto
(Cuenca)
(msnm)
Sur
Oeste
1
Ichuña
CO
Tambo
Ichuña
Gral. Sanchez C.
Moquegua
16°07'57.4"
70°33'07.5"
3800
Senamhi
2
Mañazo
CO
Illpa
Mañazo
Puno
Puno
15°48'00.0"
70°21'00.0"
3920
Senamhi
3
Puno
CP
U.
H. 01783
Puno
Puno
Puno
15°49'34.5"
70°00'43.5"
3820
Senamhi
4
Laraqueri
CO
Ilave
Pichacani
Puno
Puno
16°09'16.9"
70°03'59.7"
3900
Senamhi
5
Rincón de la cruz
CO
U.
H. 01783
Acora
Puno
Puno
15°59'26.1"
69°48'39.0"
3835
Senamhi
6
Ilave
CO
Ilave
Ilave
El collao
Puno
16°05'17.7"
69°38'42.0"
3880
Senamhi
7
Juli
CO
U.
H. 01757
Ilave
Chucuito
Puno
16°12'13.6"
69°27'35.7"
3812
Senamhi
8
Chilligua
PLU
Ilave
Conduriri
El collao
Puno
16°32'25.4"
69°40'11.5"
3960
Senamhi
9
Mazocruz
CO
Ilave
Santa Rosa
El collao
Puno
16°44'24.4"
69°42'21.9"
4003
Senamhi
10
Chichillapi
PLU
Ilave
Santa Rosa
El collao
Puno
16°55'00.0"
69°44'00.0"
4050
Pet-Tacna
11
Coypa Coypa
PLU
Ilave
Santa Rosa
El collao
Puno
17°01'00.0"
69°56'00.0"
4450
Pet-Tacna
12
Pampa Umalzo
CO
Locumba
Candarave
Candarave
Tacna
16°52'30.0"
70º25'24.8"
4601
Senamhi
13
Vilacota
CO
Mauri
Susapaya
Tarata
Tacna
17°07'06.0"
70°03'03.0"
4390
Senamhi
14
Capazo
CO
Mauri
Capazo
El collao
Puno
17°11'15.8"
69°44'07.8"
4530
Senamhi
15
Pizacoma
CO
Mauri Chico
Pizacoma
Chucuito
Puno
16°54'25.3"
69°22'06.8"
4060
Senamhi
16
Yorohoco
CO
Callaccame
Huacullani
Chucuito
Puno
16°33'54.0"
69°19'14.0"
3845
Pet-Tacna
17
Pocoaque
CO
U.
H. 01757
Pomata
Chucuito
Puno
16°22'49.0"
69°17'06.0"
3850
Pelt
Ubicación Política Ubicación Geográfica N° Rio Estación Tipo Propietario Latitud Longitud Altitud Distrito
Ubicación Política
Ubicación Geográfica
Rio
Estación
Tipo
Propietario
Latitud
Longitud
Altitud
Distrito
Provincia
Dpto
(msnm)
Sur
Oeste
1
Ilave
Puente Ilave
HLG
Ilave
El Collao
Puno
16°05'04.00"
69°37'47.00"
3825
Senamhi
2
Huancané
Puente Huancané
HLG
Huancané
Huancané
Puno
15º12'57.10"
69º47'33.37"
3814
Senamhi
3
Ramis
Puente Ramis
HLG
Taraco
Huancané
Puno
15°15'06.00"
69°52'17.00"
3813
Senamhi

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

METODOLOGIA

METODOLOGIA Servicio Nacional de Meteorología e Hidrología ECI Encuentro Científico Internacional Universidad Nacional
METODOLOGIA Servicio Nacional de Meteorología e Hidrología ECI Encuentro Científico Internacional Universidad Nacional

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

DELIMITACION HIDROGRÁFICA DE LA CUENCA

Y DISCUSIONES DELIMITACION HIDROGRÁFICA DE LA CUENCA Área total: 7,832.53 Km2 Área (lugar pte Ilave): 7771.48

Área total: 7,832.53 Km2 Área (lugar pte Ilave): 7771.48 Km2

total: 7,832.53 Km2 Área (lugar pte Ilave): 7771.48 Km2 Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

e Hidrología ECI Encuentro Científico Internacional Universidad Nacional del Altiplano Facultad de Ingeniería

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

ANALISIS DE LA INFORMACION HIDROMETEOROLOGICA

ANALISIS GRAFICO

ANALISIS VISUAL DE HIDROGRAMAS

ANALISIS DE DOBLE MASA

1500 500 1200 400 900 300 600 200 300 100 0 0 Precipitación (mm) Precipitación
1500
500
1200
400
900
300
600
200
300
100
0
0
Precipitación (mm)
Precipitación (mm)
1965
1965
1968
1971
1971
1974
1977
1977
1980
1983
1983
1986
1989
1989
1992
1995
1995
1998
2001
2001
2004
2007
2007

Tiempo (Años )

Tiempo (Años)

Capazo Vilacota Coypa Coypa Chichillapi Mazocruz Pampa Umalso 30000 25000 20000 15000 10000 5000 0
Capazo
Vilacota
Coypa Coypa
Chichillapi
Mazocruz
Pampa Umalso
30000
25000
20000
15000
10000
5000
0
0
3000
6000
9000 12000 15000 18000 21000 24000
Prec. Acum. Est. (mm)

Prec. Acum. Prom. Est. (mm)

ANALISIS ESTADISTICOS

ANÁLISIS DE SALTOS

Estación

Periodo

Periodo de

Promedio

Desviación

Consistencia en la Media

Consistencia en la Desviación Estandar

Sp

Sd

Tc

Tt (95%)

Comparación

Fc

Ft (95%)

Comparación

Diferencia

análisis

de datos

Estandar

Capazo

N

1

1965

- 1980

190

46.24

71.50

70.3

6.4

-0.060

1.965

│Τ c│<Tt

NO

1.056

1.234

│Fc│<Ft

NO

N

2

1981

- 2007

322

46.62

69.57

Vilacota

N

1

1965

- 1972

95

36.88

62.39

68.3

7.9

-0.229

1.965

│Τ c│<Tt

NO

1.250

1.327

│Fc│<Ft

NO

N

2

1973

- 2007

366

38.68

69.76

Coypa Coypa

N

1

1965

- 1974

119

33.93

56.36

57.4

6.3

-0.663

1.966

│Τ c│<Tt

NO

1.056

1.304

│Fc│<Ft

NO

N

2

1975

- 1997

267

38.13

57.92

Chichillapi

N

1

1965

- 1985

252

36.48

51.54

49.9

5.4

0.361

1.966

│Τ c│<Tt

NO

1.239

1.299

│Fc│<Ft

NO

N

2

1986

- 1996

126

34.52

46.31

Mazocruz

N

1

1965

- 1983

216

40.85

58.26

61.6

5.6

-0.709

1.965

│Τ c│<Tt

NO

1.209

1.237

│Fc│<Ft

NO

N

2

1984

- 2007

282

44.80

64.07

Pampa Umalzo

N

1

1965

- 1986

256

33.27

54.69

52.3

4.8

0.122

1.965

│Τ c│<Tt

NO

1.217

1.238

│Fc│<Ft

NO

N

2

1987

- 2007

227

32.69

49.57

Estación
Estación
Capazo Vilacota Coypa Coypa Chichillapi Mazocruz Pampa Umalzo
Capazo
Vilacota
Coypa Coypa
Chichillapi
Mazocruz
Pampa Umalzo

Tendencia

Media (Tm)

Desv. Ext (Ts)

Media (Tm)

Desv. Ext (Ts)

Media (Tm)

Desv. Ext (Ts)

Media (Tm)

Desv. Ext (Ts)

Media (Tm)

Desv. Ext (Ts)

Media (Tm)

Desv. Ext (Ts)

(Tm) Desv. Ext (Ts) Media (Tm) Desv. Ext (Ts) Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

ANÁLISIS DE TENDENCIAS

Parámetros

Coeficiente de Regresión

Media

Desv. Est.

Am

Bm

Cm

46.48

70.22

48.437

-0.008

-

69.42

22.08

76.019

-0.290

-

38.31

68.25

43.463

-0.020

-

62.76

30.91

76.163

-0.608

-

36.84

57.40

30.311

0.034

-

53.41

22.69

44.767

0.509

-

35.83

49.81

36.374

-0.003

-

48.01

15.80

51.104

-0.193

-

43.09

61.58

42.502

0.002

-

58.47

23.81

58.874

-0.018

-

33.00

52.29

33.344

-0.001

-

48.22

22.96

50.768

-0.116

-

Coeficiente de

Número de

Correlación

Datos

Tc

R

N

-0.016

512

-0.362

-0.162

39

-0.996

-0.047

461

-0.998

-0.261

35

-1.552

0.065

386

1.282

0.205

31

1.129

-0.006

378

-0.122

-0.111

31

-0.603

0.006

498

0.123

-0.010

40

-0.061

-0.004

483

-0.084

-0.063

36

-0.371

Análisis Estadístico

 

Tendencia

Tt (95%)

comparación

significativa

1.965

Τc<Tt

NO

2.026

Τc<Tt

NO

1.965

Τc<Tt

NO

2.035

Τc<Tt

NO

1.966

Τc<Tt

NO

2.045

Τc<Tt

NO

1.966

Τc<Tt

NO

2.045

Τc<Tt

NO

1.965

Τc<Tt

NO

2.024

Τc<Tt

NO

1.965

Τc<Tt

NO

2.032

Τc<Tt

NO

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

NO Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

COMPLETACION Y EXTENSION DE DATOS

1500 1200 900 600 300 0 Precipitación (mm) 1965 1971 1977 1983 1989 1995 2001
1500
1200
900
600
300
0
Precipitación (mm)
1965
1971
1977
1983
1989
1995
2001
2007

Tiempo (Años)

PRECIPITACION AREAL DE LA CUENCA

2001 2007 Tiempo (Años) PRECIPITACION AREAL DE LA CUENCA Cuenca del rio Ilave (Lugar: Puente Ilave)

Cuenca del rio Ilave (Lugar: Puente Ilave)

DE LA CUENCA Cuenca del rio Ilave (Lugar: Puente Ilave) Superficie Total (At) = 7771.48 Km
Superficie Total (At) = 7771.48 Km 2 Área de Coeficiente Nº Estación influencia (Ai) pluviométrico
Superficie Total (At) =
7771.48
Km 2
Área de
Coeficiente
Estación
influencia (Ai)
pluviométrico
(Km 2 )
1 Ichuña
74.90
0.009638
2 Puno
232.59
0.029929
3 Laraqueri
2437.10
0.313595
4 Rincón de la Cruz
392.85
0.050551
5 Ilave
363.19
0.046734
6 Juli
1.07
0.000138
7 Chilligua
1481.31
0.190609
8 Yorohoco
14.72
0.001894
9 Pizacoma
23.78
0.003059
10 Mazocruz
1155.39
0.148671
11 Pampa Umalzo
52.97
0.006816
12 Coypa Coypa
576.92
0.074236
13 Chichillapi
784.06
0.100890
14 Capazo
162.37
0.020893
15 Vilacota
18.24
0.002347
Total
7771.48
1.00
0.020893 15 Vilacota 18.24 0.002347 Total 7771.48 1.00 Servicio Nacional de Meteorología e Hidrología ECI
0.020893 15 Vilacota 18.24 0.002347 Total 7771.48 1.00 Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

MODELAMIENTO CON REDES NEURONALES ARTIFICIALES

ARQUITECTURA

MODELAMIENTO CON REDES NEURONALES ARTIFICIALES ARQUITECTURA En la práctica no existe una regla definida para establecer
MODELAMIENTO CON REDES NEURONALES ARTIFICIALES ARQUITECTURA En la práctica no existe una regla definida para establecer

En la práctica no existe una regla definida para establecer el número de neuronas

en la capa de entrada. Un procedimiento útil para la selección de las variables relevantes (Masters, 1993), consiste en entrenar la red con todas las variables de entrada necesarias y a continuación ir eliminando una variable de entrada cada vez y reentrenar la red.

PLANTEAMIENTO DE MODELOS

En el presente trabajo de investigación se ha planteado 06 modelos de RNA’s cuyas variables de entrada (capas de entrada) tienen diferentes combinaciones de precipitación P(t-k) para k = 0, 1, 2 y caudales afluentes Qt-k para k = 1, 2, 3, 4 y como variable de salida el caudal medio mensual Qt.

Modelo

Variable

Dependiente

Variables Independientes

MRNA1 MRNA2 MRNA3 MRNA4   Q MRNA5 Q MRNA6 (t) (t) Q (t) f (

MRNA1

MRNA2

MRNA3

MRNA4

 

Q

MRNA5

Q

MRNA6

(t)

(t)

Q (t)

f(P (t) ; Q (t-1) )

(t) (t) Q (t) f ( P (t) ; Q (t-1) ) Q Q Q (t)

Q

Q

Q

(t)

(t)

(t)

f(P (t) ; Q (t-1) ; Q (t-2) )

f(P (t) ; Q (t-1) ; Q (t-2) ; Q (t-3) )

f(P (t) ; P (t-1) ;Q (t-1) ; Q (t-2) ; Q (t-3) ; Q (t-4) )

f(P (t) ; P (t-1) ; Q (t-1) ; Q (t-2) )

f(P (t) ; P (t-1) ; P (t-2) ; Q (t-1) ; Q (t-2) ; Q (t-3) )

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

ENTENAMIENTO VALIDACION PRUEBA
ENTENAMIENTO
VALIDACION
PRUEBA

Cuando realizamos modelos de pronóstico hay 3

conjuntos de datos fundamentales que se debe manejar:

Muestra de Entrenamiento: son los datos con los que se entrenan y aprenden los modelos.

Muestra de Validación: selecciona el mejor de los

modelos entrenados.

Muestra de Prueba: Entrega el error real cometido con el modelo seleccionado.

ENTRENAMIENTO DE MODELOS

Nombre: Perceptrón Multicapas (Multilayer).

Datos (75%): 31 años elegidos aleatoriamente (1965-1995)

Topología o arquitectura Feedforward (Alimentación hacia delante)

Capas de neuronas 1 capa de entrada (Numero de neuronas varia de 2 a 6)

1 capa oculta (Numero de neuronas varia de 1 a 15)

1 capa de salida

Función de Activación Logistica Sigmoidea

Método de Aprendizaje Supervisado

Algoritmo de Aprendizaje

Numero de conexiones

Numero de iteraciones

Tasa de aprendizaje y f. momento

Backpropagation. Regla de Aprendizaje Delta generalizada.

Varia de 5 a

Varia de 16 a 11006

0.25 y 0.90 respectivamente

105

de 5 a Varia de 16 a 11006 0.25 y 0.90 respectivamente 105 Servicio Nacional de

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Hastie, Tibshirani y Friedman en su libro The Elements of

Statistical Learning (2008)

señalan que es difícil dar una regla general sobre cuántas observaciones se deben

asignar a cada conjunto,

aunque indican que una división típica puede ser de 50% para el entrenamiento y

25% para la validación y

prueba, respectivamente.

En el presente trabajo de investigación, dada las características de la zona y a que se cuenta con un número reducido de registros de caudales, se ha optado por utilizar un número menor de ellos para validación y prueba, dando un

énfasis mayor al entrenamiento

de la red.

Datos de entrenamiento : 70%

Datos de validación

:

15%

Datos de prueba

:

15%

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

: 15% Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

VALIDACION DE MODELOS

Validación de modelos (15% del total de datos, periodo 1996 2001) MRNA 1

Caudales observados Caudales simulados 400 300 200 100 0 Caudales (m3/seg) 1996 1997 1998 1999
Caudales observados
Caudales simulados
400
300
200
100
0
Caudales (m3/seg)
1996
1997
1998
1999
2000
2001

Tiempo (Años)

EVALUACIÓN DE MODELOS FASE DE VALIDACIÓN

E(%)

(Años) EVALUACIÓN DE MODELOS FASE DE VALIDACIÓN E(%) 100*(1 N (yi i 1 y ˆ i)

100*(1

N (yi i 1
N
(yi
i
1
DE MODELOS FASE DE VALIDACIÓN E(%) 100*(1 N (yi i 1 y ˆ i) 2 N
DE MODELOS FASE DE VALIDACIÓN E(%) 100*(1 N (yi i 1 y ˆ i) 2 N

yˆi)

2

FASE DE VALIDACIÓN E(%) 100*(1 N (yi i 1 y ˆ i) 2 N (yi i
N (yi i 1
N
(yi
i
1

y)VALIDACIÓN E(%) 100*(1 N (yi i 1 y ˆ i) 2 N (yi i 1 2

2

)

ECMN(%)

100*(1 N (yi i 1 y ˆ i) 2 N (yi i 1 y) 2 )

100*(

N (yi i 1
N
(yi
i
1

yˆ i) ˆi)

2

n

1
1

n

)

N (yi i 1
N
(yi
i
1

y)ECMN(%) 100*( N (yi i 1 y ˆ i) 2 n 1 n ) N (yi

2

Modelo

NASH E

ECMN (%)

R 2 (%)

r (%)

(%)

MRNA1

85.2

14.6

85.2

92.3

MRNA2

93.1

6.8

93.4

96.6

MRNA3

87.9

11.9

89.4

94.5

MRNA4

84.8

14.9

86.7

93.1

MRNA5

93.9

6.0

95.0

97.5

MRNA6

85.4

14.4

86.8

93.2

95.0 97.5 MRNA6 85.4 14.4 86.8 93.2 Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

320 R² = 0.852 240 160 80 0 0 80 160 240 320 Observados (m3/seg)
320
R² = 0.852
240
160
80
0
0
80
160
240
320
Observados (m3/seg)

Pronosticados (m3/seg)

R

2

240 320 Observados (m3/seg) Pronosticados (m3/seg) R 2 85.2% de la variación de la variable dependiente

85.2% de la variación de la variable dependiente (Q (t) ), es explicada por las variables

independientes (P (t) ;Q (t-1) ) y el 14.6% restante es debido a los

errores y a otras variables no

consideradas en el modelo

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

modelo Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

PRUEBA DE MODELO (PRONOSTICO)

Pronóstico de caudales MRNA5

Caudales observados Caudales pronosticados 320 240 160 80 0 Caudales (m3/seg) 2002 2003 2004 2005
Caudales observados
Caudales pronosticados
320
240
160
80
0
Caudales (m3/seg)
2002
2003
2004
2005
2006
2007

Tiempo (Años)

EVALUACION DE MODELOS

Pronóstico de caudales MRNA2

Caudales observados Caudales simulados 320 320 240 240 160 160 80 80 0 0 Caudales
Caudales observados
Caudales simulados
320
320
240
240
160
160
80
80
0
0
Caudales (m3/seg)
2002
2003
2004
2005
2006
2007
Caudales (m3/seg)

Tiempo (Años)

Pronóstico de caudales MRNA3

Caudales observados Caudales simulados 2002 2003 2004 2005 2006 2007
Caudales observados
Caudales simulados
2002
2003
2004
2005
2006
2007

Tiempo (Años)

Modelo

NASH E

(%)

ECMN

(%)

R2 (%)

r (%)

MRNA5

88.0

11.8

89.4

94.5

MRNA2

87.9

11.9

91.2

95.5

MRNA3

87.1

12.7

87.2

93.4

95.5 M R N A 3 87.1 12.7 87.2 93.4 Servicio Nacional de Meteorología e Hidrología

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

MAY

NOV

OCT

ABR

DIC

MAR

JUL

AGO

ENE

SET

FEB

JUN

RESULTADOS Y DISCUSIONES

MODELAMIENTO HIDROLOGICO DE LUTZ SCHOLZ

Calibración generación de caudales para el año promedio

 

dias

Precipitación mensual

 

Contribución a la retencion

 

Caudales mensuales

 
 

acumulados

Total P (mm/mes)
Total
P
(mm/mes)
 

Efectiva

 

Gasto

Abastecimiento

 

Generados

 

Observados

Meses

(meses de

PE - I

PE - II

PE - III

PE

b

i

G i

a i

A i

gasto)

(mm/mes)

(mm/mes)

(mm/mes)

(mm/mes)

(mm/mes)

(mm/mes)

(mm/mes)

(m3/sg)

(m3/sg)

(mm/mes)

ENERO

     

160.08

40.60

73.60

98.10

62.30

 

0.000

0.00

0.695

36.10

26.20

76.02

80.36

27.70

FEBRERO

132.98

21.90

48.20

74.00

44.30

0.000

0.00

0.040

2.10

42.20

135.56

131.41

40.90

MARZO

109.26

11.50

30.10

48.90

23.80

0.000

0.00

-0.270

-14.00

37.80

109.68

106.07

36.60

ABRIL

 

30

32.81

0.30

3.40

6.70

1.50

0.587

22.30

0.251

13.10

10.70

32.08

39.80

13.30

MAYO

61

7.21

0.00

0.90

1.80

0.20

0.339

12.90

0.081

4.20

8.90

25.82

14.78

5.10

JUNIO

91

4.09

0.00

0.50

1.10

0.10

0.199

7.60

0.000

0.00

7.70

23.09

10.47

3.50

JULIO

122

2.80

0.00

0.40

0.70

0.10

0.115

4.40

0.000

0.00

4.50

13.06

8.84

3.00

AGOSTO

153

9.96

0.00

1.20

2.40

0.30

0.066

2.50

0.000

0.00

2.80

8.12

7.66

2.60

SETIEMBRE

183

14.51

0.00

1.60

3.30

0.40

0.039

1.50

0.000

0.00

1.90

5.70

7.05

2.40

OCTUBRE

214

29.52

0.20

3.10

6.00

1.40

0.023

0.90

0.016

0.80

1.50

4.35

6.45

2.20

NOVIEMBRE

 

44.97

0.80

5.00

9.40

3.70

0.000

0.00

0.030

1.60

2.10

6.30

9.56

3.20

DICIEMBRE

85.10

5.30

16.70

28.00

11.80

0.000

0.00

0.157

8.20

3.60

10.45

15.79

5.40

TOTAL

     

633.28

80.60

184.70

280.40

149.90

 

1.368

52.00

1.000

52.00

149.90

37.52

36.52

145.90

 

Area de la cuenca (Lugar puente Ilave)

 

Retención de la cuenca

 

Coeficiente de agotamiento

 
 

A =

7771.48

Km2

R =

52.00

mm/año

a

=

0.01773

w

=

0.0403

 

Precipitación efectiva

 

Coeficiente de escorrentia

 

Coeficientes

 

Comprobación

PE

=

C 1 * PE-I

+

C 2 * PE-II

C =

0.23

C 1

= 0.788

C 2 = 0.212

C 1 + C 2 =

1.00

OK'

C 2 = 0.212 C 1 + C 2 = 1.00 OK' Generado Observados 160 120

Generado

= 0.212 C 1 + C 2 = 1.00 OK' Generado Observados 160 120 80 40

Observados

160 120 80 40 0 Caudales (m3/seg)
160
120
80
40
0
Caudales (m3/seg)

Tiempo (meses)

Calibración generación de caudales para el año promedio

Modelo autorregresivo

Q

t

b 1
b
1
b Q 2
b Q
2
b PE t 1 3
b PE
t
1
3

t

4 b PE

4

b PE

t 1
t
1

S.Z

t

Q t b 1 b Q 2 b PE t 1 3 t 4 b PE

1

R

R

2

t 4 b PE t 1 S.Z t 1 R 2 Servicio Nacional de Meteorología e

Servicio Nacional de Meteorología

e Hidrología

Parámetros del modelo:

- Factor constante (caudal básico) :

b 1 =

1.61670

- Factor de influencia del valor de Q t-1 :

b 2 =

0.20330

- Factor de influencia del valor de PE t :

b 3 =

0.32802

- Factor de influencia del valor de PE t-1 :

b 4 =

0.33926

- Error estándar

del estimado Q' t :

S =

4.05678

- Coeficiente de determinación múltiple :

R 2 =

0.92223

- Coeficiente de correlación múltiple :

R =

0.96033

- Valor de Q t-1 para el inicio de la generación (mm):

- Valor de PE t-1 para el inicio de la generación (mm):

Q t-1

=

PE t-1 =

3.60

3.70

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

Análisis de la bondad del modelo

   

Desv

     

Análisis estadístico de la Desviación

Meses

Media

estándar

Media

Desv estándar

Análisis estadístico de la Media

 

estándar

histórica

histórica

generada

generada

Tc

Tt

Mh=Mg

Fc

Ft

DSh=DSg

Enero

80.36

72.31

80.09

63.53

0.0168

1.9935

SI

1.2955

1.7430

SI

Febrero

131.41

110.71

136.31

108.13

-0.1925

1.9935

SI

1.0484

1.7430

SI

Marzo

106.07

77.38

96.24

76.40

0.5502

1.9935

SI

1.0257

1.7430

SI

Abril

39.80

28.78

50.77

40.31

-1.3478

1.9935

SI

1.9623

1.7430

NO

Mayo

14.78

7.82

16.30

9.66

-0.7447

1.9935

SI

1.5271

1.7430

SI

Junio

10.47

4.55

8.59

4.26

1.8347

1.9935

SI

1.1433

1.7430

SI

Julio

8.84

3.22

6.55

3.43

2.9536

1.9935

NO

1.1326

1.7430

SI

Agosto

7.66

3.37

6.39

3.90

1.5042

1.9935

SI

1.3407

1.7430

SI

Septiembre

7.05

3.24

6.96

4.38

0.1008

1.9935

SI

1.8276

1.7430

NO

Octubre

6.45

2.69

7.79

5.05

-1.4236

1.9935

SI

3.5281

1.7430

NO

Noviembre

9.56

8.79

11.52

10.25

-0.8830

1.9935

SI

1.3613

1.7430

SI

Diciembre

15.79

13.06

21.85

17.94

-1.6619

1.9935

SI

1.8883

1.7430

NO

Media histórica Media generada Desv. Est. Histórica Desv. Est. Generada 160 120 140 100 120
Media histórica
Media generada
Desv. Est. Histórica
Desv. Est. Generada
160
120
140
100
120
80
100
80
60
60
40
40
20
20
0
0
Tiempo (meses)
Tiempo (meses)
Caudales (m3/seg.)
AGO
SEP
OCT
NOV
DIC
ENE
FEB
MAR
ABR
MAY
JUN
JUL
Caudales (m3/seg.)
AGO
SEP
OCT
NOV
DIC
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO SEP OCT NOV DIC ENE FEB MAR ABR MAY JUN JUL Servicio Nacional de Meteorología

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

Prueba del modelos (pronóstico de caudales)

Caudales observados Caudales pronosticados 320 240 160 80 0 Caudales (m3/seg) 2002 2003 2004 2005
Caudales observados
Caudales pronosticados
320
240
160
80
0
Caudales (m3/seg)
2002
2003
2004
2005
2006
2007

Tiempo (Años)

Evaluación del modelos fase de prueba

320 R² = 0.776 240 160 80 0 0 60 120 180 240 Observados (m3/seg)
320
R² = 0.776
240
160
80
0
0
60
120
180
240
Observados (m3/seg)

Pronosticados (m3/seg)

Indicador estadístico

Modelo Lutz Scholz

NASH E (%)

76.4

ECMN (%)

23.3

R 2 (%)

77.6

R(%)

88.1

(%) 2 3 . 3 R 2 (%) 77.6 R(%) 88.1 Servicio Nacional de Meteorología e

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES

COMPARACION GRAFICA Y ESTADISTICA DE MODELOS

Observados Lutz Scholz MRNA5 Observados Lutz Scholz MRNA2 320 320 240 240 160 160 80
Observados
Lutz Scholz
MRNA5
Observados
Lutz Scholz
MRNA2
320
320
240
240
160
160
80
80
0
0
Tiempo (Años)
Tiempo (Años)
Observados
Lutz Scholz
MRNA3
Caudales (m3/seg)
2002
2003
2004
2005
2006
2007
Caudales (m3/seg)
2002
2003
2004
2005
2006
2007
320 240 160 80 0 Caudales (m3/seg) 2002 2003 2004 2005 2006 2007
320
240
160
80
0
Caudales (m3/seg)
2002
2003
2004
2005
2006
2007

Tiempo (Años)

Modelo

NASH E (%)

ECMN (%)

R 2 (%)

r (%)

MRNA5

88.0

11.8

89.4

94.5

MRNA2

87.6

11.9

91.2

95.5

MRNA3

87.1

12.7

87.2

93.4

Lutz Scholz

76.4

23.3

77.6

88.1

87.2 93.4 Lutz Scholz 76.4 23.3 77.6 88.1 Servicio Nacional de Meteorología e Hidrología ECI

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

CONCLUSIONES

Los resultados del pronóstico de caudales medios mensuales del rio Ilave utilizando modelos de Redes Neuronales Artificiales, muestran un excelente comportamiento al ser evaluados con

los indicadores, además se logra reproducir los valores picos observados de la variable en

estudio, por lo tanto se considera que esta metodología es muy eficiente en la estimación de fenómenos de comportamiento no lineal como los caudales.

Mediante la presente investigación se establecieron 03 modelos de redes neuronales artificiales

que están en función de la precipitación y el caudal los cuales permiten pronosticar con cierta exactitud los caudales medios mensuales del rio Ilave estos modelos son: MRNA5 (Q (t) =f(P (t) ; P (t-1) ; Q (t-1) ; Q (t-2) )), MRNA2 (Q (t) =f(P (t) ; Q (t-1) ; Q (t-2) )), y el modelo MRNA3 (Q (t) =f(P (t) ; Q (t-1) ; Q (t-2 );

Q (t-3) ).

Los modelos de redes neuronales artificiales establecidos presentan un mejor desempeño frente al modelo hidrológico de Lutz Scholz, obteniéndose eficiencias de NASH (E) igual a 88.0% (MRNA5), 87.9% (MRNA2) y 87.1% (MRNA3), en comparación de 76.4% que presenta

el modelo hidrológico de Lutz Scholz.

de 76.4% que presenta el modelo hidrológico de Lutz Scholz. Servicio Nacional de Meteorología e Hidrología

Servicio Nacional de Meteorología

e Hidrología

ECI

Encuentro Científico

Internacional

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Escuela profesional de Ingeniería Agrícola

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola
Servicio Nacional de Meteorología e H i d r o l o g í a

Servicio Nacional

de Meteorología e Hidrología

de Meteorología e H i d r o l o g í a ECI Encuentro Científico

ECI

Encuentro Científico

Internacional

GRACIAS POR SU ATENCIÓN
GRACIAS POR SU
ATENCIÓN
Científico Internacional GRACIAS POR SU ATENCIÓN Universidad Nacional del Altiplano Facultad de Ingeniería

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola Escuela profesional de Ingeniería Agrícola

Efrain, LUJANO LAURA

Puno, 03 de enero del 2013

SENAMHI DR13 - Puno