Tema 4

Modelos y modelizacin
Como ya se ha visto, existen muchos tipos de modelos, aunque normalmente cuando se trata de estudiar procesos naturales se utilizan modelos matemticos. Un modelo matemtico es la expresin formal (en lenguaje matemtico) de las relaciones entre los componentes de un modelo. La construccin de un modelo de este tipo implica la seleccin y cuanticacin de los componentes, variables y relaciones presentes en el sistema para representarlo con el nivel de detalle requerido. Puede ser algo tan simple como sustituir las variables de una ecuacin por sus valores reales o puede ser un conjunto complejo de ecuaciones interrelacionadas cuyas variables se ven modicadas a lo largo del tiempo y a travs del espacio. El lenguaje matemtico permite describir y modelizar sistemas de manera parsimoniosa 1 , objetiva y no ambigua; hasta el punto de que hoy en da se considera a los modelos matemticos como representaciones de teoras acerca de los sistemas que se modelizan. El lenguaje simblico que aportan las matemticas permite expresar ideas de gran complejidad. Debe distinguirse entre esta concepcin de modelo, como representacin de una teora mediante una ecuacin ms o menos sencilla, y la idea de modelo como agrupacin de un conjunto de ecuaciones (que responden a diferentes teoras) interconectadas de manera que representen las diferentes transferencias entre los componentes del sistema modelizado. Por mnimamente complejo que sea un modelo, y especialmente si tiene en cuenta variaciones en el espacio o en el tiempo, requiere la resolucin de muchsimas operaciones matemticas. Por tanto se requiere un ordenador para su resolucin ordenada en forma de algoritmo. Las caractersticas deseables de los modelos matemticos (Moore et al., 1993) son: Parsimonia, un modelo no es necesariamente mejor por tener muchos parmetros. La simplicidad es siempre deseable. Modestia, deben tratar de alcanzarse slo objetivos asequibles. Un modelo, al igual que un mapa, no debe aspirar a imitar la realidad sino slo a resaltar aquellos aspectos de inters para su aplicacin. Exactitud, el modelo debe reproducir en la medida de lo posible el funcionamiento del sistema y generar valores para las variables de salida y estado similares a los observados en la realidad. Vericabilidad, los resultados del modelo deben poder compararse con datos reales y determinar de este modo el grado de exactitud del modelo. Por otro lado, no basta con que funcionen bien, deben funcionar bien por las razones correctas
1 reduciendo el nmero de parmetros, se considera que a igualdad de otras consideraciones es preferible un modelo simple a otro ms complejo

43

44

TEMA 4. MODELOS Y MODELIZACIN

4.1

Tipos de modelos matemticos

Una clasicacin de los modelos matemticos podra basarse en una serie de caractersticas dicotmicas: Empricos o basados en principios fsicos El carcter emprico o fsico constituye la caracterstica fundamental de un modelo. Un modelo fsico se basa en las leyes fsicas que rigen los procesos, un modelo emprico se basa en relaciones estadsticamente signicativas entre variables. Las ecuaciones que describen un modelo estadstico no son por tanto fsicamente o dimensionalmente consistentes ni universales, ya que en rigor slo son vlidas para el contexto espacio-temporal en el que se calibraron. Se caracterizan por un alto poder predictivo pero una escasa capacidad explicativa, es decir reproducen el funcionamiento del sistema razonablemente bien pero no permiten saber por que el sistema funciona as. Los modelos estadsticos se conocen tambin como modelos de caja negra ya que no permiten descubrir el funcionamiento interno del sistema. Los modelos fsicos se denominan, por contraposicin, modelos de caja blanca. Se trata de modelos en los que las transferencias de materia y energa entre sus componentes se rigen mediante ecuaciones fsicas y que adems cumplen las leyes de conservacin de la materia y la energa, tanto para el conjunto del modelo como para cada uno de los submodelos. Una posibilidad intermedia son los modelos de caja gris o conceptuales. Se trata de modelos en los que el sistema se descompone en una serie de componentes que se resuelven como modelos empricos pero cuya integracin se basa en principios fsicos o al menos en cierto conocimiento a priori de como funciona el sistema. Para poder construir un modelo fsico es necesario un alto conocimiento acerca de como funciona el sistema a modelizar. El modelo resultante permite transformar unas variables de entrada en variables de salida. En el caso de los modelos empricos la falta de conocimiento acerca del sistema se compensa con datos de calidad y en cantidad suciente de las variables de entrada y de salida. A partir de estos datos podemos construir un modelo emprico que nos permita, posteriormente, obtener las variables de salida a partir de un nuevo conjunto de valores para las variables de entrada. Estocsticos o deterministas Los primeros incluyen generadores de procesos aleatorios dentro del modelo que modican ligeramente algunas de las variables. De esta manera, para un mismo conjunto de datos de entrada, las salidas no seran siempre las mismas. La distincin ente modelos deterministas o estocsticos se confunde a veces con la anterior, relacionando equivocadamente modelos estocsticos con empricos y deterministas con fsicos. En realidad un modelo determinista es aquel en el que dado un conjunto de de parmetros y variables de entrada va a producir siempre el mismo conjunto de variables de salida. En el caso de un modelo estocstico los valores de las variables de salida van a a variar de unas ejecuciones del modelo a otras ya que se deja intervenir al azar. Las razones por las que el comportamiento de un sistema puede resultar aleatorio son diversas: Existencia de procesos realmente estocsticos Existencia de procesos aparentemente estocsticos debido a nuestra falta de conocimiento Errores aleatorios en la medicin de las variables Procesos muy complejos que es preferible modelizar como estocsticos La introduccin de un componente estocstico en un sistema puede venir a su vez de: Utilizacin de generadores aleatorios de series de las variables de entrada (precipitacin por ejemplo)

4.1. TIPOS DE MODELOS MATEMTICOS

45

Utilizacin de generadores aleatorios para dar valores a los parmetros del modelo y a su distribucin espacial, de esta manera se evita el problema que supone utilizar parmetros estimados con cierto grado de incertidumbre. Por ejemplo al incluir la capacidad de inltracin del suelo en un modelo hidrolgico podemos utilizar siempre la misma interpolacin o permitir que varie al azar de unas ejecuciones a otras. Cuando en un modelo las salidas de un componente pueden dirigirse a varios componentes distintos y no es fcil determinar a cual o en que cantidad, pueden determinarse las cantidades al azar. Por ejemplo en un modelo hidrolgico basado en la rasterizacin de una cuenca la transferencia de agua de una celdilla a las celdillas aguas abajo puede hacerse de modo determinista (siempre igual) o aleatorio (puede variar). La introduccin del componente estocstico permite adems comprobar como se comportara el modelo para diferentes conjuntos de parmetros o valores de las variables de entrada. De este modo en lugar de obtener un resultado a partir de un conjunto verosmil de datos, obtendremos un conjunto de resultados a partir de varios conjuntos verosmiles de parmetros y variables. De este modo no tenemos por que conformarnos con un valor esperable sino que tendremos un rango de variacin dentro del cual estarn los resultados esperables. Por ejemplo en el caso de estimacin del riesgo de inundacin resulta muy difcil determinar cual ser la altura mxima de la lmina de agua. Los modelos estocsticos permitiran obtener una distribucin de probabilidades de altura de agua, lo que sera ms interesante de cara a la planicacin del territorio. Agregados o distribuidos En el primer caso toda el rea de estudio se considera de forma conjunta, por ejemplo una cuenca hidrogrca. Se tiene un nico valor para todos los parmetros del modelo. El modelo predice unas salidas para las entradas aportadas sin informar de lo que ocurre dentro del sistema. En un modelo distribuido, tendremos el rea de estudio dividida en porciones cada una de ellas con su propio conjunto de parmetros y sus propias variables de estado. Cada porcin recibe un ujo de materia y energa de algunas de sus vecinas que a su vez reemite a otras. Una tercera posibilidad son los modelos semidistribuidos que se construyen a partir de la yuxtaposicin de diversos modelos agregados, por ejemplo diversas subcuencas de una cuenca hidrogrca. Otra posibilidad a menudo explorada en hidrologa es dividir el rea de trabajo en Unidades de Respuesta Hidrolgica. Se trata de segmentos de ladera homogneos en cuanto a su pendiente, orientacin, litologa y uso a los que se asume una respuesta hidrolgica nica. En un modelo semidistribuido las diferentes unidades generan sus propias salidas de forma agregada pero aparecen entradas y salidas de unas a otras. La incorporacin de la componente espacial en los modelos resulta bastante compleja. Si se opta por un modelo distribuido es necesario establecer un modelo de datos espaciales que permita asignar valores de los parmetros y las variables de estado a los diferentes puntos del rea de estudio. Puede tratarse de distribuciones de puntos, de mallas raster o de redes irregulares de tringulos (TIN). Si se trabaja con modelos agregados o semidistribuidos hay que codicar, adems, los lmites de las diferentes unidades. Todos estos proceso son ms complejos de lo que pudiera parecer a primera vista e implican la creacin de un modelo de datos espaciales y la manera ms eciente de hacerlo es mediante un Sistema de Informacin Geogrca. Estticos o dinmicos Se reere a la forma en que se trata el tiempo. Los modelos estticos dan un resultado agregado para todo el perodo de tiempo considerado este puede ser por ejemplo un caudal medio o un caudal punta. Los modelos dinmicos devuelven las series temporales de las variables consideradas a lo largo del perodo de estudio. Por ejemplo podemos considerar un modelo esttico de cuenca en el que el caudal medio (Q ) depende de la precipitacin media (P ) y de los parmetros de la cuenca (P c):

46

TEMA 4. MODELOS Y MODELIZACIN

Q = f (P , P c)

(4.1)

o un modelo dinmico en el que el caudal en cada intervalo de tiempo considerado (Qt+1 ) depende de la precipitacin no slo en dicho intervalo de tiempo sino tambin en los intervalos anteriores y de los parmetros de la cuenca: Qt = f (Pt , Pt1 , Pt2 , ..., P c) (4.2)

Los parmetros se distinguen de las variables en que aquellos son invariantes a la escala espacio-temporal del modelo. Las variables de entrada y salida representan ujos de materia y energa desde y hacia el interior del sistema (precipitacin y caudal por ejemplo). Las variables de estado representan cambios en la cantidad de materia y energa disponible (humedad del suelo). La distincin entre variables y parmetros depende de la escala, espacial y temporal, del modelo. En denitiva, un sistema natural recibe entradas de materia y energa de su entorno que devuelve a dicho entorno con ciertas modicaciones. Entre estas modicaciones cabe destacar: Desplazamiento en el espacio Modulacin en el tiempo de los ujos Si el modelo tiene en cuenta de forma explcita el espacio estamos ante un modelo espacialmente distribuido, si se tiene en cuenta el tiempo tenemos un modelo dinmico. La gura 4.1 muestra un esquema del comportamiento general de un sistema. La guras 8.7 y 4.1 muestran dos ejemplos concretos, el primero se reere a un balance de radiacin y el segundo a un modelo hidrolgico.

Figura 4.1: Modelos de procesos

4.2

Componentes de un modelo

La descripcin de un modelo suele hacerse atendiendo tanto a sus caractersticas estructurales (componentes y relaciones) como funcionales (ecuaciones y parmetros que denen estas relaciones. Las relaciones entre variables pueden formalizarse mediante un diagrama causal, generalmente se utiliza la notacin:

4.2. COMPONENTES DE UN MODELO

47

Figura 4.2: Modelos de radiacin

Figura 4.3: Modelos de procesos en una cuenca

a + b

(4.3)

Cuando una variable a afecta a otra b y esta ltima a su vez afecta a la primera tenemos un bucle de retroalimentacin que suele codicarse mediante un crculo en cuyo interior se coloca un signo + si el bucle es explosivo y un signo si el bucle es depresivo. Cuando en una secuencia de retroalimentacin slo aparecen signos positivos el bucle es explosivo Cuando slo hay bucles negativos el bucle es depresivo Cuando hay signos positivos y negativos es explosivo si la suma de signos negativos es par (y as se compensan unos a otros) en caso contrario es depresivo Los modelos de Dinmica de Sistemas, enunciados por primera vez por Forrester (1961) han aportado una nomenclatura y una simbologa ampliamente utilizada para la denicin de las caractersticas estructurales de los modelos. En la gura 4.1 aparece un ejemplo basado en un modelo hidrolgico.

48

TEMA 4. MODELOS Y MODELIZACIN

Figura 4.4: Modelos de procesos en una cuenca 2 1. Variables de estado o niveles, corresponden a la cantidad de materia o energa almacenada en cada uno de los componentes (subsistemas) que forman parte del sistema. Suelen representarse mediante un rectngulo 2. Flujos, indican la cantidad de materia o energa que viaja de un componente a otro en un intervalo determinado de tiempo. Afectan por tanto a los niveles, llenando unos (ujos de entrada) y vaciando otros (ujos de salida). Suelen representarse con una echa, indicando la direccin del ujo, que atraviesa un smbolo que recuerda a un grifo. 3. Fuentes y sumideros, representan niveles exgenos que, por ser exteriores al sistema no interesa controlar. Suelen representarse mediante nubes. Los ujos que se dirigen de una fuente a una variable de estado son las variables de entrada, los que se dirigen de una variable de estado a un sumidero son las variables de salida. 4. Variables auxiliares, intervienen en las diversas ecuaciones que componen el sistema pero no se corresponden con un nivel o ujo. Suelen representarse con un crculo. 5. Variables exgenas, actan fuera del sistema pero condicionan las variables de entrada. Pueden modicarse para construir escenarios. Un buen ejemplo sera la constante solar que, siendo ajena al sistema climtico, modica las trayectorias de este. 6. Parmetros, similares a las variables auxiliares pero cuyo valor no vara a lo largo del perodo de simulacin, si el modelo se construyera a una escala diferente podran dejar de ser parmetros para convertirse en variables. 7. Constantes, corresponden a magnitudes fsicas que, como la aceleracin de la gravedad, no varan en ningn caso.

4.3. ECUACIONES DE LOS MODELOS

49

8. Canal de informacin, relacionan variables, parmetros o niveles con los componentes en cuya ecuacin se utilizan. Se representan con echas, distantes de las utilizadas para representar ujos, o mediante lineas. 9. Condiciones iniciales, valores iniciales de las variables de estado. 10. Condiciones de contorno, series temporales de valores de las variables de entrada. 11. Escenario, conjunto plausible de variables exgenas, parmetros y condiciones iniciales y de contorno que permiten experimentar con un modelo diversas situaciones. Por ejemplo los escenarios relativos a diversas polticas de emisin de gases con que trabajan los Modelos Generales del Clima. Todos estos componentes pueden resumirse en caractersticas formales que incluyen las variables de estado, ujos, variables, canales de informacin, etc., formando un diagrama de ujo (gura 4.1). Las caractersticas funcionales hacen referencia a las ecuaciones y valores de las variables y parmetros que aparecen detrs de las caractersticas estructurales.

Figura 4.5: Tipos de modelos

4.3

Ecuaciones de los modelos

Las ecuaciones de los modelos matemticos establecen de manera explcita cuales son las inuencias de unos componentes sobre otros que ya se han representado en primer lugar mediante un grafo. El elegir un tipo de modelo u otro implica generalmente elegir un tipo de ecuaciones u otro. Los modelos fsicos se suelen construir mediante ecuaciones diferenciales que se resuelven mediante mtodos numricos. Si el modelo es distribuido y dinmico se utilizarn mtodos de diferencias nitas utilizando la resolucin espacial y temporal como valores de X y t respectivamente. Los modelos empricos utilizan modelos de regresin para establecer cual es la relacin entre las variables de entrada y los parmetros y las variables de salida. Los modelos empricos y dinmicos utilizan ecuaciones especcas como los mtodos autorregresivos y de medias mviles o las cadenas de Markov.

50

TEMA 4. MODELOS Y MODELIZACIN

Los modelos empricos distribuidos son generalmente modelos de interpolacin que a partir de observaciones de una variable en un conjunto de puntos, generan valores de dicha variable en todo el rea de trabajo. Los modelos estocsticas se utilizan como complemento a cualquiera de los anteriores. Se basan en la denicin de las funciones de distribucin de las variables estudiadas y en la utilizacin de nmeros aleatorios para generar series de valores a partir de estas. En todo caso, estas ecuaciones, junto con los esquemas de ujo para su resolucin, constituyen hiptesis acerca del comportamiento de los procesos. Estas ecuaciones toman variables de entrada y producen una serie de variables de salida en funcin de parmetros que reejan las caractersticas del territorio. Por otro lado existe un conjunto de variables de estado internas al sistema que se ven modicadas. Simulacin por ordenador es la resolucin mediante un ordenador del conjunto de ecuaciones que conforman un modelo matemtico reorganizadas de forma algortmica mediante un programa informtico.

4.4

Fases de la modelizacin

Los pasos a seguir en la denicin de un modelo son: 1. Identicacin es la determinacin de los componentes y relaciones, as como de las ecuaciones matemticas f () que representan el modelo. 2. Calibracin es la determinacin de los valores de los parmetros; bien midindolos en el campo o bien estimndolos mediante algn modelo emprico. 3. Validacin es la obtencin de series de las variables de estado y salida en un tiempo pasado para su comparacin con valores reales de las mismas. El objetivo es evaluar el error cometido por el modelo y determinar si es asumible. 4. Simulacin Obtencin de series de las variables de estado y de salida en un tiempo futuro a partir de series simuladas de variables de entrada. 5. Anlisis de sensibilidad Simulacin pero alterando los valores de los parmetros para determinar la inuencia de cada uno de ellos en los resultados aportados por el modelo. A continuacin se ver con ms detalle la fase de identicacin, en temas posteriores se vern las dems.

4.5

Identicacin

Dentro de la identicacin del modelo es importante tener claro que problema se va a modelizar y con que propsito. Si el problema no est claramente identicado es muy difcil que el modelo sirva para algo. Lmites espaciales y temporales y escalas del modelo Es necesario determinar los lmites espaciales y temporales del sistema as como la resolucin con que se va a modelizar. Estos lmites marcan una frontera con el entorno del sistema que habr que tener en cuenta al modelizar ya que puesto que ningn sistema ambiental es cerrado, habr ujos de materia, energa o informacin hacia dentro y hacia fuera del sistema a travs de estos lmites. Hay que tener en cuenta la importancia de las escalas espaciales y temporales sobre las que tienen lugar los procesos que tratamos de modelizar. En general diferentes procesos actan a diferentes escalas. No es conveniente

4.5. IDENTIFICACIN

51

aplicar modelos en escalas diferentes a aquellas para las que se han diseado. En modelizacin la escala est ms relacionada con la resolucin espacial y temporal del modelo que con la extensin, espacial o temporal, sobre la que opera. En el caso de los modelos distribuidos el espacio se suele dividir en celdillas del mismo tamao (formato raster) debido a la facilidad de manejo de esta estructura de datos por parte de los ordenadores que, adems, es una estructura muy utilizada por los Sistemas de Informacin Geogrca que suelen utilizarse como herramienta para la gestin de modelos. Es importante utilizar un tamao de celdilla adecuado para los procesos que se pretenden modelizar. Pero si la resolucin es demasiado grande el modelo consumir muchos recursos de ordenador y ser demasiado lento sin aportar mejores resultados. Los modelos semidistribuidos requieren la eleccin de unidades espaciales adecuadas en cuanto a que su comportamiento sea homogneo y sucientemente distinto del comportamiento de las dems unidades. Los modelos dinmicos requieren adems establecer el intervalo temporal adecuado, las consideraciones son similares al caso de la resolucin espacial. Finalmente hay que tener en cuenta que, al menos en el caso de los modelos de base fsica, la resolucin espacial y temporal adecuadas estn muy relacionadas. Si asumimos que los procesos necesitan ser descritos con una elevada resolucin espacial, lo normal es que acten con una velocidad elevada y por tanto necesiten un intervalo temporal reducido. Este planteamiento puede resumirse en la denominada condicin de Courant que establece que: X > vmax t (4.4)

es decir que la razn entre resolucin espacial y temporal representa la velocidad mxima a la que pueden producirse los procesos el modelo y por tanto debe ser mayor que la velocidad mxima de estos en la naturaleza. Si no fuese as nos encontraramos con la paradoja de que un volumen dado de materia podra saltar de una celdilla del modelo a otra sin atravesar la intermedia. Conceptualizacin Uno de los primeros pasos en el desarrollo de un modelo, y a la vez una de las mayores ventajas de la utilizacin de este tipo de herramientas es la necesidad de especicar de la manera ms objetiva posible los conocimientos que el investigador o el equipo de trabajo tiene acerca del sistema o problema que se va a tratar de modelizar. Se hace necesaria una investigacin bibliogrca para conocer cual es el conocimiento cientco disponible acerca del problema a tratar y, en particular, que soluciones se han propuestos en trabajos de modelizacin anteriores. En esta fase es necesario determinar cuales son los elementos y procesos que actan en el sistema y cuales son los factores que inuyen sobre estos. De este modo un modelo conceptual constituye una teora acerca del funcionamiento del sistema. Si los resultados del modelo que se construye partiendo de esta teora no se ajustan a la realidad, podemos concluir que la teora se partida, el modelo conceptual, no era adecuada y debe revisarse. En la conceptualizacin del problema no basta con tener en cuenta aspectos puramente cientcos sino que tambin habr que tener en cuenta los objetivos del modelo y las limitaciones tcnicas con las que tenemos que trabajar. De nada servira un modelo de prevencin de avenidas que predijese perfectamente por donde va a desbordar el Segura 6 das despus de que ocurriese la catstrofe. Construccin del modelo Supone traducir un modelo conceptual a un lenguaje de programacin y comprobar que el cdigo generado funciona correctamente. Es importante, sin embargo, tener en cuenta que el hecho de que un programa funcione

52

TEMA 4. MODELOS Y MODELIZACIN

correctamente no implica que el modelo que implementa sea correcto. La construccin de un modelo supone las siguientes fases: Modularizacin , se trata de descomponer el conjunto de ecuaciones que van a constituir el modelo en porciones de cdigo ms fcilmente abordables. Se trata de generar, en la medida de los posible, funciones pequeas que realicen tareas concretas y que sean fciles de programar y mantener. Las interrelaciones entre todos estos mdulos o funciones constituye el programa Programacin , las diferentes ecuaciones se combinan utilizando las diferentes estructuras de control que los lenguajes de programacin proporcionan. En muchos casos se reutiliza cdigo de otros modelos. En denitiva se trata de escribir los algoritmos necesarios para la ejecucin del modelo. Prueba , cada mdulo por separado y la integracin de todos ellos deben ser probados para vericar que se ejecutan correctamente, que los programas no se cuelgan y que no aparecen mensajes de error. Vericacin , si un mdulo logra ejecutarse con xito, habr que probarlo con un conjunto de parmetros y variables plausible Existen programas que permiten generar pequeos modelos de manera grca como VENSIM, STELLA o SIMILE. Los SIG suelen permitir tambin la programacin de pequeos modelos distribuidos (GRASS o PCRaster). Sin embargo cuando un modelo crece es preferible programarlo directamente en un lenguaje de programacin como C. De esta manera el modelo se ejecuta ms deprisa y consume menos recursos. El inconveniente de este enfoque es la dicultad de este tipo de lenguajes y la necesidad de programar todas las rutinas de acceso a los datos, representacin grca, etc. Una opcin intermedia podra ser el utilizar R como lenguaje de programacin ya que incluye numerosas funciones de anlisis de datos y representacin grca que pueden utilizarse para reducir el cdigo exclusivamente a las ecuaciones del modelo.