Evaluacion de Los Modelos para Estimar La Insolacion Diaria en Funcion de Temperaturas Maxima, Minima y Precipitacion Del Dia

UNIVERSIDAD DE CONCEPCIN
FACULTAD DE INGENIERA AGRCOLA

EVALUACIN DE MODELOS PARA ESTIMAR INSOLACIN DIARIA EN
FUNCIN DE TEMPERATURAS MXIMA, MINIMA Y PRECIPITACIN
DEL DA.

FRANCISCO JOSE CONTRERAS JELDRES

MEMORIA DE TTULO PRESENTADA A LA
FACULTAD DE INGENIERA AGRCOLA
DE LA UNIVERSIDAD DE CONCEPCIN,
PARA OPTAR AL TTULO DE INGENIERO
CIVIL AGRCOLA

CHILLAN-CHILE
2008
2
FUNCIN DE TEMPERATURAS MXIMA, MINIMA Y PRECIPITACIN
DEL DA.

Aprobado por:

Gabriel Merino Coria
Licenciado en Ciencias Fisicas, Ph. D.
Profesor Asociado

Profesor Gua

Jorge Jara Ramrez
Ingeniero Agrnomo, Ph. D.
Profesor Asociado

Profesor Asesor

Jose Arumi Ribera
Ingeniero Civil, Ph. D.
Profesor Asociado

Profesor Asesor

Marco Lpez Roudergue
Ingeniero Civil Industrial
Profesor Asistente

Director de Departamento

Eduardo Holzapfel Hoces
Ingeniero Agrnomo, Ph. D.
Profesor Titular

Decano

3
INDICE DE MATERIAS
Pagina
Resumen 8
Summary 10
Introduccin... 12
Objetivos 14
Metodologa... 15
Resultados..... 33
Conclusiones..... 51
Literatura Citada 54
Anexos 58
Apndices.. 73
4
INDICE DE TABLAS
En texto:
Pgina
Tabla 1: Variables explicativas de la insolacin diaria usadas en
los 24 modelos ANFIS propuestos (C.1C.24) y el
radio de influencia usado en la agrupacin..

26
Tabla 2: Desempeo global de los modelos de Bristow &
Campbell medidos con raz de la media suma de los
cuadrados del error (RMSE), error medio absoluto
(MAE), error porcentual absoluto medio (MAPE) y
coeficiente de eficiencia (E).............................

33
Tabla 3: Desempeo estacional de los modelos de Bristow &

35
Tabla 4: Desempeo global de los modelos de De Jong &
Stewart medidos con raz de la media suma de los

36
Tabla 5: Desempeo estacional de los modelos de Bristow &

37
Tabla 6: Porcentaje de datos fuera de los rangos de insolacin
diaria, separados por estacin y la media anual, en los
24 modelos ANFIS y las variables explicativas usadas
por cada modelo para predecir la insolacin...

38
Tabla 7: Desempeo global de los modelos de ANFIS medidos
con raz de la media suma de los cuadrados del error
(RMSE), error medio absoluto (MAE), error porcentual
absoluto medio (MAPE) y coeficiente de eficiencia (E),
junto a las variables meteorolgicas (explicativas)
usadas por los modelos para predecir la insolacin
diaria..............

40
5
Tabla 8: Desempeo global y estacional del modelo de
ngstrom medido con raz de la media suma de los
coeficiente de eficiencia (E)

43
Tabla 9: Modelos seleccionados*, dispuestos de menor a
mayor error medio absoluto (MAE) anual, junto con el
lugar que ocupan en el ordenamiento a nivel anual y
estacional; en parntesis el lugar que ocupan en el
ordenamiento al descartar los modelos de ngstrom.

47
En Apndices:
Tabla 10: Desempeo de los modelos ANFIS en verano,
medidos con raz de la media suma de los cuadrados
del error (RMSE), error medio absoluto (MAE), error
porcentual absoluto medio (MAPE) y coeficiente de
eficiencia (E), junto a las variables meteorolgicas
(explicativas) usadas por los modelos para predecir la
insolacin diaria....

73
Tabla 11: Desempeo de los modelos ANFIS en otoo, medidos
con raz de la media suma de los cuadrados del error
(RMSE), error medio absoluto (MAE), error porcentual
absoluto medio (MAPE) y coeficiente de eficiencia (E),
junto a las variables meteorolgicas (explicativas)
usadas por los modelos para predecir la insolacin
diaria...

74
Tabla 12: Desempeo de los modelos ANFIS en invierno,
insolacin diaria........

75
Tabla 13: Desempeo de los modelos ANFIS en primavera,
insolacin diaria........

76
6
Tabla 14: Desempeo global de los modelos seleccionados,
eficiencia (E). Ordenados de menor a mayor MAE,
junto al rango que ocupa.

77
Tabla 15: Desempeo de los modelos seleccionados en verano,
eficiencia (E). Ordenados de menor a mayor MAE
anual, junto al rango que ocupa.

78
Tabla 16: Desempeo de los modelos seleccionados en otoo,

78
Tabla 17: Desempeo de los modelos seleccionados en invierno,

79
Tabla 18: Desempeo de los modelos seleccionados en
primavera, medidos con raz de la media suma de los
coeficiente de eficiencia (E). Ordenados de menor a
mayor MAE anual, junto al rango que ocupa...

79
Tabla 19: Parmetros de los modelos de Bristow & Campbell
A.4, A.5 y A.6 para las estaciones del ao...

80
Tabla 20: Parmetros del modelo de De Jong & Stewart B.2 para
los meses del ao.

81
Tabla 21: Parmetros de las tres reglas del modelo ANFIS C.6 83
Tabla 22: Parmetros de las tres reglas del modelo ANFIS C.18.. 85
7
INDICE DE FIGURAS
Pgina
Figura 1: Representacin de un sistema ANFIS con dos
entradas (x
1
y x
2
) y dos reglas difusas, las que se
definen con las funciones de pertenencia (A
1
, A
2
, B
1
y
B
2
), la operacin difusa Y ( ) y los resultados de estas
operaciones (
1
w y
2
w ) los cuales son normalizados en
la capa 3 (N) dando como resultado (
1
w y
2
w ) y estos
son multiplicados por el consecuente de las reglas (
1
f
y
2
f ) y por ultimo son sumados en la capa 5 ()
obtenindose la respuesta de la red ( f )..

23
Figura 2: Comparacin de la insolacin diaria (Q) observada y
estimada con el modelo de modelo de ngstrom
recomendado por la FAO D.1 (a) y el calibrado para
las condiciones de Chillan D.2 (b). MAE es el error
absoluto medio de los modelos..

44
Figura 3: Comparacin de la insolacin diaria (Q) observada y
predicha con los modelos de Bristow & Campbell A.4
(a), A.5 (b) y A.6 (c); con el modelo B.2 de De Jong &
Stewart (d); y con los modelos ANFIS C.6 (e) y C.18
(f)..

49
Figura 4: Comparacin de la insolacin diaria del verano (Q)
observada y estimada con los modelos de Bristow &
Campbell A.5 (a) y A.6 (b); con el modelo de De Jong
& Stewart B.2 (c); con el modelo ANFIS C.6 (d) y el
modelo de ngstrom recomendado por la FAO D.1 (e)
y el calibrado para Chillan D.2 (f). MAE es el error
absoluto medio de los modelos..

50
8
FUNCIN DE TEMPERATURAS MXIMA, MNIMA Y PRECIPITACIN
DEL DA.

Palabras ndice adicionales: Lgica Difusa, Conjuntos Difusos, Redes
Neuronales.

RESUMEN
En el presente estudio se probaron los sistemas ANFIS (Adaptive Network
Based Fuzzy Inference System), para predecir la insolacin diaria en Chilln,
usando como variables explicativas de esta, las temperaturas mximas y
mnimas del aire y la precipitacin diaria, ya que estos sistemas pueden
modelar fenmenos fsicos no-lineales usando datos histricos. Estos
sistemas fueron comparados con los modelos de Bristow & Campbell y De
Jong & Stewart.
Se crearon 32 modelos en total, y se seleccionaron los mejores de cada una
de las tres familias de modelos (ANFIS, Bristow & Campbell y De Jong &
Stewart), quedando 6 modelos para un anlisis detallado, y se encontr que
ellos entregan predicciones con un error medio absoluto (MAE) aproximado
de 2,7
-1 -2
da m MJ como promedio anual. Adems, las predicciones de
verano y primavera tienen un error porcentual absoluto (MAPE) cercano al
9
15%, mientras que para otoo e invierno ste es de un 50%, para los 6
modelos seleccionados.
El modelo que present el mejor desempeo fue el modelo ANFIS que usa
como variables explicativas la amplitud trmica del da y el da Juliano, con
un radio de influencia en la agrupacin de 0,75 (modelo C.6), el cual entrega
predicciones con un MAE de 2,6
-1 -2
da m MJ como promedio anual.
Finalmente, se crearon y evaluaron dos modelos de ngstrom (que usan
como variable explicativa el nmero de horas diarias), el recomendado por la
FAO (para el clculo de evapotranspiracin) y uno para las condiciones
especficas de Chilln. Se encontr que este ltimo modelo tiene mejor
desempeo, a nivel anual y estacional, que el modelo C.6, ya que entrega
estimaciones de insolacin con un MAE de 1,6
-1 -2
da m MJ como promedio
anual.
10
EVALUATION OF MODELS TO ESTIMATE DAILY INSOLATION
DEPENDING ON MAXIMUM AND MINIMUM TEMPERATURES AND DAILY
RAINFALL

Additional keywords: fuzzy sets, fuzzy logics, neural networks.

SUMMARY
In this current study ANFIS systems (Adaptive Network Based Fuzzy
Inference System) were proved, in order to predict the daily insolation in
Chilln (Chile), using air maximum and minimum temperatures and daily
rainfall as explanatory variables of them, since these systems can model
physical non-lineal phenomena using historical data. These systems were
compared with the models proposed by Bristow & Campbell, and De Jong &
Stewart.
Thirty two models were created and the best of each of three families of
models were selected (ANFIS, Bristow & Campbell, and De Jong & Stewart),
remaining 6 models for a detailed analysis, observing that they provide
predictions with an approximate mean absolute error (MAE) of 2,7
-1 -2
day m MJ as an annual average. Moreover, summer and spring
predictions have a mean absolute percentage error (MAPE) close to 15%,
while for autumn and winter this is close to 50% for the 6 selected models.
11
The model that presented the best performance was the ANFIS model, which
uses day thermal amplitude and the Julian Day as explanatory variables, with
an influence radius in the cluster of 0,75 (Model C.6), which provides
predictions with a MAE of 2,6
-1 -2
day m MJ as an annual average.
Finally, two ngstrom models (using the number of daily hours as explanatory
variable) were created and evaluated, the first recommended by FAO (to
calculate evapotranspiration) and the second for specific conditions in Chilln.
The latter model presents a better performance, at the seasonal and annual
level, than model C.6, since it provides insolation estimates with a MAE of 1,6
-1 -2
day m MJ as an annual average.

12
INTRODUCCIN
La cuantificacin de la radiacin solar que llega a la superficie de la tierra es
un problema antiguo. Para ello, los investigadores han creado diversos
modelos que la relacionan con variables meteorolgicas tales como duracin
del da, temperatura del aire, grados-hora de temperatura, nubosidad,
humedad relativa, contenido de agua precipitable, composicin,
concentracin y distribucin de tamaos de las partculas atmosfricas. Estos
datos son usados de manera individual o combinados (Walter, 1969; Huxley,
1973; Rizzi et al., 1980; Bristow y Campbell, 1984; Castillo y Santibaez,
1981; De Jong y Stewart, 1993; Hargreaves et al., 1995; Supit y Van Kappel,
1998). Tambin existen modelos que hacen uso de series de tiempo y
registros histricos de insolacin diaria, para generar pronsticos de sta
(Nicks y Harp, 1980). Todo esto se hace porque la radiacin solar es la
fuente de energa para la mayora de los procesos fsicos y biolgicos que
ocurren en la superficie de la tierra, y es un dato primario para estimar la
evapotranspiracin, fotosntesis, o su conversin a otra clase de energa que
puede ser aprovechada por el hombre.
La radiacin solar que incide sobre el planeta es atenuada por los
componentes de la atmsfera, como el ozono, oxgeno, vapor de agua,
nubes y contaminantes (Campbell y Norman, 1998). Debido a la gran
complejidad e incertidumbre de los procesos fsicos que ocurren en la
atmsfera, y su interaccin con la radiacin solar, es que en el presente
trabajo se desarrollarn modelos Neuro-Difusos Hbridos (ANFIS), para
13
estimar la radiacin solar total diaria que llega a la superficie de la tierra, a
partir de informacin de temperaturas mximas y mnimas y la precipitacin
del da, ya que estas variables son fciles y econmicas de medir. Lo anterior
debido a que con los sistemas Neuro-Difusos ANFIS es posible modelar
sistemas fsicos no lineales y complejos, sin conocer los modelos
matemticos de estos, usando el conocimiento humano intuitivo y, adems,
datos empricos (Roger Jang, 1993; Ross, 1995).
Por ultimo, los sistemas ANFIS creados sern comparados con algunos
modelos empricos existentes, para contrastar la exactitud en las
predicciones.
14
OBJETIVOS

Objetivo General
Evaluar tres clases de modelos para estimar insolacin diaria en Chilln,
a partir de temperaturas mximas y mnimas diarias del aire y
precipitacin del da.

Objetivos Especficos
Evaluar modelos de inferencia Neuro-Difusos (ANFIS) para estimar la
insolacin diaria en Chilln, a partir de las temperaturas mximas y
mnimas diarias del aire y precipitacin del da.
Calibrar y validar los modelos de Bristow & Campbell y De Jong &
Stewart, para las condiciones de Chilln.
Comparar la exactitud en las predicciones de insolacin diaria, obtenida
con los modelos anteriormente mencionados y sugerir los de mejor
desempeo.
Comparar los modelos que presenten el mejor desempeo con el modelo
de ngstrom calibrado para Chilln y el recomendado por FAO, los cuales
usan como variable explicativa el nmero de horas de sol diarias.
15
METODOLOGA
Se separaron los datos meteorolgicos registrados de manera aleatoria, en
dos grupos, uno para la construccin de los modelos y el otro para la prueba
de estos, los que tienen igual nmero de elementos. Posteriormente, se
ajustaron los modelos empricos de Bristow & Campbell, De Jong & Stewart y
de ngstrom usando regresiones no-lineales (Anexo 1), y se entrenaron los
sistemas ANFIS para generar predicciones de insolacin diaria, a partir de
los datos meteorolgicos del conjunto de prueba. Finalmente, se evalu y
compar el desempeo de los modelos a nivel global y estacional.

Obtencin de datos meteorolgicos.
Los datos diarios de insolacin, temperaturas mxima y mnima del aire y
precipitacin, fueron medidos en la Estacin Agrometeorolgica de la
Universidad de Concepcin Campus Chilln, ubicada en el sector nororiente
de Chilln (36 34 latitud Sur, 72 06 longitud Oeste, altitud 144 metros
sobre el nivel del mar). Los datos que se usaron para este estudio fueron
medidos desde el 30 de noviembre de 1997, hasta el 30 de noviembre de
2003. En el anexo 2 se entrega una breve descripcin de los instrumentos
usados para medir temperatura, insolacin y precipitacin.

16
Modelo de Bristow & Campbell
Este modelo fue probado en las localidades de Pullman, Great Falls y
Seattle/Tacoma en el noroeste de USA, y las pruebas de desempeo del
modelo indicaron que este era capaz de explicar entre el 70 y 90% de la
variacin en la radiacin solar total diaria, a partir de las diferencias de
temperaturas mxima y mnima, estacin del ao (verano/invierno) y si llovi
durante el da (si/no). El modelo esta representado por las ecuaciones 1 y 2.
( ) [ ] { } T k b a Q Q
c
0
= exp 1
[1]

>
=
caso. otro en
J pp
J k
; 1
0 ) ( ; 75 , 0
) (
[2]
Donde:
Q = Insolacin diaria (MJ m
-2
da
-1
).
Q
0
= Radiacin solar total al tope de la atmsfera (la metodologa de
clculo se muestra en el Anexo 3).
T = Amplitud trmica del da (C).
k = Factor de lluvia.
J = Da Juliano.
pp(J) = Precipitacin en el da J.
a, b y c = Coeficientes empricos (el mtodo para calcularlos se describe
en el Anexo 1).

17
El modelo indica la necesidad de realizar correcciones los das en que hay
precipitaciones, multiplicando por 0,75 la amplitud trmica (T), y tambin el
da anterior al que ocurre la lluvia, debido a que se asume que la nubosidad
comenz un da antes que la lluvia. El coeficiente emprico b, se calcula para
cada estacin del ao. En el presente estudio se analizar el modelo de
Bristow & Campbell y algunas modificaciones de este, las cuales son:

Modelo A.1: Se considera los coeficientes a, b y c constantes (o sea, no se
consideran diferencias estacionales) y el factor k igual a 1.

Modelo A.2: Se considera los coeficientes a, b y c constantes y el factor k
variar segn definicin de la ecuacin 2.

Modelo A.3: Se considera los coeficientes a, b y c constantes y el factor k
igual a como se defini en la ecuacin 2, pero cambiando el valor de 0,75 por
otro que haga que el modelo tenga un mejor desempeo.

Modelo A.4: Se considera los coeficientes a y c constantes y se vara b para
cada estacin del ao y el factor k igual a 1.

Modelo A.5: Se considera los coeficientes a y c constantes y variando b, y el
factor k segn definicin de la ecuacin 2.
18
Modelo A.6: Se considera los coeficientes a y c constantes y variando b, y el
factor k igual a como se defini en la ecuacin 2, pero cambiando el valor de
0,75 por otro que haga que el modelo tenga un mejor desempeo.

Modelo de De Jong & Stewart
Este modelo fue desarrollado para estimar la insolacin diaria y predecir el
rendimiento del trigo de secano en el oeste de Canad. El modelo de De
Jong & Stewart, se define con la ecuacin 3.
) 1 ( ) (
2
P d P c T a Q Q
b
0
+ + =
[3]
Donde:
-2
da
-1
).
Q
0
P = Precipitacin diaria (mm da
-1
).
a, b, c y d = Coeficientes empricos, que se calculan para cada mes (el
mtodo para calcularlos se describe en el Anexo 1).

Para este modelo se consideraran dos casos: una modificacin del modelo
original, en la que los parmetros a, b, c y d son constantes en el tiempo
(Modelo B.1), y otro en donde estos parmetros varen para cada mes, y que
corresponde al modelo original de De Jong & Stewart (Modelo B.2).
19
Modelos ANFIS
La sigla ANFIS significa red adaptativa basada en un sistema de inferencia
difusa. Este es un sistema de inferencia difuso Takagi-Sugeno, que se
desarrolla y entrena como una red neuronal. Con esto se logra modelar
fenmenos fsicos, usando registros histricos de datos de las variables
involucradas en el fenmeno.
ANFIS tiene sus cimientos en la teora de conjuntos difusos, que es una
generalizacin de la teora de conjuntos; por ejemplo, un elemento de un
conjunto puede tomar valores intermedios de pertenencia y no-pertenencia, y
este grado de pertenencia se cuantifica con las funciones de pertenencia
(cuyos valores varan entre 0 y 1). Cuando el valor es 1, el elemento
pertenece al conjunto difuso, si es 0 no-pertenece. En la teora de conjuntos
difusos, tambin es posible realizar operaciones entre y sobre conjuntos,
tales como, interseccin, unin y complemento. Las definiciones de stas
operaciones son esencialmente iguales a la de la teora de conjuntos, lo que
cambia son los operadores lgicos que se usan, estos son: T-norma (y-
difuso), S-norma (o-difuso) y la negacin. Las definiciones de estas
operaciones se muestran en el Anexo 4. Con estas herramientas
matemticas se pueden describir los sistemas de inferencia difusos Takagi-
Sugeno. Estos consisten en sistema de reglas si-entonces, donde la premisa,
en el caso de una variable independiente, es una pregunta sobre el grado de
perteneca de la variable a un conjunto difuso (a este proceso se le llama
fuzzyficacion). Este grado de pertenencia posteriormente ser un factor de
20
ponderacin (normalizado), el cual actuar sobre la parte consecuente de la
regla, que es una ecuacin lineal. En la ecuacin 4 se muestra en lenguaje
simblico la i-sima regla (R
i
) de un sistema Takagi-Sugeno con una variable
de entrada ( x ).
R
i
: Si ( ) (
A
~ x
i
) Entonces x b a y
i i i
+ = [4]
Para i = 1n
Donde:
i
A
~
= i-simo conjunto difuso A.
i
y = Respuesta (consecuencia, conclusin) de la i-sima regla.
i
a y
i
b = Constantes a determinar en la i-sima regla.
) (
A
~ x
i
= Grado de pertenencia de x al conjunto difuso
i
A
~
.
n = Nmero total de reglas.

Para obtener la respuesta del sistema, se realiza la operacin que se
muestra en la ecuacin 5 (a este proceso se le llama desfuzzyficado):
( )
=
=
=
n
i
n
i
i
x
y x
y
i
i
1
A
~
1
A
~
) (
) (

[5]
Para el caso de tener ms de una variable independiente, es necesario
realizar operaciones lgicas difusas entre los grados de pertenencia de las
variables explicativas a conjuntos difusos, en la premisa de las reglas, y la
21
consecuencia es una ecuacin lineal de las variables. En lenguaje simblico
se muestra en la ecuacin 6.
R
i
: Si
( ) ( ) ( ) [ ] ) (
~
...
~
) (
~
) ( ~
2
~
1
~
m
A A A
m
m
j
2
2
j
1
1
j
x x x

Entonces
m m 1 1 0
... x w x w w y
i i i
i
+ + + =

[6]
Para j
1
=1n
1
, j
2
=1n
2
, ,j
m
=1n
m
,i=1n
Donde:
~
= Operacin lgica difusa.
i
w
0
,
i
w
1
, ...,
i
w
m
= Constantes a determinar para la i-sima regla.
i
y = Respuesta de la i-sima regla.
1
x , ...,
m
x = Variables explicativas o independientes.
) (
1
A
~
1
1
j
x , ) (
2
A
~
2
2
j
x , ..., ) (
m
A
~
m
m
j
x = Grados de pertenencia a los conjuntos
difusos.
m = Nmero de variables explicativas o independientes.
n
1
, n
2
, ..., n
m
= Nmero de subconjuntos difusos creados para las variables
1
x ,...,
m
x , respectivamente.
n = Nmero de reglas.

Al resultado de las operaciones lgicas difusas en la i-sima regla lo
llamaremos
i
(ecuacin 7), con el que se ingresa en la ecuacin 8, para

obtener la respuesta del sistema ( y ).
22

( ) ( ) ( ) [ ] ) (
~
...
~
) (
~
) (
m
A
~
2
A
~
1
A
~
m
m
j
2
2
j
1
1
j
x x x
i
=
[7]

( )
=
=
=
n
i
i
n
i
i i
y
y
1
1

[8]

Las operaciones lgicas difusas que se usaron en los modelos son y-difusos,
especficamente el producto entre funciones de pertenencia. El algoritmo
utilizado para crear los conjuntos difusos es el de Subtractive Clustering
(Chiu, 1994), y se probaron con radios de influencia de 0,25, 0,5 y 0,75.
Finalmente, las funciones de pertenencia que se usaron en los modelos son
del tipo gausianas (Anexo 5).
Este sistema de reglas tambin se puede representar como una red
adaptativa de 5 capas (Nauck et al., 1997), tal como se representa en la
figura 1, y que se describen a continuacin.

23

Figura 1. Representacin de un sistema ANFIS con dos entradas (x
1
y x
2
) y
dos reglas difusas, las que se definen con las funciones de
pertenencia (A
1
, A
2
, B
1
y B
2
), la operacin difusa Y ( ) y los
resultados de estas operaciones (
1
w y
2
w ), los cuales son
normalizados en la capa 3 (N) dando como resultado (
1
w y
2
w ) y
estos son multiplicados por el consecuente de las reglas (
1
f y
2
f )
y, por ltimo, son sumados en la capa 5 () obtenindose la
respuesta de la red ( f ).

Capa 1: En esta capa se transforman las variables independientes (x
1
y x
2
),
en variables difusas, por medio de funciones de pertenencia.

Capa 2: En los nodos de esta, los que tienen la etiqueta , se lleva a cabo
una operacin lgica difusa (y-difuso) y se obtiene un factor de ponderacin
(
1
w y
2
w ).

24
Capa 3: En esta capa los factores de ponderacin son normalizados (
1
w y
2
w ). Los nodos de esta capa tienen la etiqueta N.

Capa 4: Cada nodo de esta capa esta asociado a una ecuacin lineal (
1
f y
2
f ), la que se multiplica por el factor de ponderacin normalizado.

Capa 5: En el nodo de esta capa, que tiene la etiqueta , las salidas de la
capa anterior se suman.

Los sistemas inferencia difusa Takagi-Sugeno se representan y entrenan
como una red neuronal, usando el algoritmo retropropagacin del error
(backpropagation), para ajustar los parmetros de las funciones de
pertenencia, el cual se combina con mnimos cuadrados para determinar los
coeficientes de las ecuaciones lineales.
Utilizando este sistema de inferencia se crearon 24 modelos, que para
identificarlos tienen de prefijo la letra C seguido de un nmero entre 1 y 24.
Las variables explicativas que se usaron son la amplitud trmica, el da
Juliano, la precipitacin y las temperaturas mxima y mnima diarias del aire.
A diferencia de los modelos de Bristow & Campbell y de De Jong & Stewart
que relacionan la insolacin diaria con la amplitud trmica, se crearon 12
modelos ANFIS que relacionen la insolacin diaria directamente con las
temperaturas mxima y mnima, ya que por separado contienen mas
25
informacin que la amplitud trmica, y de este modo probar si ayudan al
sistema ANFIS a mejorar su desempeo.
Las variables explicativas que usan los 24 modelos ANFIS propuestos y los
radios de influencia de las agrupaciones (cluster), estn especificadas en la
tabla 1.
En el caso que las predicciones estn fuera de rango, esto es, que los
modelos entreguen predicciones de insolacin negativa o superior a la
radiacin extraterrestre, se contaran para calcular el porcentaje de
predicciones que estn fuera del rango de insolacin.

26
Tabla 1. Variables explicativas de la insolacin diaria usadas en los 24
modelos ANFIS propuestos (C.1C.24) y el radio de influencia
usado en la agrupacin.

C.1 0,25
C.2 0,5
C.3 0,75
C.4 0,25
C.5 0,5
C.6 0,75
C.7 0,25
C.8 0,5
C.9 0,75
C.10 0,25
C.11 0,5
C.12 0,75
C.13 0,25
C.14 0,5
C.15 0,75
C.16 0,25
C.17 0,5
C.18 0,75
C.19 0,25
C.20 0,5
C.21 0,75
C.22 0,25
C.23 0,5
C.24 0,75
Se us la variable
Variables
Modelo
Amplitud
Trmica
Temperatura
Mxima y
Mnima
Da
Juliano
Precipitacin
Radio de
influencia

27
Modelos de ngstrom
Este es un modelo ampliamente usado en el mundo y desarrollado a
principios del siglo XX. Usa como variables explicativas el nmero de horas
de sol y la radiacin extraterrestre; el modelo se define con las ecuaciones 9
y 10.
|
.
|
\
|
+ =
N
n
b a Q Q
0

[9]
s
h
24
N =

[10]

Donde:
-2
da
-1
).
Q
0
n = Heliofana real (horas de sol da
-1
).
N = Heliofana terica (horas de sol da
-1
).
a y b = Coeficientes empricos.
s
h = Factor de duracin del da (la metodologa de clculo se muestra
en el Anexo 3).

Con este modelo se consideraran dos casos:
28
1) el modelo de ngstrom recomendado por FAO (2006) para calcular
evapotranspiracin, en el que el valor de los coeficientes a y b, es de 0,25 y
0,5, respectivamente (modelo D.1 en el presente estudio);
2) un modelo en el cual se busque el valor de los coeficientes a y b, para las
condiciones de Chilln (modelo D.2 en el presente estudio).

Comparacin de Modelos
Para llevar a cabo la comparacin de los modelos, es necesario estimar la
insolacin diaria a partir de otras variables meteorolgicas (amplitud trmica,
temperaturas mxima y mnima y precipitacin), pertenecientes al conjunto
de datos de prueba.
Las comparaciones se harn usando ndices de desempeo, como el
coeficiente de eficiencia que se define en la ecuacin 11 (Legates y McCabe,
1999) el cual va desde menos infinito hasta uno. Mientras mas cercano sea a
uno, mejor desempeo tiene el modelo y viceversa; tambin, cuando es
cercano a cero, el desempeo del modelo es igual a que si se utilizara como
estimador el promedio de los datos observados.
( )
( )
|
|
|
|
.
|
\
|
=
=
N
i
i
N
i
i i
O O
P O
E
1
2
1
2
1

[11]
Donde:
E = Coeficiente de Eficiencia.
N = Nmero de observaciones.
29
i
O = Dato observado.
i
P = Dato estimado.
O = Media de los datos observados.

Tambin se analizar el desempeo del modelo con la raz de la media suma
de los cuadrados del error (RMSE), que se define mediante la ecuacin 12.
( )
=
=
N
i
i i
O P
N
RMSE
1
2
1

[12]

Una de las criticas del RMSE es que, debido a que los errores son elevados
al cuadrado, en el caso que el modelo no siga bien los eventos extremos,
entregara valores demasiado altos, y con esto se perder o ser difcil
visualizar la magnitud del error; por ello, se incluir el error medio absoluto
(MAE), el que se define mediante la ecuacin 13.
=
=
N
i
i i
O P
N
MAE
1
1

[13]

Para eliminar los efectos estacinales se utiliza tambin el error porcentual
absoluto medio (MAPE), que se define mediante la ecuacin 14.
%
O
O P
N
MAPE
N
i i
i i
100
1
1
=

=

[14]

30
Estos ndices estadsticos se usarn para evaluar todas las estimaciones de
insolacin, tanto de los datos anuales como agrupados segn la estacin del
ao.
Por ltimo, se relacionar el error porcentual absoluto de cada prediccin de
un modelo especifico, con las de variables que usa el modelo para explicar la
insolacin, haciendo una regresin lineal con variables dictomas (Gujarati,
1997), y se analizara el impacto de las variables en la explicacin de la
insolacin, y si tiene significanca estadstica. Para el caso de los modelos de
Bristow & Campbell, se usar la ecuacin 15.
i
D
A
D
A A
i
i i i A i A
K K K
O
O P
=
, 2 , , 1 ,
2 , 1 ,
[15]
Donde:
A
K ,
1 , A
K ,
2 , A
K = Parmetros a determinar.
i A
D
, 1 ,
= 1, si se consideran estaciones del ao.
= 0, en caso contrario.
i A
D
, 2 ,
= 1, si se considera la precipitacin como variable del modelo.
i
= Error de la i-sima estimacin.

31
Para el caso de los modelos de De Jong & Stewart, se usar la ecuacin 16.
i
D
B B
i
i i i B
K K
O
O P
=
, 1 ,
1 ,
[16]
Donde:
B
K ,
1 , B
i B
D
, 1 ,
= 1, si se consideran los meses del ao.
i

Por ltimo, la ecuacin 17 es la regresin de los modelos ANFIS.
i
D
C
D
C
D
C C
i
i i i C i C i C
K K K K
O
O P
=
, 3 , , 2 , , 1 ,
3 , 2 , 1 ,
[17]
Donde:
C
K ,
1 , C
K ,
2 , C
K ,
3 , C
i C
D
, 1 ,
= 1, si se consideran las temperaturas mximas y mnimas del da
como variables del modelo.
i C
D
, 2 ,
= 1, si se considera el da Juliano como una variable del modelo.
i C
D
, 3 ,
= 1, si se considera la precipitacin como una variable del modelo.
32
i

Para llevar a cabo estas regresiones, el primer paso consiste en linealizar las
ecuaciones aplicando logaritmo natural y luego aplicar el mtodo de mnimos
cuadrados para estimar los coeficientes y, por ltimo, realizar un anlisis de
varianza para determinar si los coeficientes de cada ecuacin son
significativos.
Para interpretar las ecuaciones anteriores es necesario observar solo los
parmetros que tienen exponente (bases). Si estos son mayores que uno,
indican que al incluir la variable con la que tienen relacin (exponente),
incrementan la esperanza del error relativo en el valor que excede a la
unidad y, en el caso que parmetro tenga un valor menor a la unidad, se
disminuye la esperanza del error relativo en el valor que falta para completar
la unidad. Esto es explicado con mayor detalle en el anexo 6.

33
RESULTADOS
Una vez que se generaron predicciones con los modelos se procedi a
comparar el desempeo de estos con los estadsticos mencionados. Primero
se compararon los modelos solo con otros de la misma familia y luego se
compararan los mejores modelos de cada familia.

Modelos de Bristow & Campbell.
Se observan diferencias mnimas del desempeo global, entre los modelos
(Tabla 2), llegando, para el caso de la raz de la media suma de los
cuadrados del error, a diferenciarlos en dcimas de un MJ m
-2
da
-1
, y por
otro lado, las diferencias entre los modelos usando el error porcentual
absoluto medio, llegan a 3 puntos porcentuales.

Tabla 2. Desempeo global de los modelos de Bristow & Campbell medidos
con raz de la media suma de los cuadrados del error (RMSE), error
medio absoluto (MAE), error porcentual absoluto medio (MAPE) y
coeficiente de eficiencia (E).

Modelo RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
A.1 3,67 2,79 34,2 0,86
A.2 3,56 2,71 34,0 0,87
A.3 3,58 2,73 33,7 0,87
A.4 3,55 2,71 32,0 0,87
A.5 3,44 2,64 31,5 0,88
A.6 3,45 2,65 31,3 0,88
ndices

34
Al desagregar los datos por estaciones (Tabla 3) se observa un mejor
desempeo, en otoo, con los modelos que cambian el valor de sus
parmetros segn las estaciones del ao (modelos A.4, A.5 y A.6);
especficamente, el coeficiente de Eficiencia se incrementa en cerca de una
dcima y el error porcentual absoluto medio desciende en aproximadamente
en 10 puntos porcentuales (desde 56 a 46% aproximadamente). En invierno,
primavera y verano, prcticamente no se diferencian los modelos entre si en
su capacidad predictiva.
La regresin con variables dictomas (Ecuacin 18), nos indica que la
variable binaria de precipitacin (D
A,2,i
) que usan los modelos A.2, A.3, A.5 y
A.6, sirve para disminuir el error relativo en las predicciones en un 2%. As
mismo, la variable binaria del uso de estaciones del ao (D
A,1,i
), indica que
los modelos que cambian el valor de sus parmetros en cada estacin del
ao (modelos A.4, A.5 y A.6) aumentan su error relativo en 1%. Sin embargo,
ninguna de las dos variables cualitativas tiene significanca estadstica
(P>0,05).
i
D D
i
i i i A i A
O
O P
=
, 2 , , 1 ,
98 , 0 01 , 1 14 , 0

[18]

35
Tabla 3. Desempeo estacional de los modelos de Bristow & Campbell
medidos con raz de la media suma de los cuadrados del error
(RMSE), error medio absoluto (MAE), error porcentual absoluto
medio (MAPE) y coeficiente de eficiencia (E).

Estacin RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
verano 3,24 2,49 12,2 0,74
otoo 3,93 2,94 56,6 0,46
invierno 3,23 2,38 45,9 0,59
primavera 4,15 3,34 18,9 0,70
verano 3,18 2,48 12,0 0,75
otoo 3,85 2,88 56,8 0,48
invierno 3,09 2,30 45,8 0,62
primavera 4,01 3,18 18,2 0,72
verano 3,17 2,46 12,0 0,75
otoo 3,87 2,89 56,2 0,48
invierno 3,13 2,31 45,1 0,61
primavera 4,02 3,21 18,3 0,72
verano 3,30 2,41 13,1 0,73
otoo 3,48 2,68 46,4 0,58
invierno 3,16 2,34 46,6 0,61
primavera 4,17 3,40 19,3 0,70
verano 3,22 2,38 12,9 0,74
otoo 3,39 2,65 45,6 0,60
invierno 3,02 2,28 46,4 0,64
primavera 4,02 3,23 18,7 0,72
verano 3,21 2,38 12,8 0,74
otoo 3,41 2,65 45,5 0,59
invierno 3,05 2,28 45,9 0,63
primavera 4,03 3,26 18,7 0,72
Modelo A.5
Modelo A.6
ndices
Modelo A.1
Modelo A.2
Modelo A.3
Modelo A.4

36
Modelos de De Jong & Stewart
La diferencia entre los dos modelos utilizados es mnima al medirla con la
raz de la media suma de los cuadrados del error o error medio absoluto, lo
cual se reafirma claramente con el coeficiente de eficiencia, con el cual
ambos modelos se diferencian en solo un par de centsimas (Tabla 4).

Tabla 4. Desempeo global de los modelos de De Jong & Stewart medidos
con raz de la media suma de los cuadrados del error (RMSE), error
coeficiente de eficiencia (E).

Modelo RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
B.1 3,81 2,98 38,9 0,85
B.2 3,52 2,72 35,2 0,87
ndices

Tal como ocurri en los modelos de Bristow & Campbell, al desagregar los
datos por estaciones (Tabla 5), la mayor diferencia entre los modelos se
registra en otoo, la cual llega aproximadamente a 12 puntos porcentuales al
medirla con el error porcentual absoluto medio o 4 dcimas de MJ m
-2
da
-1

al usar el error absoluto medio.

37
Tabla 5. Desempeo estacional de los modelos de De Jong & Stewart

Estacin RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
verano 3,58 2,86 13,9 0,68
otoo 3,99 3,05 63,1 0,44
invierno 3,20 2,46 54,6 0,60
primavera 4,34 3,53 20,6 0,67
verano 3,30 2,52 13,5 0,73
otoo 3,38 2,64 51,6 0,60
invierno 3,15 2,43 53,6 0,61
primavera 4,15 3,29 19,4 0,70
ndices
Modelo B.1
Modelo B.2

El anlisis de la ecuacin de regresin con variables dictomas (ecuacin
19), indica que el error relativo disminuye en un 9% al diferenciar los meses
del ao en el modelo, pero este valor no es estadsticamente significativo
(P>0.05).
i
D
i
i i i B
O
O P
=
, 1 ,
91 , 0 16 , 0

[19]

38
Modelos ANFIS
Dado que estos modelos pueden dar datos de insolacin diaria fuera de
rango, un anlisis preliminar indica que sta situacin se concentr
principalmente en otoo e invierno (Tabla 6).

Tabla 6. Porcentaje de datos fuera de los rangos de insolacin diaria,
separados por estacin y la media anual, en los 24 modelos ANFIS
y las variables explicativas usadas por cada modelo para predecir la
insolacin.

C.1 AT 0 17,0 13,4 0 7,9
C.2 AT 0 17,0 13,0 0 7,8
C.3 AT 0 17,3 13,8 0 8,1
C.4 AT, DJ 0 0 0 0 0
C.5 AT, DJ 0 0 0 0 0
C.6 AT, DJ 0 0 0 0 0
C.7 AT, DJ, PP 1,2 2,1 0 0 0,8
C.8 AT, DJ, PP 0 0,3 0 0 0,1
C.9 AT, DJ, PP 0 0 0 0 0
C.10 AT, PP 0 17,0 13,4 0 7,9
C.11 AT, PP 0 17,3 13,8 0 8,1
C.12 AT, PP 0 18,0 13,8 0 8,3
C.13 TMM 0 3,5 1,1 0 1,2
C.14 TMM 0 2,8 1,4 0 1,1
C.15 TMM 0 2,1 1,1 0 0,8
C.16 TMM, DJ 0 0,3 0 0 0,1
C.17 TMM, DJ 0 0 0 0,7 0,2
C.18 TMM, DJ 0 0 0 0 0
C.19 TMM, DJ, PP 1,2 1,4 0,7 0 0,8
C.20 TMM, DJ, PP 0,4 1,4 0,4 0 0,6
C.21 TMM, DJ, PP 0 0 0 0 0
C.22 TMM, PP 0,8 3,8 1,1 0 1,5
C.23 TMM, PP 0,4 3,1 1,4 0 1,3
C.24 TMM, PP 0 2,4 1,1 0 0,9
Media
Anual
otoo verano
Variables
Explicativas*
Modelo
Estacin del ao
primavera invierno

* AT: amplitud trmica del da, TMM: temperatura mxima y mnima del da,
DJ: da Juliano y PP: precipitacin.
39
Los modelos que consideran la variable de amplitud trmica, sin incluir el da
Juliano (Modelos C.1, C.2, C.3, C.10, C.11 y C.12), entregan
aproximadamente un 15% de predicciones fuera de los rangos de insolacin
diaria en las estaciones de otoo e invierno, mientras que las predicciones
errneas desciende hasta un 2% al considerar las temperaturas mxima y
mnima por separado (Modelos C.13, C.14, C.15, C.22, C.23 y C.24). La
nica variable que hace descender el nmero de predicciones errneas a
aproximadamente cero, es el da Juliano. Esto se debe a que los sistema
ANFIS no cuentan con los valores de radiacin extraterrestre de manera
explcita, la cual vara a travs del ao desde 15 hasta 43 MJ m
-2
da
-1
, para
Chilln, que los modelos que no cuentan con la variable explicativa da
Juliano (la cual explica la radiacin extraterrestre), entregan valores de
insolacin fuera de rango.
La inclusin de la variable precipitacin en los modelos (C.7, C.8, C.9, C19,
C.20 y C.21) incrementa el nmero de predicciones fuera de los rangos de
insolacin diaria; en cambio los modelos que usan amplitud trmica (C.4, C.5
y C.6) o temperatura mxima y mnima (C.16, C.17 y C.18), con el da
Juliano y sin la precipitacin, no incurren en dichos errores (con excepcin
del modelo C.16 y C.17).
Hay que notar que en los modelos que consideran las mismas variables
explicativas, el radio de influencia de la agrupacin (cluster) no tuvo
influencia en los ndices que se muestran en la Tabla 7. Adems, los
modelos que consideran la variable da Juliano (Modelos C.4, C.5, C.6, C.7,
40
C.8, C.9, C.16, C.17, C.18, C.19, C.20 y C.21) tienen una clara superioridad,
la que se puede medir con el coeficiente de eficiencia, el cual es superior a
0.85 para todos ellos.

Tabla 7. Desempeo global de los modelos de ANFIS medidos con raz de la
media suma de los cuadrados del error (RMSE), error medio
absoluto (MAE), error porcentual absoluto medio (MAPE) y
coeficiente de eficiencia (E), junto a las variables meteorolgicas
(explicativas) usadas por los modelos para predecir la insolacin
diaria.

RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
C.1 AT 6,23 5,05 56,0 0,60
C.2 AT 6,25 5,06 56,0 0,60
C.3 AT 6,26 5,07 56,7 0,60
C.4 AT, DJ 3,44 2,60 32,7 0,88
C.5 AT, DJ 3,43 2,59 32,5 0,88
C.6 AT, DJ 3,39 2,57 32,4 0,88
C.7 AT, DJ, PP 3,62 2,68 34,1 0,87
C.8 AT, DJ, PP 3,41 2,61 32,7 0,88
C.9 AT, DJ, PP 3,47 2,65 33,3 0,88
C.10 AT, PP 6,22 5,05 54,8 0,60
C.11 AT, PP 6,25 5,05 55,4 0,60
C.12 AT, PP 6,24 5,05 55,6 0,60
C.13 TMM 4,82 3,75 43,6 0,76
C.14 TMM 4,80 3,74 43,5 0,76
C.15 TMM 4,78 3,71 43,1 0,77
C.16 TMM, DJ 3,67 2,76 34,5 0,86
C.17 TMM, DJ 3,50 2,65 33,4 0,87
C.18 TMM, DJ 3,45 2,63 32,6 0,88
C.19 TMM, DJ, PP 3,82 2,77 33,9 0,85
C.20 TMM, DJ, PP 3,58 2,71 33,6 0,87
C.21 TMM, DJ, PP 3,48 2,64 32,2 0,88
C.22 TMM, PP 4,94 3,78 42,2 0,75
C.23 TMM, PP 4,81 3,73 42,7 0,76
C.24 TMM, PP 4,78 3,70 41,9 0,77
Variables
Explicativas*
Modelo
ndices

* AT: amplitud trmica del da, TMM: temperatura mxima y mnima del
da, DJ: da Juliano y PP: precipitacin.

41
Los modelos C.1, C.2, C.3, C.10, C.11 y C.12, tienen el menor desempeo
durante todo el ao y la situacin empeora en otoo e invierno, por que el
Coeficiente de Eficiencia es negativo en estas estaciones (Apndice 1). Los
modelos C.13, C.14, C.15, C.22, C.23 y C.24 tienen un desempeo un tanto
mejor a travs del ao, excepto en otoo, tal como lo indica el Coeficiente de
Eficiencia negativo y cercano a cero. Los dos grupos de modelos anteriores
se diferencian solo en que en el primero usan la variable amplitud trmica del
da, como variable explicativa, mientras que en el segundo grupo de modelos
las temperaturas mximas y mnimas diarias se ingresan por separado, lo
que conlleva a que el modelo cuente con mas informacin para hacer las
predicciones. Nuevamente, los modelos que incluyen el da Juliano como
variable (Modelos C.4, C.5, C.6, C.7, C.8, C.9, C.16, C.17, C.18, C.19, C.20 y
C.21) tienen los mejores desempeos durante todas las estaciones, y no se
aprecian diferencias entre ellos al usar cualquiera de los ndices de
desempeo.
Al analizar los modelos ANFIS con la regresin de variables dictomas
(ecuacin 20), lo que mas hace bajar el error relativo es la inclusin en el
modelo del da Juliano como variable (D
c,2,i
), siendo sta reduccin del 41%;
despus le sigue el uso de la temperatura mxima y mnima por separado
(D
c,1,i
), lo que baja el error relativo medio en un 15%. Con la inclusin de
estas tres variables en los modelos ANFIS, se logra bajar aproximadamente
a la mitad el error relativo medio de las predicciones. Adems,
estadsticamente los dos coeficientes de la ecuacin anteriormente
42
mencionados son estadsticamente significativos (P>0.05). Finalmente, la
variable precipitacin (D
c,3,i
) aumenta el error en 1%, lo que estadsticamente
no es significativo (P>0.05), no siendo una buena variable en los modelos
ANFIS para explicar la insolacin.
i
D D D
i
i i i C i C i C
O
O P
=
, 3 , , 2 , , 1 ,
01 , 1 59 , 0 85 , 0 18 , 0

[20]

Modelo de ngstrom
Se observa (Tabla 8) que el modelo D.2 tiene un mejor desempeo que el
modelo D.1, a nivel anual y estacional. Las estimaciones de insolacin del
modelo D.2 tienen 0,85
-1 -2
da m MJ menos de MAE que las estimaciones
del modelo D.1, como promedio anual, y al observar coeficiente de eficiencia
anual, el modelo D.2 supera en aproximadamente en una dcima al modelo
D.1. Esto se puede observar el la figura 2, donde las estimaciones de
insolacin hechas con el modelo D.2, se ajustan de mejor manera a la recta
1:1 que las hechas con el modelo D.1.
Y en las estaciones de primavera y verano, el MAE se disminuye en ms de
un
-1 -2
da m MJ , al usar el modelo de ngstrom calibrado para Chilln (D.2),
respecto al modelo propuesto por FAO (D.1), y en otoo e invierno, esta
diferencia es de aproximadamente 0,6
-1 -2
da m MJ , sin embargo el MAPE
del modelo D.1 en las estaciones en cuestin, es de aproximadamente 50%
y para el modelo D.2 se disminuye hasta 25% aproximadamente.
43
El modelo de ngstrom calibrado para las condiciones de Chilln (Modelo
D.2) se muestra en el apndice 6.

Tabla 8. Desempeo global y estacional de los modelos de ngstrom

RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
verano 3,45 2,98 14,9 0,71
otoo 2,17 1,77 48,7 0,83
invierno 2,34 1,87 53,0 0,78
primavera 3,92 3,36 20,8 0,73
anual 3,04 2,47 35,0 0,86
verano 2,38 1,80 9,2 0,86
otoo 1,56 1,19 24,9 0,91
invierno 1,56 1,19 26,1 0,90
primavera 2,96 2,32 13,8 0,85
anual 2,18 1,61 18,8 0,95
ndices
Periodo de
anlisis
Modelo D.2**

* Modelo de ngstrom recomendado por FAO
** Modelo de ngstrom calibrado para Chilln

44

Figura 2. Comparacin de la insolacin diaria (Q) observada y estimada con
el modelo de modelo de ngstrom recomendado por FAO D.1 (a)
y el calibrado para las condiciones de Chilln D.2 (b). MAE es el
error absoluto medio de los modelos.

Comparacin las familias de Modelos
Para comparar entre las distintas familias de modelos, se seleccionaron los
de mejor desempeo, global y estacional.
En la familia de los modelos de Bristow & Campbell se consideraron los
modelos A.4, A.5 y A.6 (apndice 3). De los dos modelos de De Jong &
Stewart se utiliz para esta comparacin el B.2 (apndice 4), y en el caso de
los modelos ANFIS, participan los que usan como variables explicativas la
amplitud trmica y las temperaturas mximas y mnimas con el da Juliano y
con un radio de influencia de la agrupacin (cluster) de 0,75, ya que son los
mejores y solo usan tres reglas (C.6, y C.18, apndice 6).
Al observar cualquiera de los ndices de desempeo global de todos los
modelos anteriormente mencionados, los modelos A.4 de Bristow &
Q observada (MJ m
-2
da
-1
)
Q

e
s
t
i
m
a
d
a

(
M
J

m
-
2

d
a
-
1
)

45
Campbell y B.2 de De Jong & Stewart, tienen un desempeo inferior al resto,
en cerca de una dcima de MJ m
-2
da
-1
, midindola con el RMSE o MAE.
Al comparar los modelos A.5 y A.6 no existen diferencias entre ellos, tanto a
nivel global como estacional. No ocurre lo mismo con los modelos ANFIS C.6
y C.18, los que se diferencian entre si en aproximadamente una dcima de
MJ m
-2
da
-1
en verano, medida con RMSE o MAE, siendo el modelo C.6 el
que presenta un mejor desempeo. Para otoo, invierno y primavera no se
aprecian diferencias entre ellos.
Al comparar el modelo C.6 con el A.5 o A.6 existe una pequea diferencia a
nivel global, y esta se debe a que el modelo C.6 presenta mejores
predicciones en verano, que son un cuarto de MJ m
-2
da
-1
menores que los
modelos A.5 y A.6 medidas con el MAE, y para el resto de las estaciones no
se aprecian diferencias en el desempeo. Esto se puede apreciar en la figura
3 (b) y (c), donde los valores de insolacin ms altos, o sea en verano, los
modelos de Bristow & Campbell (A.5 y A.6) tienden a subestimar la
insolacin, al estar agrupados bajo la recta 1:1, lo que ocurre en menor
medida con el modelo ANFIS C.6 (figura 3 (e)). Esto se puede apreciar con
ms claridad en la figura 4, donde estn slo las observaciones y
estimaciones de insolacin del verano.
Por ltimo, al comparar el desempeo del modelo ANFIS C.6 con los
modelos de ngstrom D.1 y D.2, se aprecia que el modelo D.1, a nivel anual,
presenta un mejor desempeo que el modelo C.6, al hacer estimaciones con
46
0,1
-1 -2
da m MJ menos de MAE. Al desagregar por estaciones, en verano y
primavera el modelo C.6 hace mejores predicciones que el modelo D.1, en
0,85 y 0,14
-1 -2
da m MJ menos de MAE para el verano y primavera
respectivamente. Pero en otoo e invierno, el modelo D.1 hace mejores
estimaciones que el modelo C.6, en 0,85 y 0,43
-1 -2
da m MJ menos de MAE
para el otoo e invierno respectivamente.
El modelo de ngstrom D.2, a nivel global y estacional presenta un mejor
desempeo que el modelo C.6, al medirlo con cualquiera de los ndices de
desempeo. Especficamente, las estimaciones del modelos D.2, tienen un
-1 -2
da m MJ menos de MAE como promedio anual, que el modelo ANFIS
C.6, y en las estaciones de otoo e invierno los modelos se diferencian ms
de un
-1 -2
da m MJ de MAE, en primavera la diferencia es de 0,9
-1 -2
da m MJ y en verano es de 0,3
-1 -2
da m MJ aproximadamente.
En el apndice 2 estn las tablas con los ndices desempeos anual y
estacional de los modelos anteriormente mencionados, ordenados segn su
desempeo anual (medido con el MAE) y adems se incluye el rango que
ocupa el modelo en cada una de las estaciones.
En la tabla 2 se muestran los modelos jerarquizados segn su desempeo
medido con el MAE, y se aprecia el modelo de ngstrom calibrado para
Chilln (D.2), logra el mejor desempeo a nivel anual como estacional, de
todos los modelos analizados en el presente estudio. Pero solo considerando
los modelos que usan como variable explicativa la temperatura mxima y
47
mnima diaria y precipitacin, se puede concluir que el mejor modelo es el
ANFIS C.6, ya que alcanza el mejor desempeo anual y en las estaciones de
verano y primavera, pero en otoo e invierno, solo se diferencia de los
modelos que alcanzan mejor desempeo en centsimas de
-1 -2
da m MJ .

Tabla 9. Modelos seleccionados*, dispuestos de menor a mayor error
medio absoluto (MAE) anual, junto con el lugar que ocupan en el
ordenamiento a nivel anual y estacional; en parntesis el lugar que
ocupan en el ordenamiento al descartar los modelos de ngstrom.

Modelo Anual Verano Otoo Invierno Primavera
D.2 1 1 1 1 1
D.1 2 8 2 2 7
C.6 3(1) 2(1) 4(2) 5(3) 2(1)
C.18 4(2) 3(2) 3(1) 6(4) 4(3)
A.5 5(3) 5(4) 7(5) 3(1) 3(2)
A.6 6(4) 4(3) 6(4) 4(2) 5(4)
A.4 7(5) 6(5) 8(6) 7(5) 8(6)
B.2 8(6) 7(6) 5(3) 8(6) 6(5)
Ordenacin

*Modelos de Bristow & Campbell (A.4, A.5 y A.6), modelo de De Jong &
Stewart (B.2), modelos ANFIS (C.6 y C.18) y modelos de ngstrom
(D.1 y D.2).

Por ltimo, se presentan los resultados obtenidos en dos estudios, slo como
referencia. Bristow & Campbell (1984), evaluaron su modelo en la localidad
de Pullman (situado en la latitud 46 46 Norte y longitud 117 12 Oeste y
776 m s.n.m.), en los aos 1980 y 1981, obteniendo un RMSE anual de 3
-1 -2
da m MJ .
Podesta y Nez (2003) evaluaron los modelos de ngstrom y el aditivo
generalizado (GAM), que usa como variables explicativas las temperaturas
48
mximas y mnimas y precipitacin, en la localidad Argentina de Pergamino
(33 56 Sur, 60 33 Oeste). Obteniendo un RMSE de 1,5
-1 -2
da m MJ para
el modelo de ngstrom, calibrado para la localidad y a diferencia del
presente estudio, los coeficientes se calibraron para cada mes del ao. En el
caso del modelo GAM, el resultado fue de 3,2
-1 -2
da m MJ de RMSE.
De lo anterior se puede decir, a grandes rasgos, que los resultados obtenidos
en el presente estudio con los modelos seleccionados (Bristow & Campbell,
De Jong & Stewart, ANFIS y ngstrom), estn dentro de los rangos, ya que
el nico que obtuvo un desempeo superior fue el modelo de ngstrom de
Podesta y Nez, y se diferencio del de ngstrom calibrado para Chilln en
un
-1 -2
da m MJ de RMSE.
Una recomendacin para otros estudios que relacionen la insolacin diaria
con la temperaturas del aire y precipitacin diaria, es usar esta ltima como
una variables retardada, es decir que se use la precipitacin de los das
anteriores, ya que esta afecta la temperatura del aire los das posteriores a al
da que ocurri la precipitacin, por que la radiacin solar incidente se usa
para evaporar el agua disponible en el ambiente y no para elevar la
temperatura ambiental.

49

Figura 3. Comparacin de la insolacin diaria (Q) observada y estimada con
los modelos de Bristow & Campbell A.4 (a), A.5 (b) y A.6 (c); con
el modelo B.2 de De Jong & Stewart (d); y con los modelos ANFIS
C.6 (e) y C.18 (f).
Q observada (MJ m
-2
da
-1
)
Q

e
s
t
i
m
a
d
a

(
M
J

m
-
2

d
a
-
1
)

50

Figura 4. Comparacin de la insolacin diaria del verano (Q) observada y
estimada con los modelos de Bristow & Campbell A.5 (a) y A.6 (b);
con el modelo de De Jong & Stewart B.2 (c); con el modelo ANFIS
C.6 (d) y el modelo de ngstrom recomendado por la FAO D.1 (e)
y el calibrado para Chilln D.2 (f). MAE es el error absoluto medio
de los modelos.

Q observada (MJ m
-2
da
-1
)
Q

e
s
t
i
m
a
d
a

(
M
J

m
-
2

d
a
-
1
)

51
CONCLUSIONES
Utilizando los datos meteorolgicos de temperaturas mximas y mnimas y
precipitacin es posible predecir la insolacin diaria con un error medio
absoluto del orden de 2,7 MJ m
-2
da
-1
, con los modelos de Bristow &
Campbell, De Jong & Stewart y ANFIS. Adems, los modelos presentan una
gran diferencia en la calidad de las predicciones a travs del ao, ya que el
error porcentual absoluto medio en la primavera y verano ronda el 15% y en
el invierno y otoo es de 50%. Otro resultado de inters, es que la
precipitacin diaria no es una buena variable explicativa de la insolacin en
los modelos ANFIS, ya que aumenta el error medio absoluto en el orden de
centsimas de MJ m
-2
da
-1
. Pero en los modelos de Bristow & Campbell,
donde es usada como una variable cualitativa (modelos A.2, A.3, A.5 y A.6),
hace que el error medio absoluto disminuya en aproximadamente media
dcima de MJ m
-2
da
-1
.

El modelo ANFIS que usa como variables explicativas la amplitud trmica y
da Juliano, y un radio de influencia en la agrupacin (cluster) de 0,75
(modelo C.6), hace las mejores predicciones en su familia de modelos.
Los modelos ANFIS que no consideran como variable explicativa el da
Juliano, entregan predicciones fuera de los rangos de insolacin diaria en las
estaciones de otoo e invierno. La inclusin de la variable precipitacin solo
empeora esta situacin.

52
Los modelos de Bristow & Campbell que consideran diferentes valores de los
parmetros en cada estacin del ao (A.4, A.5 y A.6), tuvieron un mejor
desempeo global al reducir el error absoluto medio en aproximadamente 0,1
-1 -2
da m MJ , con respecto a los modelos que usan los mismos parmetros
todo el ao (A.1, A.2 y A.3). Pero, en otoo, esta reduccin fue de
aproximadamente 0,2 MJ m
-2
da
-1
, que representa un reduccin 10 puntos
porcentuales al medirla con el error porcentual absoluto medio.
El modelo de De Jong & Stewart que considera diferentes parmetros para
cada uno de los meses del ao (B.2), logr una reduccin del error medio
absoluto de aproximadamente 0,3 MJ m
-2
da
-1
, con respecto al que no varia
los parmetros a travs del ao (B.1). Esta mejora se logra en las estaciones
de verano, otoo y primavera; sin embargo, el desempeo en invierno no
mejora.

El modelo ANFIS C.6 logr el mejor desempeo de todos los que usan como
variables explicativas las temperaturas del aire mxima y mnima diaria y
precipitacin, con un error absoluto medio de 2,57 MJ m
-2
da
-1
, superando
por aproximadamente 5 centsimas de MJ m
-2
da
-1
al modelo que le sigue
en desempeo (modelos de Bristow & Campbell A.5 y A.6). Al analizar por
estaciones, en otoo, invierno y primavera este modelo ANFIS, no se
diferencia de los modelos de Bristow & Campbell (A.5 y A.6), pero en verano
53
muestra un desempeo superior a estos al reducir el error absoluto medio en
0,25 MJ m
-2
da
-1
, aproximadamente.

El modelo de ngstrom recomendado por FAO (modelo D.1), hace
estimaciones de insolacin con un error absoluto medio anual de 2,47
-1 -2
da m MJ , lo que es una dcima de
-1 -2
da m MJ menos que ANFIS C.6,
y al analizar por estaciones, se encontr que en verano y primavera ANFIS
C.6 presenta un mejor desempeo; en cambio, en otoo e invierno el modelo
FAO (D.1) logra hacer las mejores predicciones.
El modelo ngstrom calibrado para Chilln (modelo D.2) predice con un error
absoluto medio anual de 1,61
-1 -2
da m MJ , lo que es un
-1 -2
da m MJ
menos que el modelo C.6, adems, el modelo D.2 hace mejores predicciones
de insolacin que el modelo C.6, en todas las estaciones del ao.

54
LITERATURA CITADA

1. Bristow, K.L., G.S. Campbell. 1984. On the relationship between
incoming solar radiation and daily maximum and minimum
temperature. Agric. For. Meteorol. 31(2): 159-166.

2. Campbell, G. S., J. M. Norman. 1998. An introduction to environmental
biophysics. Springer-Verlag Inc. New York, U.S.A.

3. Castillo, H., F. Santibez. 1981. Evaluacin de la radiacin solar global
y luminosidad en Chile. I. Calibracin de formulas para estimar
radiacin solar diaria. Agric. Tec. (Chile) 41(3): 145-152.

4. Chiu, S.L. 1994. Fuzzy model identification based on cluster estimation.
J. Intell. Fuzzy Syst. 2(3): 267-278.

5. FAO (Italia). 2006. Evapotranspiracin del cultivo. Estudio FAO riego y
drenaje N 56. FAO. Roma, Italia.

6. Gujarati, D. 1997. Econometra bsica. (3a ed.). Editorial McGraw-Hill,
Inc. Santaf de Bogot, Colombia.

55
7. Hargreaves, L., G. H. Hargreaves and J. P. Riley. 1995. Irrigation water
requirements for Senegal River Basin. J. Irrig. Drain. E. 111(3): 265-
275.

8. Huxley, P.A. 1973. Incoming solar radiation and degree-hours of
temperature near Kampala, Uganda. Agric. Meteorol. 11(3): 437-443.

9. Jong, R. de, D.W. Stewart. 1993. Estimating global solar radiation from
common meteorological observations in western Canada. Can. J.
Plant Sci. 73(2): 509-518.

10. Kaufmann, A. 1977. Introduction la thorie des sous-ensembles flous a
lusage des ingnieurs. Fuzzy sets theory. 1 Elments thoriques de
base. Masson S.A. Paris, France.

11. Lasdon, L. S., R. L. Fox and M. W. Ratner. 1974. Nonlinear optimization
using the generalized reduced gradient method. Revue Franaise
dAutomatique, Informatique et Recherche Oprationnelle. 3(nov.):
73-104.

12. Legates, D. R., G. J. McCabe. 1999. Evaluating the use of goodness-of-
fit measures in hydrologic and hydroclimatic model validation. Water
Resour. Res. 35(1): 233-241.
56
13. Nauck, D., F. Klawonn and R. Kruse. 1997. Foundations of neuro-fuzzy
systems. Editorial Wiley & Sons Ltd. Chichester. U.K.

14. Nicks, A.D., J.F. Harp. 1980. Stochastic generation of temperature and
solar radiation data. J. Hidrol. 48(1): 1-17.

15. Podest G. P., L. Nuez, C. A. Villanueva and M. A. Skansi. 2004.
Estimating daily solar radiation in the Argentine Pampas. Agric. For.
Meteorol. 123(1): 41-53.

16. Roger, J-S. 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference
System. IEEE Trans. Syst. Man Cybern. 23(3): 665-684.

17. Ross, T.J. 1995. Fuzzy logic with engineering applications. McGraw-Hill,
Inc. New York, U.S.A.

18. Rizzi, R., C. Serio, R. Guzzi and M. Francesca. 1980. Solar direct
irradiance at the ground: a parametric approach. Sol. Energy. 25(1):
15-20.

19. Supit, I., R.R. Van Kappel. 1998. A simple method to estimate global
radiation. Sol. Energy. 63(3): 147-160.

57
20. Walter, A. 1969. A relation between incoming solar radiation and degree-
hours of temperature. Agr. Meteorol. 6(6): 435-448.
58
ANEXO 1
Clculo de coeficientes de ecuaciones no-lineales

Para la determinacin de los coeficientes se usar el criterio de mnimos
cuadrados (Gujarati, 1997), el cual se define con la siguiente ecuacin:

=
2 2
)
(
i i i
Y Y u

Donde:
i
u = Error de la i-sima estimacin.
i
Y = i-sima observacin del fenmeno.
i
Y
= i-sima estimacin del fenmeno.

Una vez que la ecuacin anterior es alimentada con los datos estimados (el
modelo con los parmetros desconocidos) y observados, el error se
transforma en una ecuacin, la que depende de los parmetros del modelo,
tal como se muestra a continuacin:

,...) ,
, (
2
c b a f u
i
=

Donde:
a , b
y c = Son los parmetros estimados del modelo.

59
Para determinar los parmetros estimados del modelo, es necesario
minimizar la funcin error, la que se realizar con la herramienta Solver de
Microsoft Excel, que usa el algoritmo generalizado de reduccin del
gradiente, el que esta descrito en Lasdon et al. (1974).
60
ANEXO 2
Descripcin de los instrumentos meteorolgicos

Temperatura
Fabricante : Campbell Scientific
Modelo : HMP35C Sonda de temperatura y humedad relativa.
Rango : -35C a 50C
Error : 0.4C en el rango de 24C a 48C
0.9C en el rango de 38C a 53C

Este instrumento usa para medir la temperatura un termistor intercambiable,
el cual est dentro de una sonda, que a su vez, esta dentro de un escudo
contra la radiacin. Las mediciones se realizan a 2 metros de altura.

Radiacin
Fabricante : Li-Cor
Modelo : LI-200SA
Rango : 0 a 3000 W/m
2

Error : 3% tpico
5% mximo
Este instrumento mide el espectro completo de radiacin del sol, y usa un
detector fotovoltaico de silicio. Adems tiene incorporado un corrector-
61
coseno, para tener mediciones ms exactas cuando el ngulo de altitud del
sol es bajo. El instrumento esta instalado a 2 metros de altura.

Precipitacin
Fabricante : Campbell Scientific
Modelo : TE525
Rango : 0 a infinito, con incrementos de 0.01 pulgadas, o 0.1 mm
en versin mtrica.
Error : 1% con intensidades de precipitacin menores o iguales
a 2 pulgadas/hora.

Este pluviografo de aluminio mide incrementos de altura de agua de 0.1 mm,
con su respectivo intervalo de tiempo.

62
ANEXO 3
Clculo de la radiacin solar total diaria al tope de la atmsfera

La radiacin solar total diaria al tope de la atmsfera (
A
R ) se calcula con las
siguientes ecuaciones (Campbell y Norman, 1998)
( )
s s A
h h R sin cos cos sin sin
5 . 117
+ =
Donde:
A
R = Radiacin solar extraterrestre (MJ m
-2
da
-1
).
= Latitud del lugar, negativa para el hemisferio sur.
= Declinacin solar.
s
h = Factor de duracin del da (medio da).
= Constante (3,1416).

Para estimar la declinacin solar ( ) se usa:
( ) ( ) ( ) J 0.0172 6.224 sin 0.03345 J 0.0172 4.869 sin 0.39785 arcsin + + + =
Donde:
J = Da Juliano (1 para el 1 de enero).

Y finalmente el factor
s
h se calcula con el siguiente modelo:
( ) tan tan arccos =
s
h
Todas las operaciones antes mencionadas, deben realizarse en radianes.
63
ANEXO 4
Definiciones de operaciones sobre y entre conjuntos difusos, y los
operadores lgicos difusos

La primera notacin a definir es ) ( ~ x
A
, que significa el grado de pertenencia
del elemento x al conjunto difuso A
~
; este grado de pertenencia es un nmero
que pertenece al intervalo de nmeros reales de 0 a 1, y el conjunto difuso A
~

se define de la siguiente manera:
} / )) ( , {(
~
~ X x x x A
A
=
Donde:
X = Conjunto base o universo.
) ( ~ x
A
= Grado de pertenencia de x al conjunto difuso A
~
.

A continuacin se definen algunas operaciones sobre y entre conjuntos
difusos:

Interseccin de conjuntos difusos.

} / )) ( , {(
~ ~
~ ~ X x x x B A
B A
=

( ) ) ( ), ( ) ( ~ ~ ~ ~ x x T x
B A B A
=

64
Donde:
) ( ~ x
B
= Es el grado de pertenencia de x al conjunto difuso B
~
.
) ( ~ ~ x
B A
= Es el grado de pertenencia de x al conjunto difuso B A
~ ~
.
T(,) = Es la operacin T-norma o y-difuso, que se definir luego.

Unin de conjuntos difusos.
} / )) ( , {(
~ ~
~ ~ X x x x B A
B A
=

( ) ) ( ), ( ) ( ~ ~ ~ ~ x x S x
B A B A
=

Donde:
) ( ~ ~ x
B A
= Es el grado de pertenencia de x al conjunto difuso B A
~ ~
.
S(,) = Es la operacin T-conorma, S-norma u o-difuso, que se definir
luego.

Complemento de un conjunto difuso.
} / )) ( , {( ) (
~
~ X x x x x A
c
A
c
=
) ( 1 ) ( ~ ~ x x
A A
c
=
Donde:
) ( ~ x
c
A
= Es el grado de pertenencia de x al conjunto difuso
c
A
~
, o al conjunto
difuso complemento de A
~
.

65
Las operaciones anteriormente nombradas, T-norma y T-conorma, se
definirn a continuacin (Kaufmann, 1977):

T-norma (y-difuso)

Esta es una operacin binaria, que se realiza entre grados de pertenencia.
La notacin que se usa se muestra a continuacin:
( ) ) ( ), ( ) ( ~ ~ ~ ~ x x T x
B A B A
=

Y el espacio en donde opera es el siguiente:
[ ] [ ] [ ] 1 , 0 1 , 0 1 , 0 : T
Para que una operacin sea T-norma, debe cumplir con las siguientes
propiedades:

Limite
0 ) 0 , 0 T( =
) T(1, ) 1 , T( = =
Monoticidad
d) T(c, b) , T(a
Si c a y d b .
Conmutatividad
a) T(b, b) , T(a =

66
Asociatividad
c) b), T(T(a, c)) T(b, , T(a =

Las T-normas ms usadas son las siguientes:
( ) )} ( ), ( min{ ) ( ), ( ~ ~ ~ ~ x x x x T
B A B A
=
( ) } 1 ) ( ) ( , 0 max{ ) ( ), ( ~ ~ ~ ~ + = x x x x T
B A B A

( ) ) ( ) ( ) ( ), ( ~ ~ ~ ~ x x x x T
B A B A
=

T-conorma o S-norma (o-difuso)
Esta es una operacin binaria que se realiza entre grados de pertenencia. La
notacin que se usa se muestra a continuacin:
( ) ) ( ), ( ) ( ~ ~ ~ ~ x x S x
B A B A
=

Y el espacio en donde opera es el siguiente:
[ ] [ ] [ ] 1 , 0 1 , 0 1 , 0 : S
Para que una operacin sea T-conorma, debe cumplir con las siguientes
propiedades:

Limite
1 ) 1 , S(1 =
) S(0, ) 0 , S( = =

67
Monoticidad
d) S(c, b) , S(a
Si c a y d b .
Conmutatividad
a) S(b, b) , S(a =
Asociatividad
c) b), S(S(a, c)) S(b, , S(a =

Las S-normas ms usadas son las siguientes:
( ) )} ( ), ( max{ ) ( ), ( ~ ~ ~ ~ x x x x S
B A B A
=
( ) } 1 ), ( ) ( min{ ) ( ), ( ~ ~ ~ ~ x x x x S
B A B A
+ =
( ) ) ( ) ( ) ( ) ( ) ( ), ( ~ ~ ~ ~ ~ ~ x x x x x x S
B A B A B A
+ =

Adems la T-norma y T-conorma se deben elegir para que cumplan con lo
siguiente:

b) - a,1 - T(1 1 b) , S(a =
o tambin,
b) - a,1 - S(1 1 b) , T(a =
68
ANEXO 5
Algoritmo Subclustering y creacin de las funciones de Pertenencia

El algoritmo de agrupamiento sustractivo (Subtractive Clustering), permite
encontrar los centros de agrupaciones de datos, sin conocer el nmero de
stas. El primer paso de este algoritmo consiste en calcular el potencial de
cada punto del conjunto de datos, y encontrar el mximo.
=
=
n
j
j i i
x x P
1
2
) exp(

2
4
a
r
=

Donde:
i
P = Potencial del Punto i.
a
r = Parmetro de influencia.
i
x = Centro de la agrupacin, punto i.
j
x = Punto j.
Luego de encontrado el punto que maximiza la funcin potencial, que
corresponde al centro de la primera agrupacin, el potencial de cada punto
se corrige con la siguiente ecuacin:
) exp(
2
*
1
*
1
x x P P P
i i i

2
4
b
r
=

69
Donde:
b
r = Parmetro de influencia.
*
1
P = Potencial mximo, de la primera agrupacin.
*
1
x = Centro de la primera agrupacin.

Luego de esto se busca el siguiente punto que produzca un mximo
potencial. Y para cuando se tenga el k-simo centro de agrupacin, el
potencial de cada punto es calculado de la siguiente forma:
) exp(
2
* *
k i k i i
x x P P P
Donde:
*
k
P = Potencial del k-simo punto, de la k-sima agrupacin.
*
k
x = Centro de la k-sima agrupacin.
Este proceso continua mientras se cumpla la siguiente condicin.
*
1
*
P P
Sup k
>

Y el proceso termina cuando se cumple la siguiente condicin.
*
1
*
P P
Inf k
<

Adems todos lo centros de un grupo deben cumplir con la condicin
mostrada a continuacin.
1
*
1
*
min
+
P
P
r
d
k
a

70
Y en caso contrario, al centro de la agrupacin, se le asigna un potencial de
0 y se contina con el elemento que muestre el mayor potencial.

Para crear las funciones de pertenencia es necesario calcular los radios de
influencia de cada agrupacin de datos, esta se estima buscando el valor
mximo y mnimo de cada componente, se calcula la amplitud de sta (se
resta la mayor y la menor) y se multiplica por el radio de influencia. Entonces
la funcin de pertenencia tomo la siguiente forma:
( )
( )
|
|
.
|
\
|

=
2
2
~
2
exp
c x
x
A

Donde:
A
~
= Conjunto difuso A.
( ) x
A
~ = Funcin de pertenencia al conjunto difuso A.
c = Centro de la agrupacin.
= Radio de influencia.

71
ANEXO 6
Interpretacin de las ecuaciones de regresin con variables dictomas

Tomando como ejemplo la ecuacin 13, se tiene que solamente hay dos
variables explicativas del error porcentual relativo (APE), las cuales son
i A
D
, 1 ,

y
i A
D
, 2 ,
, y representan el diferenciar las estaciones del ao y el uso de la
variable precipitacin, respectivamente.
i
D
A
D
A A
i
i i i A i A
K K K
O
O P
=
, 2 , , 1 ,
2 , 1 ,
Para entender como funciona, se analizar el efecto de la precipitacin en los
modelos de Bristow & Campbell, si no es usada en los modelos como una
variable explicativa de la radiacin solar, entonces 0
, 2 ,
=
i A
D , o sea 1
, 2 ,
2 ,
=
i A
D
A
K ,
y por lo tanto el valor de la esperanza del APE no se ve alterada. Pero en
caso de que la precipitacin se usada como variable explicativa, el valor de
i A
D
, 2 ,
cambia a 1, y por lo tanto
i A
D
A
K
, 2 ,
2 ,
no es necesariamente igual a la
unidad, y para cuantificar el efecto de la variable, debemos expresar de la
siguiente forma el parmetro
i A
D
A
K
, 2 ,
2 ,
.
2 , 2 ,
1
A A
r K + =
72
Si
1
2 ,
>
A
K
entonces
0
2 ,
>
A
r
y por lo tanto la esperanza del error relativo
aumentar en
% 100
2 ,

A
r
, en cambio, si 1
2 ,
<
A
K entonces
0
2 ,
<
A
r
y por lo
tanto la esperanza del error relativo disminuir en
% 100
2 ,

A
r
.
73
APNDICE 1
Tablas con los ndices de desempeo de los modelos ANFIS separados
por estacin del ao.

Tabla 10. Desempeo de los modelos ANFIS en verano, medidos con raz de
la media suma de los cuadrados del error (RMSE), error medio
diaria.

RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
C.1 AT 5,68 4,66 18,4 0,20
C.2 AT 5,73 4,69 18,4 0,19
C.3 AT 5,71 4,67 18,3 0,19
C.4 AT, DJ 3,14 2,10 10,9 0,76
C.5 AT, DJ 3,13 2,16 11,4 0,76
C.6 AT, DJ 3,08 2,13 11,0 0,77
C.7 AT, DJ, PP 3,50 2,22 11,9 0,70
C.8 AT, DJ, PP 3,15 2,25 11,6 0,75
C.9 AT, DJ, PP 3,20 2,31 11,8 0,75
C.10 AT, PP 5,70 4,69 18,7 0,20
C.11 AT, PP 5,71 4,68 18,7 0,20
C.12 AT, PP 5,72 4,68 18,8 0,19
C.13 TMM 4,31 3,45 16,3 0,54
C.14 TMM 4,27 3,41 15,7 0,55
C.15 TMM 4,25 3,41 16,0 0,55
C.16 TMM, DJ 3,60 2,45 13,5 0,68
C.17 TMM, DJ 3,20 2,28 11,8 0,75
C.18 TMM, DJ 3,20 2,31 12,0 0,75
C.19 TMM, DJ, PP 4,22 2,59 14,0 0,56
C.20 TMM, DJ, PP 3,57 2,52 13,4 0,69
C.21 TMM, DJ, PP 3,17 2,28 11,4 0,75
C.22 TMM, PP 4,86 3,63 16,7 0,42
C.23 TMM, PP 4,28 3,42 15,9 0,55
C.24 TMM, PP 4,23 3,40 16,0 0,56
Variables
Explicativas*
Modelo
ndices

74
Tabla 11. Desempeo de los modelos ANFIS en otoo, medidos con raz de
la media suma de los cuadrados del error (RMSE), error medio
diaria.

RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
C.1 AT 6,90 5,62 97,9 -0,67
C.2 AT 6,90 5,60 97,4 -0,67
C.3 AT 6,92 5,63 98,4 -0,68
C.4 AT, DJ 3,33 2,66 49,1 0,61
C.5 AT, DJ 3,32 2,63 47,3 0,61
C.6 AT, DJ 3,30 2,62 49,1 0,62
C.7 AT, DJ, PP 3,67 2,83 51,8 0,53
C.8 AT, DJ, PP 3,29 2,62 50,1 0,62
C.9 AT, DJ, PP 3,37 2,65 48,8 0,60
C.10 AT, PP 6,86 5,57 94,6 -0,65
C.11 AT, PP 6,94 5,65 97,1 -0,69
C.12 AT, PP 6,90 5,62 96,6 -0,67
C.13 TMM 5,49 4,19 79,0 -0,05
C.14 TMM 5,45 4,15 78,8 -0,04
C.15 TMM 5,40 4,12 79,6 -0,02
C.16 TMM, DJ 3,43 2,65 51,1 0,59
C.17 TMM, DJ 3,42 2,64 50,0 0,59
C.18 TMM, DJ 3,33 2,61 49,1 0,61
C.19 TMM, DJ, PP 3,52 2,68 50,4 0,57
C.20 TMM, DJ, PP 3,40 2,67 50,7 0,59
C.21 TMM, DJ, PP 3,45 2,67 50,2 0,58
C.22 TMM, PP 5,61 4,26 78,6 -0,10
C.23 TMM, PP 5,52 4,17 76,7 -0,07
C.24 TMM, PP 5,47 4,13 76,3 -0,05
Variables
Explicativas*
Modelo
ndices


75
Tabla 12. Desempeo de los modelos ANFIS en invierno, medidos con raz
de la media suma de los cuadrados del error (RMSE), error medio
diaria.

RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
C.1 AT 5,29 4,15 76,1 -0,10
C.2 AT 5,29 4,18 76,5 -0,10
C.3 AT 5,31 4,20 78,2 -0,11
C.4 AT, DJ 3,07 2,33 49,4 0,63
C.5 AT, DJ 3,06 2,33 50,4 0,63
C.6 AT, DJ 3,02 2,30 48,3 0,64
C.7 AT, DJ, PP 3,11 2,39 51,2 0,62
C.8 AT, DJ, PP 3,05 2,33 48,1 0,63
C.9 AT, DJ, PP 3,06 2,35 51,1 0,63
C.10 AT, PP 5,33 4,20 74,7 -0,12
C.11 AT, PP 5,29 4,13 74,3 -0,10
C.12 AT, PP 5,25 4,11 75,3 -0,08
C.13 TMM 3,85 2,92 53,7 0,42
C.14 TMM 3,86 2,90 53,9 0,41
C.15 TMM 3,82 2,86 52,0 0,43
C.16 TMM, DJ 3,17 2,42 51,0 0,60
C.17 TMM, DJ 3,11 2,35 49,5 0,62
C.18 TMM, DJ 3,09 2,33 48,1 0,62
C.19 TMM, DJ, PP 3,20 2,40 48,7 0,60
C.20 TMM, DJ, PP 3,08 2,31 48,4 0,63
C.21 TMM, DJ, PP 3,09 2,31 45,8 0,62
C.22 TMM, PP 3,81 2,86 48,8 0,43
C.23 TMM, PP 3,86 2,91 53,4 0,41
C.24 TMM, PP 3,79 2,84 50,8 0,43
Variables
Explicativas*
Modelo
ndices


76
Tabla 13. Desempeo de los modelos ANFIS en primavera, medidos con
raz de la media suma de los cuadrados del error (RMSE), error
diaria.

RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
C.1 AT 6,82 5,71 26,2 0,19
C.2 AT 6,85 5,73 26,2 0,18
C.3 AT 6,86 5,74 26,2 0,18
C.4 AT, DJ 4,11 3,26 18,6 0,70
C.5 AT, DJ 4,09 3,23 18,4 0,71
C.6 AT, DJ 4,05 3,22 18,4 0,71
C.7 AT, DJ, PP 4,13 3,25 18,6 0,70
C.8 AT, DJ, PP 4,06 3,21 18,2 0,71
C.9 AT, DJ, PP 4,14 3,28 18,6 0,70
C.10 AT, PP 6,78 5,67 25,9 0,20
C.11 AT, PP 6,82 5,69 26,0 0,19
C.12 AT, PP 6,87 5,73 26,2 0,17
C.13 TMM 5,35 4,40 21,0 0,50
C.14 TMM 5,37 4,45 21,2 0,50
C.15 TMM 5,38 4,41 20,6 0,49
C.16 TMM, DJ 4,37 3,51 19,5 0,67
C.17 TMM, DJ 4,17 3,30 19,5 0,70
C.18 TMM, DJ 4,08 3,25 18,3 0,71
C.19 TMM, DJ, PP 4,28 3,42 19,6 0,68
C.20 TMM, DJ, PP 4,17 3,32 19,2 0,70
C.21 TMM, DJ, PP 4,10 3,25 18,4 0,71
C.22 TMM, PP 5,28 4,35 20,7 0,51
C.23 TMM, PP 5,30 4,38 20,7 0,51
C.24 TMM, PP 5,34 4,38 20,5 0,50
Variables
Explicativas*
Modelo
ndices


77
APNDICE 2
Tablas con los ndices de desempeo anual y estacional, de los
modelos seleccionados.

Tabla 14. Desempeo global de los modelos seleccionados, medidos con
coeficiente de eficiencia (E). Ordenados de menor a mayor MAE

Modelo Ordenacin RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
D.2 1 2,18 1,61 18,8 0,95
D.1 2 3,04 2,47 35,0 0,86
C.6 3 3,39 2,57 32,4 0,88
C.18 4 3,45 2,63 32,6 0,88
A.5 5 3,44 2,64 31,5 0,88
A.6 6 3,45 2,65 31,3 0,88
A.4 7 3,55 2,71 32,0 0,87
B.2 8 3,52 2,72 35,2 0,87
ndices

Modelos de Bristow & Campbell (A.4, A.5 y A.6), modelo de De Jong &
Stewart (B.2), modelos ANFIS (C.6 y C.18) y modelos de ngstrom (D.1
y D.2).

78
Tabla 15. Desempeo de los modelos seleccionados en verano, medidos
con raz de la media suma de los cuadrados del error (RMSE),
error medio absoluto (MAE), error porcentual absoluto medio
(MAPE) y coeficiente de eficiencia (E). Ordenados de menor a
mayor MAE anual, junto al rango que ocupa.

Modelo Rango RMSE MAE MAPE E
(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
D.2 1 2,38 1,80 9,2 0,86
D.1 8 3,45 2,98 14,9 0,71
C.6 2 3,08 2,13 11,0 0,77
C.18 3 3,20 2,31 12,0 0,75
A.5 5 3,22 2,38 12,9 0,74
A.6 4 3,21 2,38 12,8 0,74
A.4 6 3,30 2,41 13,1 0,73
B.2 7 3,30 2,52 13,5 0,73
ndices

y D.2).

Tabla 16. Desempeo de los modelos seleccionados en otoo, medidos con
coeficiente de eficiencia (E). Ordenados de menor a mayor MAE

(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
D.2 1 1,56 1,19 24,9 0,91
D.1 2 2,17 1,77 48,7 0,83
C.6 4 3,30 2,62 49,1 0,62
C.18 3 3,33 2,61 49,1 0,61
A.5 7 3,39 2,65 45,6 0,60
A.6 6 3,41 2,65 45,5 0,59
A.4 8 3,48 2,68 46,4 0,58
B.2 5 3,38 2,64 51,6 0,60
ndices

y D.2).
79
Tabla 17. Desempeo de los modelos seleccionados en invierno, medidos

(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
D.2 1 1,56 1,19 26,1 0,90
D.1 2 2,34 1,87 53,0 0,78
C.6 5 3,02 2,30 48,3 0,64
C.18 6 3,09 2,33 48,1 0,62
A.5 3 3,02 2,28 46,4 0,64
A.6 4 3,05 2,28 45,9 0,63
A.4 7 3,16 2,34 46,6 0,61
B.2 8 3,15 2,43 53,6 0,61
ndices

y D.2).

Tabla 18. Desempeo de los modelos seleccionados en primavera, medidos

(MJ m
-2
da
-1
) (MJ m
-2
da
-1
) (%)
D.2 1 2,96 2,32 13,8 0,85
D.1 7 3,92 3,36 20,8 0,73
C.6 2 4,05 3,22 18,4 0,71
C.18 4 4,08 3,25 18,3 0,71
A.5 3 4,02 3,23 18,7 0,72
A.6 5 4,03 3,26 18,7 0,72
A.4 8 4,17 3,40 19,3 0,70
B.2 6 4,15 3,29 19,4 0,70
ndices

y D.2).
80
APNDICE 3
Modelos de Bristow & Campbell A.4, A.5 y A.6

La forma general del modelo de Bristow & Campbell.
( ) [ ] { } T k b a Q Q
c
0
= exp 1

>
=
caso. otro en
J pp
J k
; 1
0 ) ( ; 75 . 0
) (

Los parmetros a, b, c y k de las ecuaciones anteriores (que corresponden a
las ecuaciones 1 y 2) son mostrados en la siguiente tabla.

Tabla 19. Parmetros de los modelos de Bristow & Campbell A.4, A.5 y A.6
para las estaciones del ao.

Parmetros A.4 A.5 A.6
a 0,771 0,789 0,784
b (Verano) 0,053 0,107 0,082
b (Otoo) 0,032 0,066 0,051
b (Invierno) 0,043 0,088 0,068
b (Primavera) 0,045 0,094 0,072
c 1,344 1,068 1,171
k 1 0,75 0,836
Modelo

81
APNDICE 4
Modelo de De Jong & Stewart B.2

El modelo se define con la siguiente ecuacin:
) 1 ( ) (
2
P d P c T a Q Q
b
0
+ + =

Los parmetros de la ecuacin anterior se muestran en la siguiente tabla,
para todos los meses del ao.

Tabla 20. Parmetros del modelo de De Jong & Stewart B.2 para los meses
del ao.

Mes a b c d
Enero 0,284 0,322 -0,428 0,406
Febrero 0,190 0,449 -3,477 3,467
Marzo 0,204 0,397 -0,702 0,678
Abril 0,140 0,482 -0,253 0,257
Mayo 0,117 0,523 -0,514 0,505
Junio 0,121 0,468 -0,361 0,358
Julio 0,123 0,531 -0,344 0,341
Agosto 0,105 0,628 -0,382 0,380
Septiembre 0,118 0,612 -0,401 0,398
Octubre 0,081 0,743 -0,646 0,635
Noviembre 0,169 0,484 -0,890 0,881
Diciembre 0,132 0,596 -0,440 0,416
Parmetros

82
APNDICE 5
Modelos ANFIS C.6 y C.18

Modelo C.6
R
i
: Si ( ) ( ) [ ] ) J (
~
) T (
J T i i
y
Entonces J T
2
+ + =
i i i
i
w w w y
1 0

Para i=1, 2, 3
Donde:
R
i
= Regla i del sistema ANFIS.
J = Da Juliano.
) T (
T

i
= Grado de pertenencia del elemento T al conjunto difuso i T .
) J (
Ji
= Grado de pertenencia del elemento J al conjunto difuso i J .
y
~
= Operacin lgica difusa Y, que para este caso es el producto.
i
y = Resultado parcial de la regla i.
Las funciones de pertenencia del sistema tienen la siguiente forma:

( )
( )
|
|
.
|
\
|
2
T
2
T
2
T T
exp T
i
i
i

( )
( )
|
|
.
|
\
|

=
2
J
2
J
2
J J
exp J
i
i
i

Donde:
i T = Centro del conjunto difuso i de amplitud trmica (C).
83
i T
= Radio de influencia del conjunto difuso i de amplitud trmica.
i J = Centro del conjunto difuso i del da Juliano.
i J
= Radio de influencia del conjunto difuso i del da Juliano.

Y para que el sistema quede completamente determinado, los parmetros de
este se presentan en la siguiente tabla.

Tabla 21. Parmetros de las tres reglas del modelo ANFIS C.6.

Parmetros 1 2 3
9,8157 17,0730 21,5720
16,2172 5,8097 7,3371
193,7840 97,0847 293,0922
168,0253 68,5155 94,8582
-1,5678 57,9073 -1,1441
0,9206 -0,1659 -1,1591
0,0066 -0,3866 0,1826
Regla i
i T
i T
i J
i J
i
w
0
i
w
1
i
w
2

Modelo C.18
R
i
: Si ( ) ( ) ( ) [ ] ) J (
~
) TMIN (
~
) TMAX (
J TMIN TMAX i i i
y y
Entonces J TMIN TMAX
3 2 1 0
+ + + =
i i i i
i
w w w w y

Para i=1, 2, 3
Donde:
TMAX = Temperatura mxima del da (C).
TMIN = Temperatura mnima del da (C).
J = Da Juliano.
84
) TMAX (
TMAXi
= Grado de pertenencia del elemento TMAX al conjunto
difuso i TMAX .
) TMIN (
TMINi
= Grado de pertenencia del elemento TMIN al conjunto difuso
i TMIN .
) J (
Ji
= Grado de pertenencia del elemento J al conjunto difuso i J .
y
~
= Operacin lgica difusa Y, que para este caso es el producto.

Las funciones de pertenencia se muestran a continuacin:
( )
( )
|
|
.
|
\
|

=
2
TMAX
2
TMAX
2
TMAX TMAX
exp TMAX
i
i
i

( )
( )
|
|
.
|
\
|

=
2
TMIN
2
TMIN
2
TMIN TMIN
exp TMIN
i
i
i

( )
( )
|
|
.
|
\
|

=
2
J
2
J
2
J J
exp J
i
i
i

Donde:
i TMAX = Centro del conjunto difuso i de temperatura mxima del da (C).
i TMAX
= Radio de influencia del conjunto difuso i de temperatura mxima.
i TMIN = Centro del conjunto difuso i de temperatura mnima del da (C).
i TMIN
= Radio de influencia del conjunto difuso i de temperatura mnima.
i J = Centro del conjunto difuso i del da Juliano.
85
i J
= Radio de influencia del conjunto difuso i del da Juliano.

Los parmetros de este sistema, se muestran en la siguiente tabla.

Tabla 22. Parmetros de las tres reglas del modelo ANFIS C.18.

Parmetros 1 2 3
12,6447 42,6713 30,6930
5,0600 10,3759 7,1222
12,5482 11,9778 6,9589
3,0207 4,3582 3,0739
206,1634 37,8058 342,8866
109,3631 91,8838 88,7178
-7,2320 29,4713 -19,5219
1,0625 0,1920 0,4232
-0,7053 -0,2149 -0,0466
0,0190 -0,1452 0,1128
Regla i
i TMAX
i TMAX
i TMIN
i TMIN
i J
i J
i
w
0
i
w
1
i
w
2
i
w
3

86
APNDICE 6
Modelo de ngstrom

El modelo se define con la siguiente ecuacin:

|
.
|
\
|
+ =
N
n
b a Q Q
0

El modelo calibrado para las condiciones de Chilln se muestra a
continuacin:

|
.
|
\
|
+ =
N
n
0,849 0,013 Q Q
0

87
APNDICE 7
Ejemplo de clculo de insolacin con el modelo C.6

Se tomar como ejemplo el da 19 de julio de 1998 (J=200), en el que la
temperatura mxima fue de 12,28 C y la mnima de 0,013 C, por lo tanto la
amplitud trmica fue de 12,267 C.
Para estimar la insolacin del da en cuestin, con el modelo ANFIS C.6 hay
que calcular los valores de las funciones de pertenencia (antecedentes) y los
resultados parciales (consecuentes) de cada una de las tres reglas. A
continuacin se muestra el proceso de clculo para las tres reglas del
sistema.

Regla 1:
R
1
: Si ( ) ( ) [ ] ) (
~
) (
1 1
J T
J T
y
Entonces J T
2
+ + =
1 1
1
1
0 1
w w w y
Donde:
( )
( )
|
|
.
|
\
|
2
1
2
1
2
1
exp
T
T
T T
T

( )
( )
|
|
.
|
\
|

=
2
2
1
2
1
exp
J1
J
J J
J

88
Al aplicar los parmetros de Tabla 15, las funciones de pertenencia estn
completamente determinadas, y se muestran a continuacin:
( )
( )
( )
|
|
.
|
\
|

=
2
2
1
2
exp
16,2172
9,8157 T
T
T

( )
( )
( )
|
|
.
|
\
|

=
2
2
1
2
exp
168,0253
193,7840 J
J
J

Reemplazando los valores de amplitud trmica y da Juliano en las
ecuaciones anteriores, queda:
( )
( )
( )
0,9886
16,2172
9,8157 12,267
12.267
T
=
|
|
.
|
\
|
2
2
1
2
exp
( )
( )
( )
0,9993
168,0253
193,7840 200
200
J
=
|
|
.
|
\
|

=
2
2
1
2
exp

Al resultado de operacin difusa (antecedente) de la primera regla le
llamaremos
1
y se define con la siguiente forma:

( ) ( ) ) (
~
) (
1 1 1
J T
J T
y =

Que para este caso particular, como la operacin difusa y equivale al
producto,
1
se calcula con la siguiente ecuacin:

( ) ( ) ) ( ) (
1 1 1
J T
J T
=

( ) ( ) 0,9880 0,9993 0,9886 200 12.267
J T
= = =

) ( ) (
1 1 1

89
El consecuente de la regla, al aplicar los parmetros de la tabla 14, se
muestra a continuacin:
J 0,0066 T 0,9206 -1,5678 + + =
1
y

Reemplazando los valores de amplitud trmica y da Juliano queda:
11,0487 200 0,0066 12,267 0,9206 -1,5678 = + + =
1
y

Regla 2
R
2
: Si ( ) ( ) [ ] ) (
~
) ( J T
J2 T2
y
Entonces J T
2
+ + =
2 2
1
2
0 2
w w w y
Donde:
( )
( )
|
|
.
|
\
|
2
2
2
2
2
exp
T
T2
T T
T

( )
( )
|
|
.
|
\
|

=
2
2
2
2
exp
J2
J2
J J
J

Reemplazando los parmetros.
( )
( )
( )
|
|
.
|
\
|

=
2
2
2
exp
5,8097
17,0730 T
T
T2

( )
( )
( )
|
|
.
|
\
|

=
2
2
2
exp
68,5155
97,0847 J
J
J2

90
Aplicando los valores de amplitud trmica y da Juliano.
( )
( )
( )
0,7102
5,8097
17,0730 12.267
12,267
T2
=
|
|
.
|
\
|
2
2
2
exp
( )
( )
( )
0,3236
68,5155
97,0847 200
200
J2
=
|
|
.
|
\
|

=
2
2
2
exp

Clculo de la operacin difusa.
( ) ( ) ) (
~
) (
2 2 2
J T
J T
y =

( ) ( ) ) ( ) (
2 2 2
J T
J T
=

( ) ( ) 0,2299 0,3236 0,7102 2 12,267
J T
= = =

) 00 ( ) (
2 2 2

Clculo del consecuente de la regla.
J 0,3866 - T 0,1659 - 57,9073 =
2
y
-21,4386 200 0,3866 - 12,267 0,1659 - 57,9073 = =
2
y

Regla 3
R
3
: Si ( ) ( ) [ ] ) (
~
) ( J T
J3 T3
y
Entonces J T
2
+ + =
3 3
1
3
0 3
w w w y
Donde:
( )
( )
|
|
.
|
\
|
2
3
2
3
2
3
exp
T
T
T T
T

( )
( )
|
|
.
|
\
|

=
2
3
2
3
2
3
exp
J
J
J J
J

91
Reemplazando los parmetros.
( )
( )
( )
|
|
.
|
\
|

=
2
2
3
2
exp
7,3371
21,5720 T
T
T

( )
( )
( )
|
|
.
|
\
|

=
2
2
3
2
exp
94,8582
293,0922 J
J
J

Aplicando los valores de amplitud trmica y da Juliano.
( )
( )
( )
0,4475
7,3371
21,5720 12.267
12.267
T
=
|
|
.
|
\
|
2
2
3
2
exp
( )
( )
( )
0,6178
94,8582
293,0922 200
J
J
=
|
|
.
|
\
|

=
2
2
3
2
exp

Valor de la operacin difusa.
( ) ( ) ) (
~
) (
3 3 3
J T
J T
y =

( ) ( ) ) ( ) (
3 3 3
J T
J T
=

( ) ( ) 0,2764 0,6178 0,4475 200 12.267
J T
= = =

) ( ) (
3 3 3

Clculo del consecuente de la regla.
J 0,1826 T 1,1591 - -1,1441 + =
3
y
21,1554 200 0,1826 12.267 1,1591 - -1,1441 = + =
3
y

92
Los valores de las operaciones difusas (antecedentes) y los resultados de las
ecuaciones lineales (consecuentes), se muestran a continuacin de manera
resumida:
Regla 1 Regla 2 Regla 3
0,9880 =
1
0,2299 =
2
0,2764 =
3

11,0487 =
1
y -21,4386 =
2
y 21,1554 =
3
y

El ltimo paso para estimar la insolacin es ponderar los resultados parciales
de las tres reglas, que se realiza con la siguiente ecuacin:
3 2 1
3 3 2 2 1 1

+ +
+ +
=
y y y
Q

Aplicando los valores anteriormente calculados, tenemos:
0,2764 0,2299 0,9880
0,2764 21,1554 0,2299 21,4386 - 0,9880 11,0487
Q
+ +
+
=
7,9210
1,4942
11,8362
0,2764 0,2299 0,9880
5,8483 4,9279 - 10,9158
Q = =
+ +
+
=

La estimacin que hizo el modelo ANFIS C.6, para el da en cuestin, fue de
7,921 MJ m
-2
da
-1
, que se compara con la insolacin registrada de 8,77
-1 -2
da m MJ .

Evaluacion de Los Modelos para Estimar La Insolacion Diaria en Funcion de Temperaturas Maxima, Minima y Precipitacion Del Dia

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Evaluacion de Los Modelos para Estimar La Insolacion Diaria en Funcion de Temperaturas Maxima, Minima y Precipitacion Del Dia

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CONCEPCIN

FACULTAD DE INGENIERA AGRCOLA

(ecuacin 7), con el que se ingresa en la ecuacin 8, para

= Error de la i-sima estimacin.

= Error de la i-sima estimacin.

= Error de la i-sima estimacin.

= i-sima estimacin del fenmeno.

y c = Son los parmetros estimados del modelo.

y se define con la siguiente forma:

se calcula con la siguiente ecuacin:

También podría gustarte