Está en la página 1de 90

Departamento de Ciencias Agroforestales

Programa de Doctorado
“Sistemas de Producción Integrada en la Agricultura y la Ganadería”

MODELIZACIÓN DE LA FASE DE AVANCE DEL RIEGO


POR SUPERFICIE. INTEGRACIÓN DE UNA SOLUCIÓN
DE BALANCE DE VOLUMEN CON REDES
NEURONALES ARTIFICIALES

Memoria del Período de Investigación

José Antonio Rodríguez Álvarez

Sevilla, Julio de 2007


Departamento de Ciencias Agroforestales

Programa de Doctorado
“Sistemas de Producción Integrada en la Agricultura y la Ganadería”

MODELIZACIÓN DE LA FASE DE AVANCE DEL RIEGO


POR SUPERFICIE. INTEGRACIÓN DE UNA SOLUCIÓN
DE BALANCE DE VOLUMEN CON REDES
NEURONALES ARTIFICIALES
Memoria del Período de Investigación

El Director El Tutor

Dr. Nicolás Oyonarte Gutiérrez Dr. Luis Andreu Cáceres

El Doctorando

José Antonio Rodríguez Álvarez

Sevilla, Julio de 2007


A Roci
A Oli
A Yola
AGRADECIMIENTOS

A la Universidad de Sevilla y en especial al Departamento de Ciencias Agroforestales por


permitirme realizar los estudios de doctorado.

A los profesores del programa de doctorado que me transmitieron de manera desinteresada


sus conocimientos y experiencias profesionales.

A los Drs. Nicolás Oyonarte y Luis Andreu por aceptar la labor de dirección y tutoría de este
trabajo, y por sus inestimables conocimientos y experiencias que me permitieron
cumplimentar en tiempo y forma las diferentes etapas del período de investigación.

A mis colegas y amigos de la Empresa Pública Desarrollo Agrario y Pesquero, en especial a


Juan Carlos Martos por la ayuda en temas informáticos.

A mi querida esposa, Yolanda, por el apoyo y la infinita paciencia.


Indice

INDICE

I.- INTRODUCCIÓN.................................................................................................................1
1.1.- Tendencias del Regadío en España.........................................................................4
1.1.1.- Oportunidades de Modernización del Regadío........................................6
1.1.2.- Algunos Falsos Mitos...............................................................................8
1.2.- Hidráulica del Riego por Superficie.....................................................................14
1.2.1.- Modelización del Riego por Superficie..................................................15
1.3.- Hacia un Nuevo Paradigma en la Modelización del Riego por Superficie...........17

II.- MATERIAL Y MÉTODOS...............................................................................................20


2.1.- Ecuación de Balance de Volumen en la Fase de Avance del Riego
por Superficie................................................................................................................21
2.2.- Determinación del Volumen de Agua Infiltrado en el Suelo................................24
2.3.- Determinación del Volumen de Agua Almacenado sobre el Suelo......................25
2.3.1.- Descripción de las Redes Neuronales Artificiales.................................26
2.3.2.- Diseño y Entrenamiento de las Redes Neuronales Artificiales..............27
2.4.- Asimilación de las Fluctuaciones Temporales del Caudal de Riego....................31
2.5.- Formulación y Evaluación del Modelo Híbrido para Simular la Fase
de Avance del Riego por Superficie..............................................................................33

III.- RESULTADOS Y DISCUSIÓN.....................................................................................37


3.1.- Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial.......38
3.2.- Redes Neuronales para Asimilar las Fluctuaciones Temporales del Caudal
de Riego.........................................................................................................................42
3.3.- Evaluación del Modelo Híbrido en Condiciones de Régimen Permanente..........43
3.4.- Evaluación del Modelo Híbrido en Condiciones de Régimen Transitorio...........50
3.5.- Resultados de los Análisis de Sensibilidad...........................................................61

IV.- CONCLUSIONES...........................................................................................................63

V.- REFERENCIAS BIBLIOGRÁFICAS............................................................................66


ANEXO I.- ACTIVIDADES REALIZADAS EN EL PERÍODO DOCENTE...................77

i
Modelización de la Fase de Avance del Riego por Superficie

INDICE DE FIGURAS

Figura 1.1.- Distribución de los sistemas de riego predominantes en España


durante el año 2006. Porcentaje de la superficie total regada.........................................4
Figura 1.2.- Distribución del regadío en Andalucía según el sistema de riego
predominante en el año 2002..........................................................................................6
Figura 1.3.- Relación entre las necesidades netas de riego y las dotaciones
suministradas a 48 zonas regables de la Cuenca del Guadalquivir...............................12
Figura 1.4.- Fases hidráulicas del riego por superficie............................................................15
Figura 2.1.- Representación de los perfiles de los flujos superficial e infiltrado
en el riego por superficie para un instante de tiempo de aplicación del agua ta...........22
Figura 2.2.- Representación esquemática de una Red Neuronal Artificial
Perceptrón Multicapa....................................................................................................26
Figura 2.3.- Funciones de activación evaluadas. (a) Función Sigmoidal.
(b) Función Tangente hiperbólica. (c) Función Lineal.................................................29
Figura 2.4.- Diagrama de flujo del modelo Híbrido para simular la fase de
avance del riego por superficie......................................................................................34
Figura 3.1.- Exploración preliminar de las variables adimensionales para entrenar
las RNA. (a) Relación entre X* y V*. (b) Relación entre X* y A*................................38
Figura 3.2.- Comparación de los resultados obtenidos por el modelo SRFR y las
RNA en la simulación del área del flujo superficial (figuras a la izquierda)
y el volumen del flujo superficial (figuras a la derecha). (a) Redes diseñadas
y entrenadas con las variables en estado natural (notación dimensional).
(b) Redes diseñadas y entrenadas con las variables transformadas en notación
adimensional..................................................................................................................41
Figura 3.3.- Ejemplos del comportamiento típico de los caudales equivalentes para
simular la fase de avance en condiciones de fluctuación temporal del caudal
de riego..........................................................................................................................42
Figura 3.4.- Distribuciones de frecuencia acumulada de los resultados de los modelos
Híbrido y SRFR. (a) Simulación de la distancia de avance.
(b) Simulación del calado al inicio del campo..............................................................46
Figura 3.5.- Regresión lineal de los resultados obtenidos con los modelos Híbrido
y SRFR. (a) Distancia de avance. (b) Calado del flujo superficial al inicio

ii
Indice

del campo......................................................................................................................47
Figura 3.6.- Histogramas de los residuos obtenidos con los resultados de los
modelos Híbrido y SRFR. (a) Residuos de la distancia de avance. (b) Residuos
del calado del flujo superficial al inicio del campo.......................................................48
Figura 3.7.- Regresión lineal de los resultados obtenidos con los modelos de
Walker y Skogerboe y SRFR. (a) Casos con pendiente longitudinal del campo igual
o superior a 0,00001 m/m. (b) Casos con pendiente longitudinal del campo
igual o superior a 0,0001 m/m.......................................................................................49
Figura 3.8.- Distribuciones de frecuencia acumulada de los resultados de los
modelos Híbrido y SRFR en condiciones de régimen transitorio.................................51
Figura 3.9.- Regresión lineal de los resultados obtenidos con los modelos Híbrido y
SRFR en condiciones de régimen transitorio. (a) Distancia de avance. (b) Calado
del flujo superficial al inicio del campo........................................................................53
Figura 3.10.- Histogramas de los residuos obtenidos con los resultados de los
modelos Híbrido y SRFR en condiciones de régimen transitorio. (a) Residuos de la
distancia de avance. (b) Residuos del calado del flujo superficial al inicio del
campo............................................................................................................................53
Figura 3.11.- Variaciones de la velocidad de avance considerando que el volumen
superficial fluctúa en igual proporción al caudal de riego (Sin corrección de Q) y
corrigiendo el efecto transitorio con los caudales equivalentes
(Corrección de Q)..........................................................................................................54
Figura 3.12.- Ejemplos de simulaciones numéricas de la fase de avance con
los modelos SRFR e Híbrido en condiciones de variación temporal del caudal
de riego. (a) Curvas de avance. (b) Evolución temporal del calado al inicio
del campo. (c) Hidrógrafos de los caudales instantáneo, medio y equivalentes...........56
Figura 3.13.- Resultados de los análisis de sensibilidad de los modelos SRFR
(figuras ubicadas a la izquierda) e Híbrido (figuras ubicadas a la derecha).
(a) Sensibilidad de la distancia de avance. (b) Sensibilidad del calado al inicio
del campo......................................................................................................................61

iii
Modelización de la Fase de Avance del Riego por Superficie

INDICE DE TABLAS

Tabla 1.1.- Distribución de los sistemas de riego en algunos de los estados más productivos
de Estados Unidos durante el año 2003. Porcentaje de la superficie total
regada (USDA, 2004)......................................................................................................3
Tabla 1.2.- Evolución de la superficie de riego en España........................................................5
Tabla 1.3.- Eficiencias medias y potenciales de diferentes sistemas de riego en California...10
Tabla 1.4.- Uniformidad de Distribución media de los sistemas de riego en California.........11
Tabla 2.1.- Características de los patrones de datos usados en el entrenamiento y
optimización (verificación) de las redes neuronales diseñadas para simular
la evolución temporal del área y el volumen del flujo superficial................................28
Tabla 2.2.- Características de los patrones de datos usados en el entrenamiento y
optimización (verificación) de las redes neuronales diseñadas para estimar
los caudales equivalentes para la simulación de la fase de avance en condiciones
de fluctuación temporal del caudal de riego. ................................................................32
Tabla 3.1.- Topologías de las RNA utilizadas para simular la evolución temporal del
área y el volumen del flujo superficial..........................................................................39
Tabla 3.2.- Evaluación de la precisión y exactitud de las RNA para simular la
evolución temporal del área y el volumen del flujo superficial....................................39
Tabla 3.3.- Topologías de las Redes MLP utilizadas para estimar los caudales
equivalentes para la simulación de la fase de avance en condiciones de
fluctuación temporal del caudal de riego......................................................................43
Tabla 3.4.- Evaluación de la precisión y exactitud de las RNA para simular los
caudales equivalentes....................................................................................................43
Tabla 3.5.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido
y SRFR en condiciones de régimen permanente...........................................................44
Tabla 3.6.- Resultados de la prueba de Wilcoxon-Mann-Whitney para comparar las
medianas de los resultados obtenidos por los modelos SRFR e Híbrido......................45
Tabla 3.7.- Resultados de la prueba de Brown-Forsythe para comparar las varianzas
de los resultados obtenidos por los modelos SRFR e Híbrido......................................45
Tabla 3.8.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido y
SRFR en condiciones de régimen transitorio................................................................51
Tabla 3.9.- Resultados de las pruebas de Wilcoxon-Mann-Whitney y Brown-Forsythe

iv
Indice

para comparar las medianas y varianzas de los resultados obtenidos por los modelos
SRFR e Híbrido en condiciones de régimen transitorio................................................52

v
Modelización de la Fase de Avance del Riego por Superficie

LISTADO DE SÍMBOLOS

xa: Distancia de avance del frente de agua.


ta: Tiempo de aplicación del agua de riego.
Q(ta ) : Caudal medio de riego aplicado durante el tiempo ta.
Vy(ta): Volumen de agua almacenado sobre la superficie del suelo durante el tiempo ta.
Vz(ta): Volumen de agua infiltrado en el perfil del suelo durante el tiempo ta.
A( ta ) : Área media de la sección del flujo superficial en el instante de tiempo ta.
Ao(ta): Área del flujo superficial al inicio del campo en el instante de tiempo ta.
ry(ta): Factor de forma superficial en el instante de tiempo ta.
Z[ta-t(x)]: Función de la infiltración acumulada.
t(x): Función de la trayectoria de avance del agua.
Zo(ta): Superficie de agua infiltrada en el inicio del campo durante el tiempo ta.
rz(ta): Factor de forma subsuperficial en el instante de tiempo ta.
K: Coeficiente empírico de la ecuación de infiltración de Kostiakov.
a: Exponente de la ecuación de infiltración de Kostiakov.
RNA: Redes Neuronales Artificiales.
MLP: Topología Perceptrón Multicapa.
EP: Elementos de Proceso o neuronas de las redes neuronales.
wji: Coeficientes de ponderación de los datos que circulan por una red neuronal.
θj: Umbrales de activación de los Elementos de Proceso.
p1, p2, a1 y a2: Coeficientes que describen de la geometría del flujo superficial.
n: Coeficiente de rugosidad de Manning.
So: Pendiente longitudinal del campo.
Q: Caudal de riego.
ECM: Error Cuadrático Medio.
RECM: Raíz del Error Cuadrático Medio.
ERM: Error Relativo Medio.
r: Coeficiente de correlación.
Qins: Caudal instantáneo de riego.
Qmed: Caudal medio de riego.
Qa: Caudal equivalente para calcular el área del flujo superficial.
Qv: Caudal equivalente para calcular el volumen del flujo superficial.

vi
Indice

Yo(ta): Calado al inicio del campo en el instante de tiempo ta.


X*, T*, A*, V*, Q*, Qa* y Qv*: Parámetros adimensionales.

vii
I.- Introducción

I.- INTRODUCCIÓN

El riego por superficie abarca una amplia gama de sistemas que tienen la característica común
de que el agua fluye por la superficie del terreno por efecto de la gravedad. La principal
característica del riego por superficie es que el propio suelo constituye el sistema de
distribución del agua, es decir, no es necesario disponer de complejas estructuras de
distribución del agua ni equipos de presurización para obtener una correcta y uniforme
distribución del agua en el suelo. Ésta es, probablemente, la principal ventaja del riego por
superficie frente a los sistemas presurizados, toda vez que el agricultor no tiene que amortizar
costosos equipos de distribución e impulsión del agua. Los métodos de riego por superficie
más comunes son los tablares, a nivel o con pendiente, y los surcos. Estos métodos pueden
adaptarse a un amplio rango de suelos, relieves, cultivos y fuentes de agua. Sin embargo,
cuando los sistemas están mal diseñados, se manejan de forma no adecuada o no se adaptan a
las condiciones particulares de la parcela, sus ventajas pueden verse mermadas por otros
costes propios del sistema, como unas elevadas necesidades de mano de obra, pérdidas de
producción agrícola o baja eficiencia del uso del agua.

En muchos países industrializados la superficie agrícola con riego por superficie está
decreciendo debido al desarrollo de los sistemas de riego presurizado. No obstante, el riego
por superficie continúa abarcando proporciones muy importantes de la superficie total regada.
En Estados Unidos el riego por superficie se utilizó en cerca de 11,02 millones de ha en el año
1998, mientras que la superficie de los sistemas presurizados fue de 10,96 millones de ha. En
el año 2003 la situación había cambiado significativamente, los sistemas de riego
presurizados con 12,09 millones de ha, dominaron sobre el riego por superficie con 9,34
millones de ha (USDA, 2004). Sin embargo, es interesante resaltar que en estados muy
productivos desde el punto de vista agrícola como Arizona, Arkansas, California, Colorado y
Utah, el riego por superficie continuó ocupando más del 50% de la superficie regada (Tabla
1.1).

La superficie regada en España en el año 2006 ascendió a 3.319.790 ha (MAPA, 2006),


siendo el riego localizado, con 41,6% de la superficie total, y el riego por superficie con
35,0% los sistemas predominantes (Ver detalles en el Aparado 1.1).

2
Modelización de la Fase de Avance del Riego por Superficie

Tabla 1.1.- Distribución de los sistemas de riego en algunos de los estados más productivos
de Estados Unidos durante el año 2003. Porcentaje de la superficie total regada (USDA,
2004).
Riego por Superficie Riego por Aspersión Riego Localizado
Estado % Superficie Total % Superficie Total % Superficie Total
Arizona 89,83 6,63 3,54
Louisiana 87,92 11,63 0,45
Arkansas 85,95 13,69 0,36
Wyoming 81,65 17,86 0,49
Mississippi 67,98 31,99 0,028
Nevada 66,60 33,32 0,077
Montana 63,87 36,10 0,030
California 62,10 17,76 20,14
Missouri 59,03 40,43 0,54
Utah 55,68 43,69 0,63
Colorado 51,35 48,50 0,15

Por otra parte, el riego por superficie fue el método más utilizado en Australia durante el año
2005, con un 60,2% de la superficie total regada (Trewin, 2006). Siendo Australia un país
altamente industrializado y un líder mundial en producción agrícola, la tendencia de cambio
de sistemas de riego ha sido diferente en este país. El riego por superficie ha aumentado
sistemáticamente desde el año 2003 en detrimento del riego presurizado. El riego por
superficie se utilizó en 1,34 millones de ha en el 2003, mientras que el riego presurizado
abarcó 995.000 ha. Durante el año 2005, la superficie con riego presurizado había decrecido
hasta 896.000 ha, mientras que el riego por superficie alcanzó 1,45 millones de ha.

Considerando el actual contexto agrícola, hidráulico y socioeconómico de los países


industrializados, los sistemas de riego por superficie que prevalecerán en el futuro serán
aquellos capaces de alcanzar altas eficiencias del uso del agua, con bajos costes de
construcción, manejo y mantenimiento y bajas necesidades de mano de obra. Sin embargo, a
escala global la situación cambia drásticamente respecto a lo que está sucediendo en los
países industrializados. Aunque no existen datos precisos, se estima que el riego por
superficie abarca entre el 80 y el 90% de un total de 260 millones de hectáreas de superficie

3
I.- Introducción

regada en el mundo (Jurriens et al., 2001). Muchos países en vías de desarrollo dependen del
riego por superficie para producir fibras y alimentos. Sin el riego por superficie, países como
Egipto, India, Pakistán, China y muchos otros del continente africano, se enfrentarían a
problemas mucho más serios de seguridad alimentaria que los que actualmente sufren.

1.1.- Tendencias del Regadío en España

El total de la superficie regada en España en el año 2006 ascendió a 3.319.790 ha (MAPA,


2006). Los principales sistemas de riego correspondieron al riego localizado con 1.381.835 ha
(41,6% del total) y el riego por superficie con 1.163.254 ha (35,0% del total). Ambos sistemas
supusieron más 75% de los regadíos españoles. A continuación se situaron el riego por
aspersión con 493.430 ha (14,9%) y las máquinas de riego con 251.598 ha (7,6%) (Fig. 1.1).

Sin Información
0,6%
Otros
0,3%
Máquinas de Riego
7,6%
Aspersión
14,9% Localizado
41,6%

Superficie
35,0%

Figura 1.1.- Distribución de los sistemas de riego predominantes en España durante el año
2006. Porcentaje de la superficie total regada.

La evolución del regadío en España ha mostrado una tendencia al alza pasando de 3.312.020
ha correspondientes al año 2002 a 3.319.790 ha en el año 2006 (Tabla 1.2). Destaca el
incremento del riego localizado (24,91% de incremento respecto al año 2002) en detrimento
de los otros sistemas de riego. Así, el riego por aspersión ha sufrido una pérdida del 14,84%
de la superficie respecto al 2002, el riego por superficie se ha reducido en un 11,13%,

4
Modelización de la Fase de Avance del Riego por Superficie

mientras que la superficie con máquinas de riego se ha mantenido más o menos estable con un
ligero descenso de 2,94%.

Tabla 1.2.- Evolución de la superficie de riego en España.


Superficie Variación
Sistema de (ha) (%)
Riego 2002 2003 2004 2005 2006 2002-2006
Superficie 1.308.979 1.265.344 1.230.073 1.192.717 1.163.254 - 11,13
Aspersión 579.398 537.943 536.654 535.503 493.430 - 14,84
Máquinas 259.216 250.228 259.434 256.573 251.598 - 2,94
Localizado 1.106.299 1.162.614 1.197.465 1.302.810 1.381.835 + 24,91
Otros 11.599 11.210 12.041 10.581 9.369 - 19,23
Sin Información 101.995 36.777 42.392 27.551 20.304 - 80,09
Total 3.312.020 3.264.115 3.278.058 3.325.734 3.319.790 + 0,23

La tendencia en Andalucía es muy similar a la del resto del país. En el año 2002 existía en
Andalucía un total de 893.00 hectáreas regadas (CAP, 2004). El sistema de riego localizado
fue el mayoritario, empleándose en un 41% de toda la superficie regada. Este sistema de riego
se concentró en la mayoría del olivar, en los cítricos y superficies freseras de Huelva, y en los
cultivos intensivos protegidos de Almería. Por su parte, el riego por gravedad alcanzó el 40%
de la superficie total, dominando los regadíos situados en las vegas de los ríos y altiplanicies
del interior; y el riego por aspersión ocupó el 19% de la superficie total, concentrándose en las
campiñas de Cádiz, Córdoba y Sevilla (Fig. 1.2).

Según los datos del MAPA (2006), en el año 2006 el riego localizado en Andalucía ocupó el
66,84% de la superficie regada, el riego por superficie el 20,29% y la aspersión (incluyendo
máquinas de riego) el 12,85% de un total de 920.974 ha regadas. La evolución hacia el riego
localizado ha sido coherente con las políticas promovidas por el Plan Nacional de Regadíos y
el notable incremento de la superficie dedicada a frutales, viñedos, cítricos, olivar y hortalizas.

5
I.- Introducción

Figura 1.2.- Distribución del regadío en Andalucía según el sistema de riego predominante
en el año 2002.

1.1.1.- Oportunidades de Modernización del Regadío

El Plan Nacional de Regadíos (PNR) ha destinado un presupuesto de 3056,5 millones de


euros al programa de consolidación y mejora del regadío en España con horizonte en el año
2008. Del total del presupuesto, 504,27 millones de euros corresponden a las inversiones en la
Comunidad Autónoma de Andalucía. Por su parte, la Consejería de Agricultura y Pesca de la
Junta de Andalucía (CAP), sobre la base del Plan Andaluz de Regadíos, ha puesto a
disposición de los regantes un programa de ayudas con un presupuesto público de 320,91
millones de euros. Los beneficiarios de las ayudas concedidas por la CAP, a través de la
Orden de 18 de enero de 2002, son las comunidades de regantes y otras organizaciones de
gestión colectiva del agua de riego legalmente constituidas.

Estas condiciones favorables de financiación han inducido que en los últimos años se
generalizara la oportunidad de modernizar las zonas de riego en España con la aparición de
sociedades mercantiles públicas y con personalidad jurídica privada, que son gestoras de la
subvención estatal y europea. Con esta premisa se abandonó el análisis de posibles soluciones
intermedias de modernización y se diseñaron zonas de riego basadas en sistemas automáticos

6
Modelización de la Fase de Avance del Riego por Superficie

de riego presurizado. Esta alternativa de modernización supone la concepción de una nueva


zona de riego siguiendo los criterios de diseño que a continuación se exponen (CEDEX,
2004):

• Riego a la demanda: Dada la mejora social que el sector agrario ha experimentado en


las últimas décadas, los regantes exigen con mayor insistencia el riego a la demanda.
Por definición, en los sistemas de riego operados a la demanda los agricultores pueden
decidir la frecuencia y el volumen de agua a utilizar sin limitaciones aparentes.
• Tomas con presión: La evolución de los sistemas de riego hace que se tienda al riego
por aspersión o localizado. Este aspecto supone la implantación de estaciones de
bombeo automáticas y redes de distribución con tuberías de altos timbrajes.
• Facturación por volumen: Utilización de contadores en los puntos de toma de parcelas
o agrupaciones de éstas, de manera que se factura por los volúmenes de agua
realmente consumidos.
• Discriminación horaria del riego: En los sistemas en los que se precisan bombeos para
el abastecimiento de la red se tiende a la discriminación horaria en el uso del riego
para abaratar los costes de operación.

Sin embargo, actualmente comienzan a intervenir otros factores de gran impacto sobre la
toma de decisiones de soluciones de modernización de regadíos. Entre estos factores se
identifican la combinación de las presiones ambientales y económicas impuesta por la
Directiva Marco del Agua (DMA) y la revisión de la Política Agraria Común (PAC) (Berbel
et al., 2003). Ante esta situación de incertidumbre, y teniendo en cuenta además que las
subvenciones públicas no cubren los costes del equipamiento de parcela, muchos agricultores
no estarán dispuestos a sufragar unos importes tan elevados como suponen las tendencias
actuales de modernización de regadíos, pese a las condiciones favorables de financiación que
existen.

En un estudio económico sobre el cambio de tecnología de riego en la comunidad de regantes


de Fuente Palmera (Córdoba), López y Berbel (2002) concluyeron que los agricultores están
invirtiendo en sistemas de riego ahorradores de agua, pero motivados más por la mayor
productividad del agua que proporciona el riego por goteo y por la escasez de mano de obra
agrícola de la zona, que por el pago de una tarifa en el agua de riego. El cambio tecnológico

7
I.- Introducción

es beneficioso a los precios actuales del agua, pero en caso de aplicarse una política de tarifas
como la que propone la DMA, la demanda de agua podría hacerse inelástica a largo plazo
debido a que la mayor productividad del agua no supera a los costes marginales de este tipo
de tecnología de riego.

La política tradicional de realizar grandes transformaciones en regadío muy subvencionadas y


con oferta de agua a bajo coste es incompatible con la política europea de recuperación total
de costes, impuesta por la Directiva Marco del Agua. Tampoco podrá mantenerse la política
tradicional desde la perspectiva del desarrollo rural, pues el regadío ya no se contempla como
objetivo prioritario. Ni tan siquiera es viable desde una perspectiva basada en la producción.
Las nuevas orientaciones de una política agraria, cuyo ámbito tiende a ser mundial y con
precios de los productos agrarios a la baja, pueden hacer que los agricultores encuentren
dificultades para pagar el uso de agua de riego frente a otros usos cada vez más competitivos.
Finalmente, la sensibilidad social ante la agresión a los ecosistemas frena procesos de
transformación en regadío que puedan tener impacto ambiental negativo. Todo ello apunta a
que la transición hacia una nueva política de gestión del agua llevará a un mosaico de usos en
España muy distinto al de hoy. En la mayor parte de España, el desarrollo del regadío ha
encontrado techo, y este nuevo marco está produciendo cambios significativos en la política
de aguas (Losada, 2006).

1.1.2.- Algunos Falsos Mitos

Desafortunadamente, buena parte de las políticas de modernización de regadíos que se


promueven en España, y particularmente en Andalucía, se han sustentado sobre la base de
algunos falsos mitos y publicidad adversa fomentados más por intereses políticos y
comerciales, que por criterios objetivos y científicamente contrastados.

El término “eficiencia de riego” ha causado una dicotomía entre la situación física de los
sistemas hidrológicos y la percepción pública y política de la gestión de los recursos hídricos.
Miles de millones de euros se han invertido en planes de modernización de regadíos dirigidos
a incrementar las bajas eficiencias, con la intención de resolver los problemas de escasez de
agua. Durante años se ha convencido a la sociedad de que las políticas hidráulicas sustentadas
sobre las inversiones en infraestructuras de regadío permiten liberar vastos recursos hídricos
para otros usos (Allen et al., 2003). Sin embargo, existen algunos preceptos fundamentales

8
Modelización de la Fase de Avance del Riego por Superficie

que rigen la posibilidad de ahorrar agua o incrementar su disponibilidad a partir de la


implantación de un programa de modernización de regadíos. La ley de conservación de la
masa establece que la materia no se crea ni se destruye, solo se transforma. En el contexto de
los recursos hídricos la ley de conservación determina que el agua, mientras permanece en su
fase liquida (y no se evapora), no puede ser creada ni destruida, solo puede cambiar su
distribución en el tiempo y en el espacio.

La mayor parte del agua que percola hacia los acuíferos no constituye una pérdida del sistema
hidrológico. El agua percolada que alcanza el acuífero se moverá lateralmente con cierta
velocidad, hasta descargar en una fuente superficial desde donde podrá ser reutilizada
nuevamente. Por lo tanto, la única vía efectiva de aumentar la disponibilidad de agua es
reduciendo la fracción que es degradada hasta el punto que no es posible su reutilización, o
reducir la fracción que se evapora (Wolff y Stein, 1999; Allen et al., 2003).

Muchos programas de modernización de regadíos realmente no logran ahorrar agua en el


contexto regional dado que, usualmente, la evapotranspiración de los cultivos (ET) no
disminuye con estos tipos de programas. Por lo contrario, la ET tiende a aumentar debido al
incremento de la uniformidad del riego, la mejora del control de la aplicación del agua, la
intensificación de cultivos de mayores necesidades hídricas y la recuperación de parcelas y
fincas abandonadas (Playán et al., 1998; Clemmens y Allen, 2005). Solo en las situaciones
donde los flujos de retornos de las zonas de riego entran en sistemas salinos (océanos, lagos o
acuíferos salinizados) las pérdidas de agua son irreparables, y el incremento de la eficiencia
de riego favorece su disponibilidad.

De forma general se ha concebido la modernización de regadíos como la sustitución de los


riegos por superficie por riegos presurizados. Esta es una tendencia general, pero no debería
ser un dogma en ningún caso. La elección del sistema de riego debe procurar que se
establezca una adecuación entre las propiedades del sistema y las características de la
explotación agraria. Sin embargo, el riego por superficie ha sufrido históricamente la
reputación de ser un sistema ineficiente. Merkley (2003) resumió los principales aspectos que
han potenciado la amplia difusión de publicidad adversa sobre el riego por superficie:

9
I.- Introducción

• Los sistemas de riego por superficie necesitan menor cantidad de elementos (tuberías,
válvulas, bombas, filtros, etc.), y por esta razón han sido etiquetados como sistemas
obsoletos o inherentemente ineficientes.
• En realidad las firmas comerciales tienen menos elementos que vender a los
agricultores si éstos optan por modernizar sus sistemas de riego por superficie.
• Muchas casas comerciales de sistemas de riego presurizado han reproducido folletos
publicitarios dirigidos a convencer a los agricultores de que sus explotaciones no serán
modernas si continúan usando los sistemas de riego por superficie.

Las ineficiencias de muchos sistemas de riego por superficie se han debido más a deficiencias
en el diseño y el manejo que a sus propias potencialidades. Kennedy (1994), a partir de
evaluaciones realizadas en California, encontró que las eficiencias de los sistemas de riego
por superficie bien diseñados y manejados se aproximaron o superaron a las conseguidas por
los sistemas presurizados (Tabla 1.3). Asimismo, Hanson (1995) presentó los valores medios
de Uniformidad de Distribución de los sistemas de riego evaluados en explotaciones
comerciales de California, arribando a conclusiones similares (Tabla 1.4).

Tabla 1.3.- Eficiencias medias y potenciales de diferentes sistemas de riego en California


(Kennedy, 1994).
Sistema de Riego Eficiencia Media Eficiencia Potencial
(%) (%)
Superficie 70 85
Máquinas de riego 75 85
Cobertura total de aspersión 65 80
Aspersión bajo árboles 75 90
Instalación fija de goteo o micro aspersión 70 90
Goteo en cultivos herbáceos 65 85

La comparación de eficiencias y uniformidades (Tablas 1.3 y 1.4) revela que cuando un


sistema de riego está bien adaptado a unas condiciones particulares (topografía, suelos,
suministro de agua y cultivos), su eficiencia depende básicamente del nivel de manejo.
Merriam y Freeman (2002) argumentaron que el incremento de la eficiencia de los sistemas
presurizados está regido básicamente por la supervisión y el mantenimiento, mientras que en

10
Modelización de la Fase de Avance del Riego por Superficie

el riego por superficie influye más la mejora del control sobre el caudal, la duración del riego
y la flexibilidad de servicio de suministro de agua.

Tabla 1.4.- Uniformidad de Distribución media de los sistemas de riego en California


(Hanson, 1995).
Sistema de Riego Uniformidad de Distribución Desviación
(%) Estándar
Tablares 84 14
Surcos 81 14
Aspersión 75 10
Micro-aspersión en cultivos permanentes 73 15
Micro-aspersión en cultivos en hileras 63 16
Aspersión portátil 62 15

Existen condiciones donde el riego por superficie pueden alcanzar eficiencias aceptables a
costes razonables. Bajo estas condiciones, la conversión a sistemas presurizados puede
ofrecer pocas (o ninguna) ventajas. De hecho, es inverosímil considerar que el riego por
superficie será completamente reemplazado por sistemas presurizados, particularmente
cuando se considera los siguientes aspectos (Clemmens, 1998; Playán et al., 1998; Luquet et
al., 2005):

• No hay diferencias en el consumo de agua imputables al sistema de riego, salvo que se


practique riego deficitario.
• Los sistemas presurizados necesitan energía para obtener una correcta distribución del
agua. La energía supone un coste adicional que debe ser considerado a priori.
• Las zonas muy parceladas resultan poco adaptadas para algunos sistemas de riego: su
instalación sería cara y poco flexible para el agricultor.
• Los costes asociados a la modernización de regadíos deben ser equilibrados con los
beneficios obtenidos de los cultivos.

Numerosos estudios han demostrado que la eficiencia global de una zona regable depende
más de manejo del riego y de la calidad del servicio de suministro de agua, que del
predominio de sistemas de riego presurizado (Bos y Nugteren, 1990; Luján, 1992; Wolters,

11
I.- Introducción

1992; Krinner, 1995; Burt y Styles, 1999; Pluquellec, 2002; Styles y Mariño, 2002; Skaggs y
Samani, 2005). La calidad del servicio depende de las condiciones de flexibilidad, fiabilidad y
equidad del suministro de agua (Burt, 2002; CAP, 2003).

En un estudio reciente, Rodríguez et al. (2005) analizaron las dotaciones de riego que la
Confederación Hidrográfica del Guadalquivir suministró a 48 zonas de regables de su ámbito
de actuación. Estos autores no detectaron diferencias entre las dotaciones suministras a las
zonas con predominio de sistemas de riego presurizado respecto a las zonas donde el riego
por gravedad fue mayoritario. Sin embargo, se identificaron tres categorías de zonas regables
bien diferenciadas por la calidad del servicio de suministro de agua ofertado, expresado a
través de un Índice de Servicio (IS) (Fig. 1.3). El IS de cada zona regable se calculó teniendo
en cuenta diferentes atributos del servicio como son: (i) Iniciativa y declaración de la zona de
riego, (ii) origen del agua de riego, (iii) garantía del suministro, (iv) organización del riego,
entre otros. Cada atributo del servicio se catalogó con un valor entre 4 y 1 (4 condiciones
excelentes, 3 buenas, 2 regulares y 1 malas).

Zonas Regables con Predominio de Riego por Gravedad


Zonas Regables con Predominio de Riego a Presión

11000
Indice de Servicio <=2,0 Indice de Servicio=2,3
10000

9000
Suministro Bruto (m3/ha)

8000

7000

6000
Indice de Servicio >=2,7
5000

4000

3000

2000

1000

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000
3
Necesidades Netas de Riego (m /ha)

Figura 1.3.- Relación entre las necesidades netas de riego y las dotaciones suministradas a
48 zonas regables de la Cuenca del Guadalquivir (Rodríguez et al., 2005).

12
Modelización de la Fase de Avance del Riego por Superficie

En la Fig. 1.3 se puede apreciar que las dotaciones suministradas a las zonas regables fueron
indiferentes del predominio de un sistema de riego u otro, sino que dependieron de las
necesidades netas de riego y de la calidad del servicio de suministro de agua ofertado
(Rodríguez et al., 2005). La relación entre las necesidades netas y el suministro bruto de riego
es un indicador de la eficiencia global máxima que se puede alcanzar en una zona regable
(Krinner,1995) que, acorde con los resultados mostrados en la Fig. 1.3, también depende del
servicio de suministro de agua.

Desde el punto de vista regional, la gestión integrada de las fracciones de agua consumibles y
reutilizables es mucho más relevante que el incremento de la eficiencia del regadío.
Comprender adecuadamente estos conceptos ayuda a eliminar algunos errores comunes en la
toma de decisiones sobre políticas hidráulicas. Enfatizar o promover programas de
modernización de regadíos dirigidos únicamente a incrementar la eficiencia pueden dañar aún
más la situación actual de los usuarios. Esto no quiere decir que la modernización de regadíos
sea perjudicial: más bien al contrario. Si bien en la mayoría de las situaciones la
modernización de regadíos no permite un ahorro de la demanda de agua e incluso aumenta su
uso consuntivo, las razones que verdaderamente justifican las importantes inversiones
públicas y privadas son la mejora de la calidad de las aguas y de las condiciones laborales del
mundo rural (Playán y Castillo, 2001).

Todo lo anterior indica que puede esperarse pocos cambios en el patrón actual de sistemas de
riego en España. Así, el riego por superficie es y seguirá siendo en España, y particularmente
en Andalucía, un proporción muy significativa de la superficie regada. Antes el nuevo
paradigma que se presenta, los poderes públicos no deben limitarse a impulsar ventas de agua
o a rehabilitar o sustituir sistemas de transporte y distribución de agua, sino que deben
también incitar a las comunidades de usuarios (regantes) a que incorporen modernas técnicas
que aseguren la mejor gestión de los riegos, impulsando la utilización de técnicas avanzadas
con el debido asesoramiento de calidad (Losada, 2006).

13
I.- Introducción

1.2.- Hidráulica del Riego por Superficie

En el riego por superficie se pueden identificar cuatro fases hidráulicas durante el desarrollo
de un evento de riego (Walker, 1989) (Fig. 1.4):

• Fase de Avance: Ocurre desde el inicio del riego hasta que el frente de agua alcanza el
extremo final de la parcela. El tiempo de duración de esta fase se denomina tiempo de
avance (Tav). A medida que el frente avanza sobre la parcela parte del agua se infiltra
en el perfil del suelo. El proceso de infiltración induce que la velocidad de avance del
frente de agua sea cada vez menor, reflejándose en la forma potencial de la curva de
avance.
• Fase de Almacenamiento: Comienza cuando el frente de agua alcanza el extremo final
de la parcela y termina cuando se corta el caudal de riego. Durante la fase de
almacenamiento parte del flujo continua infiltrándose en el perfil del suelo, mientras
que otra fracción del flujo escurre por el extremo final de la parcela (si el sistema es
abierto). La duración de esta fase se denomina tiempo de almacenamiento (Tal).
• Fase de Agotamiento: Se produce desde el instante en que se suspende el caudal de
riego hasta que el agua desaparece en el inicio del campo por efecto de la infiltración y
la gravedad. El tiempo que tarda esta fase se conoce como tiempo de agotamiento
(Tag).
• Fase de Recesión: Comienza desde el final de la fase de agotamiento hasta que el agua
desaparece completamente de la parcela. El tiempo transcurrido durante este proceso
se conoce como tiempo de recesión (Tre). Si la parcela posee cierta pendiente
longitudinal el agua desaparece gradualmente en dirección aguas abajo, conformando
así la curva de recesión.

Pueden existir diferencias en las duraciones de las fases descritas anteriormente en función del
método de riego usado. Por ejemplo, en tablares a nivel no se produce escorrentía superficial
debido a que usualmente el extremo aguas abajo de la parcela está cerrado por un dique de
tierra. Bajo estas condiciones, cuando se suspende el caudal de riego el agua desaparece
simultáneamente en toda la superficie de la parcela por efecto de la infiltración. Así, las fases
de agotamiento y recesión coinciden y la curva de recesión será prácticamente horizontal.

14
Modelización de la Fase de Avance del Riego por Superficie

Tiempo

Fase de Recesión
Curva de Recesión
Tre
Tag

Fase de Agotamiento

Almacenamiento
T=Tap Corte del Caudal de Riego

Fase de
Tal

Fase de Avance
Tav

Curva de Avance

T=0 Inicio del Riego


Distancia

Figura 1.4.- Fases hidráulicas del riego por superficie.

Las curvas de avance y recesión son esenciales para determinar la distribución final del agua
infiltrada en el perfil del suelo y el volumen de agua que escurre fuera de la parcela. Estas
curvas permiten obtener la información necesaria para diseñar nuevos sistemas o evaluar los
índices de idoneidad de los sistemas de riego por superficie existentes.

1.2.1.- Modelización del Riego por Superficie

En el riego por superficie ocurren procesos muy complejos que involucran a muchas variables
y dificulta su simulación numérica. Hasta hace unos veinte años los procedimientos para
diseñar y evaluar estos sistemas eran totalmente empíricos y extremadamente pobres para
predecir el comportamiento real de un campo regado. Esta seria falta de capacidad de
predicción ha contribuido de manera significativa en la limitada habilidad de los especialistas
para aconsejar apropiadamente a los agricultores sobre estrategias de manejo más eficientes.
Sin embargo, todo esto cambió con los avances de las ciencias informáticas y la
popularización de los ordenadores personales. A partir de la década de los ochenta se han
desarrollado muchos modelos numéricos del riego por superficie (Playán et al., 1994; Walker,
1998; Strelkoff et al., 1999). Estos modelos pueden agruparse en cuatro categorías generales

15
I.- Introducción

acorde con las simplificaciones que introducen para solucionar las ecuaciones generales que
rigen el movimiento del agua sobre un medio poroso: las ecuaciones de Saint-Venant (1871).
Así, los modelos pueden ser del tipo hidrodinámico completo, inercia nula, onda cinemática o
balance de volumen.

Los modelos hidrodinámicos completos son los más complejos. Estos modelos se basan en la
solución numérica de las ecuaciones de continuidad y dinámica con todos los términos
originalmente formulados por Saint-Venant (1871). Los modelos de inercia nula resuelven
una versión ligeramente simplificada de las ecuaciones de Saint-Venant al despreciar los
términos de inercia y aceleración en la ecuación dinámica. Las bajas velocidades que alcanza
el flujo superficial en el riego por superficie, con números de Froude generalmente inferiores
a 0,2, permiten despreciar los términos de inercia y aceleración de la ecuación dinámica sin
introducir errores significativos (Strelkoff y Katapodes, 1977). Por otra parte, en los modelos
de onda cinemática se sustituye la ecuación dinámica por una ecuación de régimen uniforme,
siendo solamente válidos para pendientes longitudinales superiores a 0,0001 (Walker y
Skogerboe, 1987). Finalmente, los modelos más simples de balance de volumen introducen
una serie de simplificaciones que permiten integrar la ecuación de continuidad en los
dominios del tiempo y el espacio, y sustituir la ecuación dinámica por un perfil del flujo
superficial asumido. Estos modelos pueden solucionarse con técnicas numéricas o analíticas.

La simulación numérica de la fase de avance del riego por superficie es la más compleja y
quizás la más útil para resolver los problemas reales que se presentan en la práctica. La
predicción adecuada de la fase de avance es muy importante en los procesos de diseño y
evaluación del riego por superficie. Aunque los modelos de balance de volumen son menos
precisos que los modelos numéricos sofisticados, éstos constituyen la base de los
procedimientos estándares de diseño y evaluación de los sistemas de riego por superficie
referenciados en los libros de textos (Walker y Skogerboe, 1987; Walker, 1989). Usualmente
los ingenieros prefieren resolver los problemas rutinarios con modelos simples y fácilmente
comprensibles.

En los últimos años se han desarrollado numerosos modelos analíticos basados en el principio
de balance de volumen (Walker y Skogerboe, 1987; Renault y Wallender, 1992; Valiantzas,
1997a, b; Valiantzas, 1999; Alazba, 1999; Valiantzas, 2001), que si bien no son tan flexibles y
sofisticados como los numéricos, pueden ser aplicados con un grado de precisión aceptable y

16
Modelización de la Fase de Avance del Riego por Superficie

ser fácilmente integrados en rutinas de optimización. Los modelos de balance de volumen son
también la base de muchos procedimientos de identificación de los parámetros del riego por
superficie (Elliot y Walker, 1982; Smerdon et al., 1988; Scaloppi et al., 1995; Esfandiari y
Maheshwari, 1997; Valiantzas et al., 2001; Holzapfel et al., 2004; Gillies y Smtih, 2005). La
idea en que se sustentan estos procedimientos es simple: si se conoce la variación temporal de
los volúmenes de agua aplicado y almacenado sobre la superficie del campo durante la fase de
avance del riego, también será posible identificar el volumen de agua que se infiltra en el
suelo. Así, los parámetros de infiltración y rugosidad que satisfacen la ecuación de balance de
volumen anterior serán los más representativos de la parcela (Strelkoff et al., 2000; Clemmens
et al., 2001).

Pese a la amplia variedad de modelos simples que se encuentra en la literatura especializada,


varios autores (Renault y Wallender, 1996; Rodríguez, 1996; Walker y Kasilingam, 2004;
Gillies et al., 2007) han reconocido que la mayoría de los modelos basados en el principio de
balance de volumen incurren en serias violaciones del principio de conservación de la masa.
Las violaciones más frecuentes que han identificado estos autores son: (i) ignorar la variación
temporal del caudal de riego, (ii) estimar el área del flujo superficial a través de ecuaciones de
régimen uniforme, (iii) asumir formas arbitrarias de los flujos superficial e infiltrado y (iv)
forzar la trayectoria de avance del agua a seguir una función matemática predeterminada.
Estas violaciones pueden ejercer un efecto nocivo en la simulación numérica de la fase de
avance del riego por superficie. De aquí que, aún hoy en día no puede darse por resuelto el
tema y es necesario continuar investigando en mejorar la precisión, exactitud y flexibilidad de
los modelos simples de balance de volumen para simular la fase de avance del riego por
superficie.

1.3.- Hacia un Nuevo Paradigma en la Modelización del Riego por Superficie

El impetuoso desarrollo que ha experimentado en los últimos años los campos de la


Inteligencia Artificial y la Exploración de Datos brinda una excelente oportunidad para
intentar desarrollar modelos híbridos de riego por superficie que, sin renunciar a la facilidad y
agilidad de los cálculos que brindan las soluciones simplificadas, pueden mejorar
sensiblemente la fiabilidad, flexibilidad y exactitud de las predicciones.

17
I.- Introducción

Las redes neuronales artificiales (Bishop, 1995) constituyen una de las áreas de la ingeniería
del conocimiento que más se han desarrollado en los últimos años, y pueden situarse dentro
de las herramientas esenciales para abordar el nuevo paradigma de modelización numérica. La
idea principal para el desarrollo del nuevo paradigma es sustituir los procesos difíciles (o
lentos) de modelar por redes neuronales artificiales que han sido entrenadas a partir de los
resultados de los modelos numéricos existentes. Ha sido demostrado que las redes neuronales
bien entrenadas pueden sustituir a los esquemas numéricos de diferencias finitas en la
formulación de modelos hidrodinámicos (Dibike, 2002), por lo que esta particularidad puede
ser perfectamente aprovechada para el desarrollo de modelos híbridos del riego por superficie.

Sin embargo, en muchas situaciones una simple red neuronal no es capaz de extraer toda la
información esencial que contiene la base de datos utilizada para su entrenamiento, sobre todo
en problemas no lineales complejos como lo es la simulación numérica del riego por
superficie. Por esta razón, varios autores han sugerido que combinar múltiples redes
neuronales, cada una de ellas especializada en una función específica, permite desarrollar
modelos con capacidades de predicción mucho más exactas (Sridhar et al., 1996; Martin y
Morris, 1999). La idea de combinar varias redes neuronales en los modelos se basa en la
premisa de que diferentes redes pueden captar diferentes aspectos de la base de datos de
entrenamiento, y al agregar toda esta información, se reduciría la incertidumbre del proceso y
se alcanzarían predicciones más exactas (Lopez-Sabater et al., 2002).

Transponiendo los principios anteriores al campo de la simulación numérica del riego por
superficie, los modelos simples basados en principio de balance de volumen pueden mejorar
sensiblemente sus predicciones si se integran con redes neuronales artificiales. Así, las redes
se entrenarían para simular los procesos difíciles de asumir por los modelos convencionales
de balance de volumen, en donde tradicionalmente se introducen simplificaciones que
degradan la calidad de las predicciones de estos modelos. A modo de ejemplo, se podrían
entrenar redes neuronales para simular la evolución temporal del calado y del volumen del
flujo superficial, o para asimilar las fluctuaciones del caudal de riego sobre el comportamiento
de la fase de avance del riego por superficie. Tomando como base estas hipótesis, se establece
a continuación el objetivo general de este trabajo como:

18
Modelización de la Fase de Avance del Riego por Superficie

Formular y evaluar un modelo híbrido para la simulación numérica de la fase de avance


del riego por superficie mediante la integración de una solución de balance de volumen
con redes neuronales artificiales.

Este objetivo general se desglosa en los siguientes objetivos específicos:

1. Diseñar y evaluar dos redes neuronales artificiales para simular la evolución temporal
del calado y el volumen del flujo superficial durante la fase de avance del riego por
superficie.
2. Diseñar y evaluar dos redes neuronales para la asimilar el efecto de las fluctuaciones
temporales del caudal de riego sobre la fase de avance del riego por superficie.
3. Integrar las redes neuronales con un modelo convencional de balance de volumen para
la simulación numérica de la fase de avance del riego por superficie.
4. Evaluar la exactitud, precisión y funcionalidad del modelo híbrido formulado
mediante la comparación de sus resultados con las salidas de un modelo de inercia
nula del riego por superficie.

19
II.- Material y Métodos

II.- MATERIAL Y METODOS

2.1.- Ecuación de Balance de Volumen en la Fase de Avance del Riego por


Superficie

El movimiento del agua sobre un medio poroso puede ser descrito por las ecuaciones de
Saint-Venant (1871), bien conocidas y explicadas en textos y artículos de hidráulica de
canales (Chow, 1959; Strelkoff, 1969). Estas ecuaciones expresan dos principios físicos: (i) la
conservación de la masa a través de la ecuación de continuidad (ecuación 1) y (ii) la
conservación de la cantidad de movimiento mediante la ecuación dinámica (ecuación 2).

∂Q ∂A ∂z
+ + =0 (1)
∂x ∂t ∂t
1 ∂V V ∂V ∂y V ∂z
+ + = S0 − S f + ⋅ (2)
g ∂t g ∂x ∂x 2 g ⋅ A ∂t

donde x es la distancia [L], t es el tiempo [T], Q es el caudal del flujo superficial [L3T-1], A es
∂z
el área de la sección transversal del flujo superficial [L2], es la velocidad de infiltración
∂t
del agua en el medio poroso [L2T-1], g es la constante de aceleración de la gravedad [LT-2], V
la velocidad del flujo superficial [LT-1], y es el calado del flujo superficial [L], S0 es la
pendiente longitudinal del canal [LL-1], y Sf es la pendiente de la rasante de energía [LL-1].

La aproximación de Saint-Venant, siendo un sistema de ecuaciones diferenciales parciales


hiperbólicas, no tiene solución analítica conocida, pero si se somete a ciertas simplificaciones
válidas en el riego por superficie puede resolverse sin mayores dificultades. El grado máximo
de simplificación que puede aplicarse a la aproximación de Saint-Venant es integrar la
ecuación de continuidad en los dominios del tiempo y el espacio, y sustituir la ecuación
dinámica por un perfil del flujo superficial asumido (Bassett et al., 1980). En el caso
particular de la fase de avance del riego por superficie (Fig. 2.1), la ecuación de continuidad
(ecuación 1) puede integrarse sobre la longitud de avance del frente de agua xa obteniéndose:

dQ dVy dVz
= + (3)
dt dt dt

21
Modelización de la Fase de Avance del Riego por Superficie

donde Vy y Vz son los volúmenes de agua superficial e infiltrado respectivamente. Al integrar


la ecuación (3) para un instante de tiempo ta se obtiene la ecuación de balance de volumen:

Q(ta ) ⋅ ta = Vy( ta ) + Vz( ta ) (4)

siendo Q(ta ) el caudal medio de riego aplicado durante el tiempo ta.

Q(ta)
Flujo Superficial

Flujo Infiltrado

Figura 2.1.- Representación de los perfiles de los flujos superficial e infiltrado en el riego por
superficie para un instante de tiempo de aplicación del agua ta.

De acuerdo con el principio de conservación de la masa, la ecuación (4) representa el balance


que debe existir entre los volúmenes de agua aplicado [ Q(ta ) ⋅ ta ], almacenado sobre la
superficie del suelo [Vy(ta)] e infiltrado en el perfil del suelo [Vz(ta)] durante la fase de
avance del riego por superficie para un instante de tiempo ta. Al asumir que la ecuación
dinámica (ecuación 2) puede sustituirse por un perfil superficial medio, entonces el volumen
de agua almacenado sobre la superficie del suelo puede expresarse como la integral del área
del flujo superficial sobre la longitud de avance del frente:

22
II.- Material y Métodos

Vy( ta ) = ∫ A( x ,t )dx = A( ta ) ⋅ xa
xa
(5)
0

donde A( ta ) es el área media de la sección del flujo superficial para un instante de tiempo ta,
que puede estimarse como el producto del área del flujo superficial al inicio del campo Ao(ta)
y un factor de forma superficial ry(ta) (Walker y Skogerboe, 1987):

A (ta ) = Ao(ta ) ⋅ ry (ta ) (6)

Por otro lado, si se considera que la lámina de agua infiltrada en cualquier punto de la parcela
de riego depende del tiempo de oportunidad de infiltración, entonces el volumen infiltrado en
el perfil del suelo puede expresarse como la integral de la función de infiltración sobre la
distancia de avance del frente:

VZ (ta ) = ∫ Z [ta − t( x )] dx
xa
(7)
0

donde Z[ta-t(x)] representa la función de la infiltración acumulada para el tiempo de


oportunidad [ta-t(x)], siendo t(x) la función de la trayectoria de avance del agua.

Finalmente, si se sustituyen las ecuaciones (5), (6) y (7) en (4), se obtiene la ecuación de
balance de volumen durante la fase de avance del riego por superficie:

Q(ta ) ⋅ ta = [ Ao( ta ) ⋅ ry( ta ) ⋅ xa] + ∫ Z [ta − t( x )] dx


xa
(8)
0

La ecuación (8) define la relación entre tres funciones: (i) la función de infiltración Z[ta-t(x)],
(ii) la función de avance t(x) y (iii) la función del área media del flujo
superficial Ao( ta ) ⋅ ry( ta ) . Al asumir dos de estas funciones, la solución de la ecuación (8)
proporciona la tercera. Así, la ecuación (8) se emplea en este trabajo para estimar la
trayectoria de avance del frente de agua suponiendo conocidas las funciones del área media
del flujo superficial y la infiltración del agua en el suelo.

23
Modelización de la Fase de Avance del Riego por Superficie

2.2.- Determinación del Volumen de Agua Infiltrado en el Suelo

La integral definida del miembro derecho de la ecuación (8) representa el volumen de agua
que se infiltra en el suelo durante la fase de avance del riego por superficie. Usualmente esta
integral se expresa como el producto de la superficie de agua infiltrada en el inicio del campo
Zo(ta) y un factor de forma subsuperficial rz(ta) (Walker y Skogerboe, 1987), de modo que la
ecuación (8) se convierte en:

Q(ta ) ⋅ ta = [ Ao( ta ) ⋅ ry( ta ) ⋅ xa ] + [Zo( ta ) ⋅ rz( ta ) ⋅ xa ] (9)

Numerosos autores han publicado métodos para estimar el factor de forma subsuperficial (Fok
y Bishop, 1965; Wilke y Smerdon, 1965; Elliot y Walker, 1989; Scaloppi et al., 1995). La
mayoría de estos procedimientos representaron la trayectoria de avance del agua con una
simple función matemática (usualmente del tipo potencial) para integrar el miembro derecho
de la ecuación (8). Sin embargo, Farrell (1963) y Hart et al. (1968) advirtieron que la
suposición arbitraria de una función de avance constituye un sobre-condicionamiento del
problema y una posible violación al principio de conservación de la masa.

Valiantzas (1997a), siguiendo las recomendaciones de Farrell (1963) y Hart et al. (1968),
obtuvo una expresión analítica para estimar la variación temporal del factor de forma
subsuperficial correspondiente al modelo de infiltración de Kostiakov (1932) (ecuación 10):

Z( t ) = K ⋅ t a (10)

donde Z es el volumen de agua infiltrado por unidad de longitud (m3m-1), K es un coeficiente


empírico (m3m-1min-a), a es un exponente adimensional y t es el tiempo de infiltración (min).

Valiantzas (1997a) obtuvo la expresión de rz(ta) a partir del análisis dimensional de los
resultados de un modelo numérico (Al-Azba y Strelkoff, 1994) que no asume función alguna
para describir la trayectoria de avance del agua. El modelo propuesto en este trabajo utiliza la
formulación de Valiantzas para estimar rz(ta), tal como se presenta a continuación:

(
rz( ta ) = R1 + (R0 + R1) 2 ,7 ⋅ W 2 − 1,7 ⋅ W 3 ,2 ) (11)

24
II.- Material y Métodos

siendo:

1
R0 = (12)
(1 + a )
a ⋅ π (1 − a )
R1 = (13)
Seno(a ⋅ π )
1
 ry (ta ) ⋅ Ao( ta ) ⋅ xa  (1+ a )
W =  (14)
 Q( ta ) ⋅ ta 

Sustituyendo las ecuaciones (10) y (11) en (9), la ecuación de balance de volumen durante la
fase de avance queda finalmente como:

{ [ (
Q (ta ) ⋅ ta = [ Ao( ta ) ⋅ ry( ta ) ⋅ xa ] + K ⋅ ta a ⋅ xa R1 + (R0 + R1) 2 ,7 ⋅ W 2 − 1,7 ⋅ W 3 ,2 )]} (15)

2.3.- Determinación del Volumen de Agua Almacenado sobre el Suelo

Los modelos de balance de volumen convencionales estiman el volumen de agua almacenado


sobre la superficie del suelo durante la fase de avance asumiendo que el factor de forma
superficial (ecuación 6) es constante e invariable en el tiempo (Wilke y Smerdon, 1965; Elliot
y Walker, 1982; Renault y Wallender, 1992; Scallopi et al., 1995; Al-Azba, 1999; Valiantzas,
1999; Valiantzas, 2001; Jurriens et al., 2001; Gillies y Smith, 2005; Mailhol et al., 2005).
Asimismo, frecuentemente se asume que el área del flujo superficial al inicio del campo
puede ser estimada a través de expresiones de régimen uniforme, tales como la ecuación de
Manning. Estas suposiciones tan frecuentes pueden inducir errores significativos en el cálculo
de la fase de avance del riego por superficie (Al-Azba y Strelkoff, 1994; Valiantzas, 1997b).

En los modelos numéricos más sofisticados (hidrodinámico completo e inercia nula) el


volumen superficial se obtiene como resultado de la solución simultánea de las ecuaciones de
continuidad y dinámica; y depende de las fuerzas gravitacionales y de inercia, la resistencia
hidráulica, la geometría del flujo superficial y la capacidad de infiltración del suelo. Puede
entenderse entonces que la estimación precisa de Vy(ta) es muy compleja para ser formulada

25
Modelización de la Fase de Avance del Riego por Superficie

con simples modelos o ecuaciones de regresión. En este trabajo se intenta resolver este
problema mediante la técnica conocida como Redes Neuronales Artificiales (RNA).

2.3.1.- Descripción de las Redes Neuronales Artificiales

Las Redes Neuronales Artificiales (RNA) son técnicas pertenecientes a los campos de la
inteligencia artificial y la exploración de datos que intentan reproducir la forma en que los
sistemas nerviosos biológicos procesan la información. Las RNA tienen la cualidad de
aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial y son
capaces de reconocer patrones con ruido, distorsionados e incompletos (Bishop, 1995). Entre
las diferentes arquitecturas de redes neuronales es preciso destacar, por su importancia, las
redes basadas en funciones de base sigmoide o Perceptrón Multicapa (MLP). Estas redes
poseen una importante propiedad: pueden aproximar cualquier función continua con
suficiente precisión. De acuerdo con Smith (1993), las redes MLP se pueden usar para
modelar relaciones funcionales complejas de formas desconocidas o pobremente definidas.

X1

Wj1

X1

X2
.
. Y
X2
Ij=Σ(X *W ) + θ
i ji j Yj=ƒ(I ) j
Yj

. Wj2 Función Activación


.
.
Xn

Wjn
Entrada Oculta Salida
Elemento de Proceso
Xn

Figura 2.2.- Representación esquemática de una Red Neuronal Artificial Perceptrón


Multicapa.

La topología típica de una red MLP se representa en la Fig. 2.2. Estas redes contienen una
capa de entrada, una o más capas ocultas y una capa de salida. Los datos entran a la red a
través de la capa de entrada y son transformados por pesos y funciones de activación a medida

26
II.- Material y Métodos

que fluyen por ella. La salida de la red es el resultado de estas transformaciones. En las capas
oculta y de salida se encuentran los Elementos de Proceso (EP) o neuronas que son los
encargados de realizar las transformaciones antes mencionadas. Así, los datos que entran en
cada EP (xi), provenientes de la capa previa, se ponderan con sus respectivos pesos (wji) y se
suman. El resultado de la sumatoria se añade a un umbral de activación (θj) y se evalúa en una
función de activación para producir la señal de salida del EP (Yj). Este proceso se representa
en el detalle de la Fig. 2.2.

El proceso de aprendizaje de la red MLP se realiza mediante un entrenamiento controlado por


un agente externo (agente supervisor o regla de aprendizaje) que determina la respuesta que
debería generar la red a partir de una entrada determinada. El supervisor comprueba la salida
de la red y en caso de que ésta no coincida con la deseada, procederá a modificar los pesos y
los umbrales de activación de las conexiones. Así, el entrenamiento de una red MLP no es
más que un problema de optimización que consiste en encontrar el conjunto de pesos y
umbrales de activación que permite minimizar la diferencia entre las salidas de la red y los
resultados deseados.

2.3.2.- Diseño y Entrenamiento de las Redes Neuronales Artificiales

La arquitectura o topología elegida para simular la evolución temporal del volumen de agua
almacenado sobre la superficie del suelo y, asimismo, el área del flujo superficial al inicio del
campo, fue la red MLP con una capa oculta. Para el entrenamiento, verificación y
optimización de las topologías de las redes se prepararon dos patrones de datos con los
resultados de múltiples experimentos numéricos ejecutados con el modelo SRFR (Bautista et
al., 2006) para una amplia gama de las variables de entrada (Tabla 2.1). El modelo SRFR,
desarrollado por Strelkoff et al. (1999), es un estándar mundial para la simulación
unidimensional del riego por superficie. SRFR resuelve numéricamente las ecuaciones de
Saint-Venant despreciando los términos de aceleración, solución conocida como Inercia Nula
(Strelkoff y Katapodes, 1977), que permite simulaciones muy robustas y estables.

Los patrones elegidos para el entrenamiento de las redes representan un extenso rango de
configuraciones hipotéticas del riego por superficie para diferentes condiciones de suelos,
pendientes, geometrías del flujo superficial y caudales. Cabe señalar que el patrón de
verificación fue totalmente independiente del utilizado para entrenar las redes, por lo que

27
Modelización de la Fase de Avance del Riego por Superficie

representó una excelente fuente para optimizar las topologías y verificar la capacidades de
predicción de las redes diseñadas.

Tabla 2.1.- Características de los patrones de datos usados en el entrenamiento y


optimización (verificación) de las redes neuronales diseñadas para simular la evolución
temporal del área y el volumen del flujo superficial.
Patrón de Entrenamiento (N=3320) Patrón de Verificación (N=980)
Parámetro Valor Valor Valor Desviac. Valor Valor Valor Desviac.
Mínimo Medio Máximo Estándar Mínimo Medio Máximo Estándar
p1 0,233 0,672 1,143 0,335 0,317 0,574 0,955 0,264
p2 2,667 2,933 3,333 0,237 2,700 2,793 2,900 0,082
a1 0,312 0,737 1,000 0,259 0,700 0,793 0,900 0,082
a2 1,000 1,457 2,000 0,363 1,500 1,719 1,900 0,175
n 0,015 0,027 0,050 0,009 0,030 0,030 0,030 0,000
3 -1 -a
K (m m min ) 0,001 0,011 0,030 0,009 0,004 0,006 0,008 0,002
a 0,200 0,573 0,800 0,210 0,300 0,551 0,700 0,158
Q (Ls-1) 0,500 2,855 6,00 1,459 1,500 1,500 1,500 0,000
So (m m-1) 0,000 0,0008 0,010 0,002 0,00003 0,002 0,020 0,005
ta (min) 5,00 213,92 1080,00 240,56 10,00 307,67 1000,00 286,27
xa (m) 10,60 137,54 300,00 71,07 20,50 157,80 300,00 68,68
p1, p2, a1 y a2 son coeficientes que dependen de la geometría del flujo superficial (Walker, 1989).
n es el coeficiente de rugosidad de Manning.
K y a son el coeficiente y el exponente de la ecuación de infiltración de Kostiakov.
Q es el caudal de riego.
So es la pendiente longitudinal del campo.
ta y xa son el tiempo y la distancia de avance del frente de agua.
N representa el número de casos que contiene cada patrón.

A fin de reducir la dimensionalidad del problema y garantizar la generalización de los


resultados de las RNA, los parámetros originales (Tabla 2.1) se expresaron en notación
adimensional según el esquema propuesto por Katopodes y Strelkoff (1977):

xa ta Ao(ta ) KTr a Vy(ta)


X* = T* = A* = K* = V* = (16a-e)
Xr Tr Ar Ar Vr

28
II.- Material y Métodos

Las variables de referencia (con subíndice r) se definieron como:

Q ⋅ 0 ,06 ⋅ Tr Yn ⋅ An
Ar = An Xr = Tr = Vr = Q ⋅ 0 ,06 ⋅ Tr (17a-d)
Ar So ⋅ Q ⋅ 0 ,06
1 1
 Q⋅n  p2 / 2
 An  a 2
An =  
 Yn =   (18a-b)
 1000 ⋅ p 1 ⋅ So   a1 

Los casos con So igual a cero se sustituyeron con un valor igual a 10-10 a fin de evitar
indefiniciones en los cálculos de las variables de referencia.

La RNA para estimar la evolución temporal del área del flujo superficial se entrenó con p1,
p2, a1, a2, a, X*, T*, y K* como variables de entrada y A* como variable dependiente. Por su
parte, la RNA para calcular el volumen del flujo superficial utilizó p1, p2, a1, a2, a, T*, X*,
K* y A* como entrada y V* como salida. También se analizaron las transformaciones
logarítmicas de algunas variables (X*, T*, A* y V*) en ambas redes. Todas las variables
independientes se normalizaron para asegurar que recibieran igual atención durante el proceso
de entrenamiento. Para esto, las variables se transformaron a un rango uniforme acorde con
los límites de las funciones de activación utilizadas en los EP de la capa oculta. Durante el
diseño de las redes se evaluaron tres tipos de funciones de activación: (i) la funciones
Sigmoidal y Tangente hiperbólica para la capa oculta, y (ii) las funciones Sigmoidal,
Tangente hiperbólica y Lineal para la capa de salida. Estas funciones y sus límites se
muestran en la Fig. 2.3.

1,1 1,2 1,2

1 1 1
F(I j )=I j
Ij -Ij Ij -Ij
-Ij
F(I j )=(e - e )/(e + e ) 0,8 0,8
F(I j )=1/(1+e ) 0,9 Función Lineal
Función Tangente Hiperbólica 0,6 0,6
Función Sigmoidal 0,8
0,4 0,4
F(Ij)

F(Ij)

0,7
0,2 0,2
0,6
F(I j)

0 0
-10 -5 0 5 10 -10 -5 0 5 10
0,5
-0,2 -0,2
0,4
-0,4 -0,4
0,3
-0,6 -0,6
0,2
-0,8 -0,8
0,1
-1 -1
0 -1,2 -1,2
-10 -5 0 5 10

Ij Ij Ij

(a) (b) (c)


Figura 2.3.- Funciones de activación evaluadas. (a) Función Sigmoidal. (b) Función
Tangente hiperbólica. (c) Función Lineal.

29
Modelización de la Fase de Avance del Riego por Superficie

La regla de aprendizaje aplicada para el entrenamiento de las redes fue conducida por el
algoritmo Levenberg-Marquadt (Hagan y Menhaj, 1994), usando como función objetivo la
minimización del Error Cuadrático Medio (ECM).

1 N
ECM = ∑ (Di − Ci )2 (19)
N i =1

donde Di representa los valores deseados (obtenidos por el modelo SRFR), Ci son los valores
calculados por las redes neuronales y N es el número total de casos evaluados.

El número de Elementos de Proceso de la capa oculta de cada red se determinó por prueba y
error. Cada configuración analizada (caracterizada por un número de EP en la capa oculta) se
entrenó con el patrón de entrenamiento y posteriormente se evaluó con el patrón de
verificación (compuesto por casos que no intervinieron en el entrenamiento). Así, el número
óptimo de EP fue aquel que permitió minimizar el error de predicción de la red (representado
por el Error Cuadrático Medio) correspondiente al patrón de verificación (Ozesmi et al.,
2006). Para evitar el sobre-entrenamiento de las redes durante todo el proceso de diseño se
utilizó el método de validación cruzada. Este método monitoriza el error de un conjunto de
casos elegidos al azar en el patrón de entrenamiento (20% del total de casos) y detiene el
entrenamiento de la red cuando detecta que este error comienza a aumentar.

Las variables que finalmente intervinieron en el entrenamiento de las redes se obtuvieron


mediante análisis de sensibilidad. El procedimiento utilizado fue el método de “Perturbación”
(Gevrey et al., 2003), que consiste en evaluar el efecto de un pequeño cambio o perturbación
en cada variable de entrada sobre la salida de la red. De esta forma fue posible identificar las
variables independientes irrelevantes y eliminarlas antes de entrenar definitivamente las redes.

Finalmente, los índices que se utilizaron para evaluar la capacidad predictiva de las RNA se
resumen a continuación:

∑ (D − C ) 2
i i
RECM = i =1
(20)
N

30
II.- Material y Métodos

100 N (Di − Ci )
ERM = ∑ D
N i =1
(21)
i

∑ (C
i =1
i − C )(Di − D )

r= N (22)
N N

∑ (D − D ) ∑ (C − C)
2 2
i i
i =1 i =1
N N

siendo RECM la raíz del Error Cuadrático Medio, ERM el Error Relativo Medio (%), r el
coeficiente de correlación, C el valor medio de los valores calculados por las redes y D el
valor medio de los valores deseados. Estos índices se calcularon tanto para patrón de
entrenamiento como para el patrón de verificación.

2.4.- Asimilación de las Fluctuaciones Temporales del Caudal de Riego

La variación temporal del caudal de riego ejerce un impacto muy significativo sobre la fase de
avance del riego por superficie (Renault y Wallender, 1996; Gillies et al., 2007). Sin embargo,
usualmente se asume que el caudal no varía durante la fase de avance para simplificar la
solución de la ecuación de balance de volumen. Esta simplificación es una representación
idealizada de la realidad ya que el caudal siempre exhibe cierto grado de fluctuación temporal
durante un evento real de riego (Gharbi et al. 1993).

El modelo propuesto en este trabajo intenta asimilar las fluctuaciones temporales del caudal
de riego en el proceso de solución de la ecuación de balance de volumen. Para esto fue
necesario, primeramente, sustituir el miembro izquierdo de la ecuación (8) por la expresión
t = ta

∑ Q(t ) ⋅ dt , que supone interpolar el hidrógrafo de riego para calcular el volumen de agua
t =0

aplicado en cada instante de tiempo. Ahora bien, si se intenta estimar Vy(ta) y Ao(ta) con el
caudal instantáneo obtenido directamente del hidrógrafo de riego para un tiempo ta, se
podrían cometer errores muy significativos. La razón de esto es que el volumen superficial y
el calado no fluctúan en la misma proporción que el caudal instantáneo de riego (Gillies et al.,
2007), sobre todo cuando la variación de éste último se produce de forma repentina.

31
Modelización de la Fase de Avance del Riego por Superficie

Para evitar estos errores se diseñaron otras dos redes MLP que fueron capaces de corregir el
efecto transitorio descrito sobre la fase de avance del riego por superficie. Estas RNA se
entrenaron para estimar unos caudales equivalentes que permitieron utilizar las mismas
expresiones desarrolladas en régimen permanente para simular las condiciones de régimen
transitorio. Así, una RNA se encarga de determinar el caudal equivalente para calcular el área
del flujo superficial, mientras que la otra red estima el caudal equivalente para calcular el
volumen de agua almacenado sobre la superficie del suelo. Para entrenar y verificar las
nuevas redes se ejecutaron otros experimentos numéricos con el modelo SRFR bajo
condiciones de fluctuación temporal (repentina y gradual) del caudal de riego (Tabla 2.2). Los
caudales equivalentes se definieron como aquellos valores que permitieron minimizar las
diferencias entre las distancias de avance y los calados obtenidos de los experimentos
numéricos (Tabla 2.2) y estimados por el modelo desarrollado en este trabajo.

Tabla 2.2.- Características de los patrones de datos usados en el entrenamiento y


optimización (verificación) de las redes neuronales diseñadas para estimar los caudales
equivalentes para la simulación de la fase de avance en condiciones de fluctuación temporal
del caudal de riego.
Patrón de Entrenamiento (N=30743) Patrón de Verificación (N=1672)
Parámetro Valor Valor Valor Desviac. Valor Valor Valor Desviac.
Mínimo Medio Máximo Estándar Mínimo Medio Máximo Estándar
p1 0,236 0,632 3,311 0,561 0,407 1,137 2,505 0,582
p2 2,666 2,851 3,285 0,214 2,799 3,010 3,197 0,109
a1 0,249 0,939 1,500 0,510 0,287 0,348 0,448 0,043
a2 1,000 1,505 2,000 0,454 1,026 1,079 1,169 0,0388
n 0,015 0,033 0,060 0,0154 0,017 0,031 0,052 0,012
K (m3m-1min-a) 0,0049 0,0078 0,0113 0,0025 0,0051 0,0064 0,0081 0,0014
a 0,250 0,511 0,756 0,192 0,314 0,455 0,628 0,129
Qins (Ls-1) 0,118 1,671 4,000 0,824 0,205 1,063 2,000 0,498
Qmed (Ls-1) 0,109 1,549 4,000 0,818 0,203 1,002 2,000 0,485
So (m m-1) 0,0000 0,0019 0,0100 0,0026 3*10-5 0,0018 0,0054 0,0020
ta (min) 0,02 104,32 1816,67 140,49 0,146 181,19 1781,67 235,06
xa (m) 0,938 98,40 300,00 73,79 3,75 127,84 300,00 84,29
Qins es el caudal instantáneo de riego.
Qmed es el caudal medio de riego.

32
II.- Material y Métodos

Las variables originales que intervinieron en las redes se transformaron acorde con la notación
adimensional reseñada en el apartado 2.3.2. La RNA que simula el caudal equivalente para
calcular el área del flujo superficial se entrenó con p1, p2, a1, a2, a, X*, T*, K* y Q* como
variables de entrada y Qa* como variable de salida. La red encargada de simular el caudal
equivalente para estimar el volumen del flujo superficial utilizó las mismas variables de
entrada y Qv* como salida. Las nuevas variables adimensionales se definieron como:

Qmed ( ta )
Q* = (23)
Qins( ta )
Qa(ta )
Qa* = (24)
Qins (ta )
Qv(ta )
Qv* = (25)
Qins (ta )

siendo Qmed(ta) el caudal medio de riego aplicado durante el intervalo de tiempo ta, Qins(ta)
es el caudal de riego aplicado en el instante ta, mientras que Qa(ta) y Qv(ta) son los caudales
equivalentes para calcular el área y el volumen del flujo superficial respectivamente.

Para diseñar, entrenar y evaluar las nuevas redes se siguió la misma metodología descrita en
el apartado 2.3.2.

2.5.- Formulación y Evaluación del Modelo Híbrido para Simular la Fase de


Avance del Riego por Superficie

En la Fig. 2.4 se muestra el diagrama de flujo del modelo Híbrido desarrollado para simular la
fase de avance del riego por superficie. El procedimiento de cálculo ha sido diseñado para
estimar la distancia de avance xa y el área del flujo superficial al inicio del campo Ao(ta)
correspondiente a un tiempo de aplicación ta. Asimismo, el modelo es capaz de calcular el
calado al inicio del campo Yo(ta) según la expresión (26) (Walker, 1989):

1
 Ao(ta )  a 2
Yo(ta ) =   (26)
 a1 

33
Modelización de la Fase de Avance del Riego por Superficie

INICIO
Calcular xa y Ao

DATOS
p1, p2, a1, a2
n, K, a
Qins, Qmed, So, ta

-10
So ≠ 0 No
So = 10

Si

Ro ⇐ (ecuación 12)
R1 ⇐ (ecuación 13)
rz=(Ro+R1)/2

Qv* ⇐ RNA3
Qins = Qmed No
Qv = Qv * ⋅Qins

Si

Qo = Qins Qo = Qv

1
 Qo ⋅ n  p2 / 2
An =  
 1000 ⋅ p1 ⋅ So 
 
Qo ⋅ 0 ,06 ⋅ ta
Xmin =
(
An + K ⋅ ta a )
Qo ⋅ 0 ,06 ⋅ ta
Xmax =
rz ⋅ K ⋅ ta a
X=(Xmin+Xmax)/2

V* ⇐ RNA1
Vr ⇐ (ecuación 17d)
Vy = V * ⋅Vr
W ⇐ (ecuación 14)
rz ⇐ (ecuación 11)

Qo ⋅ 0 ,06 ⋅ ta
Xcalc =
 Vy 
(
 X  + rz ⋅ K ⋅ ta
a
)
 

X = Xcalc |Xcalc-X| <= 0,0001


No

Si

xa = Xcalc

Qa* ⇐ RNA4
Qins = Qmed No
Qa = Qa * ⋅Qins

Si

1 Qo = Qa
 Qo ⋅ n  p2 / 2
An =  
 1000 ⋅ p1 ⋅ So 
 
A* ⇐ RNA2
Ao = A * ⋅An

RESULTADOS
xa
Ao

FIN

Figura 2.4.- Diagrama de flujo del modelo Híbrido para simular la fase de avance del riego
por superficie.

34
II.- Material y Métodos

En la Fig. 2.4 se puede apreciar que el procedimiento de cálculo se basó en la solución de la


ecuación de balance de volumen (ecuación 9), sustituyendo las expresiones convencionales
para estimar el volumen de agua y el área del flujo superficial por dos RNA. Para cada tiempo
de aplicación, el procedimiento comprueba si se encuentra ante un caso de fluctuación
temporal del caudal de riego mediante la comparación de Qins con Qmed. Si Qins difiere de
Qmed entonces se determinan los caudales equivalentes correspondientes con otras dos RNA
antes de continuar con los cálculos. Así, la integración de una simple solución de balance de
volumen con Redes Neuronales Artificiales conformaron el modelo Híbrido propuesto en este
trabajo.

El modelo Híbrido se evaluó mediante la comparación de sus resultados con las salidas del
modelo SRFR. Para esto se utilizaron los experimentos numéricos preparados para generar los
patrones de entrenamiento y verificación de las redes neuronales. Para evaluar el modelo
Híbrido en condiciones de régimen permanente se utilizaron todos los casos descritos en la
Tabla 2.1, así como los casos con Qins = Qmed de la Tabla 2.2. Asimismo, para verificar el
modelo en condiciones de régimen transitorio se utilizaron los casos descritos en la Tabla 2.2
que cumplieron la condición de Qins ≠ Qmed.

Se utilizaron varios índices para evaluar el nivel de funcionalidad, precisión y exactitud de las
predicciones del modelo Híbrido siguiendo las recomendaciones de Tedeschi (2006). Se
ejecutan regresiones lineales entre los valores estimados por el modelo Híbrido (predicciones)
y calculados por SRFR (observaciones). Por otro lado, se verificaron las diferencias
estadísticas entre las medianas, las varianzas y las distribuciones de frecuencia de las
predicciones y las observaciones mediante las pruebas de Wilcoxon-Mann-Whitney (Mann y
Whitney, 1947; Wilcoxon, 1945), Brown-Forsythe (Brown y Forsythe, 1974) y Kolmogoroff–
Smirnov (Kolmogoroff, 1933; Smirnov, 1933) respectivamente. Adicionalmente, se
calcularon los RECM y ERM según las ecuaciones (20) y (21).

Finalmente, se realizaron dos análisis de sensibilidad para determinar el impacto de cada


variable independiente sobre las salidas (distancia de avance y calado) de los modelos Híbrido
y SRFR respectivamente. El procedimiento utilizado para identificar la sensibilidad de los
modelos fue el análisis de regresión lineal múltiple (Helton et al., 2006). Este procedimiento

35
Modelización de la Fase de Avance del Riego por Superficie

permite encontrar la relación entre las variables independientes Xj y la variable de salida del
modelo analizado Ŷ a través de la ecuación (27):

Ŷ = b0 + ∑ j = 1 b j X j
nX
(27)

Los coeficientes de regresión bj, j=1, 2,..., nX no son muy útiles en el análisis de sensibilidad
porque cada bj está influenciado por las unidades en que las variables Xj han sido expresadas.
Por esta razón el modelo de regresión de la ecuación (27) se reformuló como:

(Ŷ − Y ) = b + ∑ j = 1 (b j Ŝ j / Ŝ )
nX (X j −X j ) (28)
0
Ŝ Ŝ j

siendo X j y Y las medias aritméticas y Ŝ j y Ŝ las desviaciones estándar de las variables Xj

y Ŷ respectivamente.

Los valores absolutos de los coeficientes de regresión estandarizados en la ecuación (28)


(b Ŝ
j j / Ŝ ) proporcionan una medida de la importancia de las variables Xj sobre Ŷ . Así, la

variable Xj que ejerce mayor impacto sobre Ŷ es aquella cuyo valor absoluto de (b j Ŝ j / Ŝ ) es

mayor. Por otro lado, el signo de (b j Ŝ j / Ŝ ) indica si Xj es directamente (signo positivo) o

inversamente (signo negativo) proporcional a Ŷ .

Las variables independientes analizadas fueron a1, a2, p1, p2, K, a, n, So y Q. Los resultados
de los análisis de sensibilidad se representaron a través de gráficos de tornado.

36
III.- Resultados y Discusión

III.- RESULTADOS Y DISCUSIÓN

3.1.- Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial

La exploración preliminar de las variables adimensionales permitió elegir las


transformaciones adecuadas para facilitar el entrenamiento de las redes neuronales. En la Fig.
3.1a se muestra la relación entre las variables X* y V*. Puede apreciarse claramente que la
transformación logarítmica de V* redujo la dispersión y permitió obtener una relación
prácticamente lineal con Ln(X*), que supone un entrenamiento más adecuado de la RNA. Por
otro lado, en la Fig. 3.1b se observa una relación no lineal muy bien definida entre X* y A*,
mientras que la transformación logarítmica no aportó prácticamente ninguna mejora.

8 4

7
2

6
0
5 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3

-2
Ln(V*)
V*

-4
3

2 -6

1
-8

0
0 1 2 3 4 5 6 7 8 9 -10
X* Ln(X*)

(a)
0,5
1,2

1 0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3

0,8
-0,5
Ln(A*)
A*

0,6

-1
0,4

0,2 -1,5

0
0 1 2 3 4 5 6 7 8 9 -2
X* Ln(X*)

(b)
Figura 3.1.- Exploración preliminar de las variables adimensionales para entrenar las RNA.
(a) Relación entre X* y V*. (b) Relación entre X* y A*.

38
Modelización de la Fase de Avance del Riego por Superficie

Considerando los resultados anteriores, se decidió utilizar la transformación logarítmica de las


variables X*, T* y V* para entrenar la red neuronal que simula la evolución temporal del
volumen del flujo superficial, mientras que la red destinada a calcular el área del flujo
superficial utilizó las variables adimensionales sin transformación alguna.

El análisis de sensibilidad permitió determinar que las variables p1 y a1 fueron irrelevantes


para el entrenamiento de la RNA que simula el área del flujo superficial. Asimismo, las
variables p1, a1 y a2 ejercieron muy poca influencia en la simulación el volumen del flujo
superficial. Por lo tanto, la red para simular la evolución temporal del área del flujo superficial
se entrenó definitivamente con p2, a2, a, X*, T*, y K* como variables de entrada y A* como
variable dependiente. Por su parte la RNA para calcular el volumen del flujo superficial
utilizó p2, a, Ln(T*), Ln(X*), K* y A* como entrada y Ln(V*) como salida. Las topologías de
las redes MLP que finalmente resultaron óptimas para simular estos procesos se resumen en la
Tabla 3.1.

Tabla 3.1.- Topologías de las RNA utilizadas para simular la evolución temporal del área y el
volumen del flujo superficial.
Proceso Variables Variable No. de EP Funciones de Activación
Independientes Dependiente en la Capa Capa Oculta/Salida
Oculta
Área del Flujo p2, a2, a, X*, A* 5 EP Sigmoidal/Sigmoidal
Superficial T*, K*
Volumen del p2, a, Ln(T*), Ln(V*) 7 EP Sigmoidal/Lineal
Flujo Superficial Ln(X*), K*, A*

La capacidad de predicción y generalización de las RNA diseñadas se muestra en la Tabla 3.2.


Puede apreciarse que las redes fueron capaces de simular los procesos con un elevado nivel de
precisión y exactitud. Para los patrones de datos analizados se obtuvieron coeficientes de
correlación cercanos a 1 y errores relativos medios inferiores al 4%.

Tabla 3.2.- Evaluación de la precisión y exactitud de las RNA para simular la evolución
temporal del área y el volumen del flujo superficial.
Variable Patrón de Entrenamiento Patrón de Verificación
Dependiente RECM ERM (%) r RECM ERM (%) r
A* 0,0084 1,3546 0,9994 0,0146 2,0841 0,9977
Ln(V*) 0,0780 3,1613 0,9985 0,1167 3,1865 0,9978

39
III.- Resultados y Discusión

Estos resultados no sorprenden si se considera que las redes MLP son capaces de aproximar
cualquier función continua con suficiente precisión (Smith, 1993). Lo que realmente importa
en el diseño de las redes MLP es que sean capaces de generalizar los resultados de los
procesos para las que fueron entrenadas. En la Tabla 3.2 se puede apreciar que los índices de
evaluación del patrón de verificación alcanzaron valores similares a los obtenidos en el patrón
de entrenamiento. Esto es un indicador de la excelente capacidad de generalización de las
redes diseñadas, toda vez que el patrón de verificación fue totalmente independiente del
utilizado para entrenar las redes.

Hay al menos tres condiciones necesarias para que las RNA alcancen buena capacidad de
generalización (Wolpert, 1996a, 1996b). Primero, las variables de entrada de la red deben
contener suficiente información sobre el proceso que se desee simular. No debe esperarse que
una RNA sea capaz de simular un proceso pobremente definido. Segundo, la relación entre las
variables de entrada y salida debe ser continua y poco dispersa. Los procesos muy aleatorios
son difíciles de generalizar con las RNA. Usualmente una transformación no lineal de las
variables de entrada puede suavizar la función y mejorar la generalización de la red. Tercero,
el patrón de entrenamiento debe ser suficientemente extenso y representativo de la población
que se desea modelar.

En el diseño y entrenamiento de las RNA se han considerado las tres condiciones descritas. Se
eligió un patrón de entrenamiento suficientemente amplio y representativo de los procesos a
simular (tercera condición). Asimismo, se aplicó una transformación logarítmica a las
variables X* y V* para suavizar y reducir la dispersión de su relación (segunda condición).
Sin embargo, la decisión más importante fue la elección de las variables de entrada a la red
(primera condición).

Inicialmente se intentó entrenar las redes con las variables de entrada y salida en su estado
natural (expresadas en notación dimensional). Las redes diseñadas en estas condiciones
fueron capaces de reproducir adecuadamente el patrón de entrenamiento, pero no lograron
simular el patrón de verificación con una precisión adecuada (Fig. 3.2a), en otras palabras, no
alcanzaron capacidades de generalización aceptables.

La transformación de las variables originales a notación adimensional se obtuvo mediante la


combinación sistemática de varios parámetros esenciales en la modelización numérica del

40
Modelización de la Fase de Avance del Riego por Superficie

riego por superficie (Strelkoff y Clemmens, 1994). Por esta razón, la notación adimensional
permitió reducir significativamente el número de parámetros independientes del proceso a
modelar sin pérdida de información trascendental. Así, la simple transformación de las
variables originales en notación adimensional permitió que las redes diseñadas adquirieran
excelentes capacidades de generalización, tal como se muestra en la Fig. 3.2b y como ha sido
corroborado en la Tabla 3.2.

0,09 18
y = 1,0140x + 0,0005 1:1 y=0,9941x + 0,0293 1:1
0,08 2 16
R = 0,97563 2
R = 0,9851
Area Flujo Superficial RNA (m 2)

Volumen Superficial RNA (m 3)


0,07 14
Red MLP
Red MLP
Capa Oculta
Capa Oculta
0,06 No. de EP: 4 12 No. de EP: 5
Función de Activación: Tangente Hiperbólica Función de Activación: Tangente Hiperbólica
Capa Salida Capa Salida
0,05 No: EP: 1 10 No: EP: 1
Función de Activación: Lineal Función de Activación: Lineal

0,04 8

0,03 6

0,02 Patrón de Entrenamiento


Patrón de Entrenamiento 4
Patrón de Verificación
Patrón de Verificación
0,01 2

0 0
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0 2 4 6 8 10 12 14 16 18
2
Area Flujo Superficial SRFR (m ) Volumen Superficial SRFR (m )
3

(a)
0,09 18
y = 0,9973x + 7E-05 1:1 y=1,0025x + 0,0264 1:1
0,08 2 16
R = 0,9986 2
R = 0,9969
Area Flujo Superficial RNA (m 2)

Volumen Superficial RNA (m )

14
3

0,07

0,06 12

0,05 10

0,04 8

0,03 6

Patrón de Entrenamiento
0,02 4
Patrón de Entrenamiento Patrón de Verificación
Patrón de Verificación 2
0,01

0 0
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0 2 4 6 8 10 12 14 16 18
3
Area Flujo Superficial SRFR (m2) Volumen Superficial SRFR (m )

(b)
Figura 3.2.- Comparación de los resultados obtenidos por el modelo SRFR y las RNA en la
simulación del área del flujo superficial (figuras a la izquierda) y el volumen del flujo
superficial (figuras a la derecha). (a) Redes diseñadas y entrenadas con las variables en
estado natural (notación dimensional). (b) Redes diseñadas y entrenadas con las variables
transformadas en notación adimensional.

41
III.- Resultados y Discusión

3.2.- Redes Neuronales para Asimilar las Fluctuaciones Temporales del Caudal
de Riego

El análisis preliminar de los experimentos numéricos permitió constatar que los caudales
equivalentes permanecieron acotados por los caudales medio e instantáneo. Como regla
general, el caudal equivalente para estimar el área del flujo superficial tiende rápidamente al
caudal instantáneo, mientras que la evolución del caudal equivalente para estimar el volumen
superficial se aproxima a la seguida por el caudal medio de riego. En la Fig. 3.3 se muestran
dos ejemplos de este comportamiento típico, que puede variar en función de las características
geométricas del flujo superficial, la capacidad de infiltración del suelo y la pendiente
longitudinal del campo.

3,2
2,1
3,0
2,0
2,8
1,9
2,6
1,8
1,7 2,4
1,6 2,2
Q Instantáneo
1,5 2,0
Caudal (L/s)

Q Medio Q Instantáneo
Caudal (L/s)

1,4 1,8
Q Equivalente Area Q Medio
1,3 1,6
1,2 Q Equivalente Volumen Q Equivalente Volumen
1,4
1,1 Q Equivalente Area
1,2
1,0
1,0
0,9 Datos de la Simulación Datos de la Simulación
p1 =0,2371 p2 =2,669 0,8 p1 =0,553 p2 =2,977
0,8 a1 =1,5 a2 =2,0 a1 =0,5 a2 =1,0
0,7 K = 0,005673 m3/m/min-a
0,6 3
K = 0,00878 m /m/min
-a

a = 0,4154 a = 0,756
0,6 So =0,00001 m/m
0,4 So =0,0003 m/m
n Manning= 0,03 n Manning= 0,05
0,5 0,2
0,4 0,0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 0 100 200 300 400 500 600 700 800 900
Tiempo (min) Tiempo (min)

Figura 3.3.- Ejemplos del comportamiento típico de los caudales equivalentes para simular la
fase de avance en condiciones de fluctuación temporal del caudal de riego.

El hecho de que los caudales equivalentes permanecieron acotados por los caudales medio e
instantáneo facilitó considerablemente el entrenamiento de estas redes. La variable
adimensional Q* (Qmed/Qins) aportó una información muy importante en la predicción de los
caudales equivalentes o sus variantes adimensionales (Qa* y Qv*), mientras que el resto de
variables independientes se encargaron de definir los gradientes con que los caudales
equivalentes se aproximaron a los caudales medio e instantáneo. De hecho, el análisis de
sensibilidad no reveló ninguna variable irrevelarte en la simulación de los procesos, por esta
razón las redes se diseñaron con todas las variables independientes originalmente
consideradas.

42
Modelización de la Fase de Avance del Riego por Superficie

Tabla 3.3.- Topologías de las Redes MLP utilizadas para estimar los caudales equivalentes
para la simulación de la fase de avance en condiciones de fluctuación temporal del caudal de
riego.
Proceso Variables Variable No. de EP en Funciones de
Independientes Dependiente la Capa Activación
Oculta Capa Oculta/Salida
Caudal Equivalente p1, p2, a1, a2, a, Qa* 5 EP Tangente
Área del Flujo X*, T*, K*, Q* Hiperbólica/Lineal
Superficial
Caudal Equivalente p1, p2, a1, a2, a, Qv* 5 EP Tangente
Volumen del Flujo X*, T*, K*, Q* Hiperbólica/Lineal
Superficial

Las topologías óptimas y las capacidades de predicción y generalización de las Redes MLP
utilizadas para estimar los caudales equivalentes se presentan en las Tablas 3.3 y 3.4
respectivamente. Una vez más, las redes MLP fueron capaces de simular los procesos con un
elevado nivel de precisión y exactitud tanto en el patrón de entrenamiento como en el patrón
de verificación. Los coeficientes de correlación alcanzaron valores cercanos a 1, los errores
relativos medios fueron inferiores al 2%, mientras que los RECM, que son medidas muy
fiables de la exactitud de las predicciones de las redes, fueron muy bajos para todos los casos
analizados.

Tabla 3.4.- Evaluación de la precisión y exactitud de las RNA para simular los caudales
equivalentes.
Variable Patrón de Entrenamiento Patrón de Verificación
Dependiente RECM ERM (%) r RECM ERM (%) r
Qa* 0,0468 1,6925 0,9879 0,0310 1,0665 0,9927
Qv* 0,0283 1,8709 0,9897 0,0215 1,5568 0,9942

3.3.- Evaluación del Modelo Híbrido en Condiciones de Régimen Permanente

La Tabla 3.5 contiene el resumen estadístico de los resultados (distancia de avance y calado)
obtenidos por los modelos Híbrido y SRFR en condiciones de régimen permanente
(Qins=Qmed). Cabe señalar que en este trabajo se entiende por régimen permanente cuando el
caudal de riego no exhibe fluctuación alguna durante toda la duración de la fase de avance del
riego por superficie.

43
III.- Resultados y Discusión

De particular interés resultan los coeficientes de asimetría y curtosis estandarizados


contenidos en la Tabla 3.5, que pueden usarse para determinar si las muestras proceden de
distribuciones normales. Los valores de estos estadísticos fuera del rango de -2 a +2 indican
desviaciones significativas de la distribución normal. En la Tabla 3.5 se puede observar que
ambas muestras alcanzaron valores de asimetría y curtosis estandarizadas fuera del rango
normal. Estos resultados invalidan las pruebas que comparan las muestras bajo el supuesto de
que siguen distribuciones normales. Por esta razón, las comparaciones de las medianas y las
varianzas se realizaron con pruebas no paramétricas tal como se describe en el apartado 2.5.

Tabla 3.5.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido y SRFR
en condiciones de régimen permanente.
Distancia de Distancia de Calado al Inicio Calado al Inicio
Avance Avance del Campo del Campo
Estadísticos SRFR Híbrido SRFR Híbrido
Frecuencia 7800 7800 7800 7800
Media (m) 104,53 104,27 0,0799 0,0799
Mediana (m) 86,15 85,71 0,0829 0,0834
2
Varianza (m ) 5192,11 5186,48 0,00138 0,00137
Desviación Estándar (m) 72,06 72,02 0,0371 0,0370
Valor Mínimo (m) 2,38 2,35 0,0092 0,0097
Valor Máximo (m) 299,90 300,20 0,163 0,163
Primer Cuartil (m) 49,60 49,44 0,0518 0,0517
Segundo Cuartil (m) 147,45 147,52 0,109 0,109
Asimetría Estandarizada 30,16 30,16 -2,86 -2,14
Curtosis Estandarizada -2,18 -2,26 -16,56 -16,44

En la Tabla 3.6 se muestran los resultados de la prueba de Wilcoxon-Mann-Whitney para


determinar si existen diferencias significativas entre las medianas de las distancias de avance
y los calados estimados por los modelos SRFR e Híbrido. Dado que los valores de p fueron
mayores a 0,01, no existen diferencias estadísticamente significativa entre las medianas de
ambas muestras para un nivel de confianza del 99,0%. Por otro lado, la Tabla 3.7 contiene los
resultados de la prueba de Brown-Forsythe para comparar las varianzas de los resultados de
ambos modelos. La prueba de Brown-Forsythe es un test no paramétrico equivalente a la
prueba F para determinar las diferencias de las varianzas. Según los resultados de esta prueba,
se puede concluir que no existen diferencia estadísticamente significativa entre las varianzas
de ambas muestras para un nivel de confianza del 99,0%, toda vez que los valores de p fueron
superiores a 0,01.

44
Modelización de la Fase de Avance del Riego por Superficie

Tabla 3.6.- Resultados de la prueba de Wilcoxon-Mann-Whitney para comparar las medianas


de los resultados obtenidos por los modelos SRFR e Híbrido.
Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo Modelo Modelo Modelo
SRFR Híbrido SRFR Híbrido
Mediana de la Muestra 86,15 85,71 0,0829 0,0834
Hipótesis Nula Mediana Modelo SRFR = Mediana Modelo Híbrido
Hipótesis Alternativa Mediana Modelo SRFR ≠ Mediana Modelo Híbrido
Rango Medio de la Muestra 7811,14 7789,86 7800,41 7800,59
7
W 3,033*10 3,042*107
p 0,768 0,998

Otra procedimiento robusto para determinar la validez de un modelo es la comparación entre


las distribuciones de frecuencia de los valores observados y estimados (Tedeshi, 2006). En la
Fig. 3.4 se comparan las distribuciones de frecuencia de los resultados de los modelos Híbrido
y SRFR. Puede apreciarse que las frecuencias acumuladas coinciden claramente en los dos
procesos modelados. La prueba de Kolmogoroff–Smirnov permitió evaluar estadísticamente
la probabilidad de que las observaciones y las predicciones pertenecen a una misma
distribución de frecuencia. Esta prueba se basa en el cálculo de la distancia máxima entre las
distribuciones acumuladas de las dos muestras. Dado que los valores de p fueron mayores a
0,01 (Fig. 3.4), se confirma que no existen diferencias estadísticamente significativas entre las
distribuciones analizadas para un nivel de confianza del 99,0%.

Tabla 3.7.- Resultados de la prueba de Brown-Forsythe para comparar las varianzas de los
resultados obtenidos por los modelos SRFR e Híbrido.
Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo Modelo Modelo Modelo
SRFR Híbrido SRFR Híbrido
Media de la Muestra 104,53 104,27 0,0799 0,0799
Hipótesis Nula Varianza Modelo SRFR = Varianza Modelo Híbrido
Hipótesis Alternativa Varianza Modelo SRFR ≠ Varianza Modelo Híbrido
Desviación Estándar 72,06 72,02 0,0371 0,0370
W 0,00044 0,08745
p 0,983 0,767

Kleijnen et al. (1998) propusieron un procedimiento riguroso para evaluar los resultados de un
modelo. Según estos autores, un modelo es estadísticamente válido si, y solo si, los valores
observados (en este caso las salidas del modelo SRFR) y las predicciones (salidas del modelo
Híbrido) tienen medias (o medianas) y varianzas estadísticamente idénticas. De acuerdo con

45
III.- Resultados y Discusión

los resultados de las pruebas anteriores, y considerando los criterios propuestos por Kleijnen
et al. (1998), se puede concluir que las predicciones del modelo Híbrido fueron
estadísticamente válidas en comparación con las salidas del modelo SRFR. Resulta oportuno
destacar que el modelo SRFR es un referente mundial en la simulación unidimensional del
riego por superficie, y ha sido ampliamente evaluado y aplicado en disímiles situaciones
(Strelkoff et al., 1999; Esfandiari y Maheshwari, 2001). Sin embargo, para completar la
evaluación del modelo desarrollado fue necesario además, analizar el nivel de funcionalidad,
la precisión y la exactitud de sus predicciones.

120 120

Modelo SRFR Modelo SRFR


100 100
Modelo Híbrido Modelo Híbrido
Frecuencia Acumulada (%)

Frecuencia Acumulada (%)


80 80

60 60

40 40

Estadístico DN Estimado: 0,0087


Estadístico DN Estimado: 0,0091
Estadístico Asintótico K-S a dos Colas: 0,544
20 Estadístico Asintótico K-S a dos Colas: 0,568
Valor p aproximado: 0,928 20 Valor p aproximado: 0,903

0 0
0.0 50.0 100.0 150.0 200.0 250.0 300.0 350.0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18
Clases Distancia de Avance (m) Clases Calado (m)

(a) (b)
Figura 3.4.- Distribuciones de frecuencia acumulada de los resultados de los modelos
Híbrido y SRFR. (a) Simulación de la distancia de avance. (b) Simulación del calado al inicio
del campo.

De acuerdo con Tedeschi (2006), en este trabajo se entiende por exactitud a la capacidad de
un modelo de predecir valores cercanos a los resultados reales, mientas que la precisión es la
capacidad de predecir los valores consistentemente. El coeficiente de determinación R2,
obtenido del análisis de regresión lineal entre los valores calculados por los modelos Híbrido
y SRFR, es un buen indicador de la precisión. Asimismo, el intercepto y la pendiente de la
línea de regresión son índices de la exactitud de las predicciones. A medida que el intercepto
se acerque a cero y la pendiente tienda a 1, más exacto será el modelo. Otros indicadores de la
exactitud de un modelo son la Raíz del Error Cuadrático Medio y el Error Relativo Medio.

En la Fig. 3.5 se muestran las regresiones lineales de los resultados obtenidos con los modelos
Híbrido y SRFR. El modelo Híbrido fue capaz de predecir la distancia de avance y el calado
del flujo superficial con una precisión similar a la alcanzada con SRFR en condiciones de

46
Modelización de la Fase de Avance del Riego por Superficie

régimen permanente. Se obtuvieron coeficientes de determinación superiores a 0,99 en las


regresiones de ambos procesos. Además, las pendientes e interceptos de las líneas de
regresión fueron muy cercanos a 1 y 0 respectivamente, reflejando la elevada exactitud de los
predicciones del modelo Híbrido.

350.0 0.18

1:1 1:1
Distancia de Avance Modelo Híbrido (m)

y = 0.9993x - 0.1935 0.16


300.0 y = 0.997x + 0.0002
R2 = 0.9997
R2 = 0.9989
0.14

Calado Modelo Híbrido (m)


250.0
0.12

200.0 0.10

150.0 0.08

0.06
100.0
0.04
RECM (m) = 1,289
50.0 RECM (m) = 0,0012
ERM (%) = 0,969
0.02 ERM (%) = 1,104

0.0 0.00
0.0 50.0 100.0 150.0 200.0 250.0 300.0 350.0 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)

(a) (b)
Figura 3.5.- Regresión lineal de los resultados obtenidos con los modelos Híbrido y SRFR.
(a) Distancia de avance. (b) Calado del flujo superficial al inicio del campo.

El RECM fue tan solo de 1,289 m en la simulación de la distancia de avance y de 1,2 mm en


las predicción del calado del flujo superficial, mientras que los ERM no superaron el 1,2% en
ambos procesos (Fig. 3.5). Los histogramas de los residuos (diferencia entre los valores
calculados por los modelos Híbrido y SRFR) de estas dos variables se muestran en la Fig. 3.6.
Puede distinguirse que la gran mayoría de los casos evaluados registraron residuos nulos o
cercanos a cero. Los valores extremos de los residuos registrados fueron muy poco frecuentes
y en todo caso, no superaron los 7 m en la predicciones de las distancias de avance y los 5
mm en los calados.

Otro aspecto importante en la evaluación de un modelo es su nivel de funcionalidad. El


modelo Híbrido es capaza de calcular la distancia de avance y el calado explícitamente, es
decir, para cualquier tiempo de avance el modelo puede estimar la distancia y el calado
directamente sin necesidad de discretizar los dominios temporal y espacial. Los modelos más
sofisticados (hidrodinámico completo o inercia nula) tienen necesariamente que discretizar los
dominios del tiempo y el espacio para resolver numéricamente las ecuaciones completas de
Saint-Venant o algunas de sus simplificaciones. La presencia de términos no lineales en estas
ecuaciones imponen la necesidad de utilizar métodos iterativos especiales (Newton-Raphson,

47
III.- Resultados y Discusión

por ejemplo) para acelerar la convergencia de los cálculos (Walker y Skogerboe, 1987;
Strelkoff et al., 1999). La solución del modelo Híbrido converge rápidamente sin necesidad de
aplicar técnicas iterativas especiales. El valor medio de las iteraciones necesarias para lograr
la convergencia de los cálculos fue de tan solo 4,24 en los 7800 casos evaluados en
condiciones de régimen permanente.

1000 900

900 800

800
700

700
600
600
Frecuencia

Frecuencia
500
500
400
400
300
300

200
200

100 100

0 0
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 -0.005 -0.004 -0.003 -0.002 -0.001 0.000 0.001 0.002 0.003 0.004 0.005
Residuos Distancia de Avance (m) Residuos Calado (m)

(a) (b)
Figura 3.6.- Histogramas de los residuos obtenidos con los resultados de los modelos
Híbrido y SRFR. (a) Residuos de la distancia de avance. (b) Residuos del calado del flujo
superficial al inicio del campo.

Para finalizar, y a modo de destacar las virtudes del modelo Híbrido desarrollado en este
trabajo, se presenta en la Fig. 3.7 las comparaciones entre los resultados obtenidos por el
modelo SRFR y una solución clásica de balance de volumen formulada por Walker y
Skogerboe (1987). Para comparar ambos modelos se utilizaron los mismos casos
seleccionados para evaluar el modelo Híbrido en condiciones de régimen permanente.

El modelo de Walker y Skogerboe se basa en la solución de la ecuación de balance de


volumen asumiendo las siguientes simplificaciones: (i) El área del flujo superficial se calcula
1
 Q⋅n  p2 / 2
con la ecuación de Manning, Ao =   ; (ii) el factor de forma superficial
 1000 ⋅ p1 ⋅ So 
 
es constante e igual a 0,77; (iii) la trayectoria de avance del agua es representada por una
función potencial, ta = p ⋅ ( xa ) y (iv) el factor de forma subsuperficial se obtiene a través de
r

48
Modelización de la Fase de Avance del Riego por Superficie

la aproximación de Kiefer (1959), rz =


r
+
(1 − a ) , que solo depende de los
r + 1 (r + 1)(a + 1)
exponentes de las ecuaciones de avance (r) e infiltración (a).

350,0 0,36

1:1 0,33 y = 1,4146x - 0,0072 1:1


Distancia de Avance Modelo Walker (m)

y = 0,9509x - 1,5083 R2 = 0,7323


300,0 0,30
R2 = 0,9674
0,27

Calado Modelo Walker (m)


250,0
0,24

0,21
200,0
0,18

150,0 0,15

0,12
So >= 0,00001
100,0 So >= 0,00001
0,09 N = 6512
N = 6512
ERM = 28,94 %
ERM = 10,75 %
0,06 RECM = 0,042 m
RECM = 14,69 m
50,0
0,03

0,0 0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,03 0,06 0,09 0,12 0,15 0,18 0,21 0,24 0,27 0,30 0,33 0,36
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)

(a)
350,0 0,20

1:1 0,18 y = 1,062x + 0,0029 1:1


Distancia de Avance Modelo Walker (m)

y = 1,0203x - 2,527
300,0 R2 = 0,9282
R2 = 0,9981 0,16
Calado Modelo Walker (m)

250,0 0,14

0,12
200,0
0,10

150,0 0,08

So >= 0,0001
0,06 So >= 0,0001
100,0 N = 4445
N = 4445
ERM = 11,32 %
ERM = 6,57 % 0,04
RECM = 0,012 m
RECM = 3,33 m
50,0
0,02

0,0 0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)

(b)
Figura 3.7.- Regresión lineal de los resultados obtenidos con los modelos de Walker y
Skogerboe y SRFR. (a) Casos con pendiente longitudinal del campo igual o superior a
0,00001 m/m. (b) Casos con pendiente longitudinal del campo igual o superior a 0,0001 m/m.

En la Fig. 3.7a se han representado los casos con pendiente del campo igual o superior a
0,00001 m/m, toda vez que los casos con pendiente nula no pueden ser calculados con el
modelo de Walker y Skogerboe (1987); la ecuación de Manning queda indefinida para valores
de So = 0. Como puede apreciarse en la Fig. 3.7a, el modelo de Walker y Skogerboe tendió a
sobreestimar el calado al inicio del campo y, consecuentemente, el volumen del flujo
superficial. Asimismo, la distancia de avance fue sistemáticamente subestimada respecto a los
resultados obtenidos con el modelo SRFR. La principales fuentes de errores en estos casos fue
asumir que el calado al inicio del campo alcanza instantáneamente la profundidad normal

49
III.- Resultados y Discusión

según la ecuación de Manning y que, para cualquier combinación de caudal y parámetros de


sistema, el factor de forma superficial permanece constante durante toda la duración de la fase
de avance. Aún en los casos con pendientes superiores a 0,0001 puede percibirse una
tendencia muy marcada a sobreestimar el calado del flujo superficial (Fig. 3.7b), aunque la
predicción de la distancia de avance mejoró considerablemente. Cabe destacar que
habitualmente se acepta como válido utilizar las expresiones de régimen uniforme para
estimar el área del flujo superficial en condiciones de pendientes superiores a 0,0001 (Walker,
1989). Sin embargo estos resultados sugieren que el modelo Walker y Skogerboe (1987) se
debe aplicar con mucha prudencia, incluso bajo condiciones supuestamente favorables para
utilizar la ecuación de Manning.

Otra fuente de error que puede explicar el pobre comportamiento del modelo de Walker y
Skogerboe fue asumir un factor de forma subsuperficial invariable en el tiempo y dependiente
exclusivamente de los exponentes de las ecuaciones potenciales de avance e infiltración
(Valiantzas, 1997a). Hart et al. (1968) concluyeron que la función potencial no representa la
forma real de la trayectoria de avance durante toda su duración y por tanto, rz no puede ser
constante. Como bien han reconocidos muchos otros autores (Renault y Wallender, 1996;
Rodríguez, 1996; Walker y Kasilingam, 2004; Gillies et al., 2007) todas estas
simplificaciones pueden generar serias violaciones del principio de conservación de la masa,
trayendo consigo un efecto muy nocivo en la modelización numérica de la fase de avance del
riego por superficie.

3.4.- Evaluación del Modelo Híbrido en Condiciones de Régimen Transitorio

El resumen estadístico de los resultados obtenidos por los modelos Híbrido y SRFR en
condiciones de régimen transitorio (Qins ≠ Qmed) se muestra en la Tabla 3.8. Al igual que en
los resultados obtenidos en régimen permanente, los coeficientes de asimetría y curtosis
estandarizadas alcanzaron valores fuera del rango normal, por lo que las comparaciones de las
muestras se realizaron con pruebas no paramétricas.

50
Modelización de la Fase de Avance del Riego por Superficie

Tabla 3.8.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido y SRFR
en condiciones de régimen transitorio.
Distancia de Distancia de Calado al Inicio Calado al Inicio
Avance Avance del Campo del Campo
Estadísticos SRFR Híbrido SRFR Híbrido
Frecuencia 27000 27000 27000 27000
Media (m) 97,37 96,81 0,0608 0,0607
Mediana (m) 81,14 80,21 0,0537 0,0536
Varianza (m2) 4761,95 4736,38 0,00127 0,00127
Desviación Estándar (m) 69,01 68,82 0,0356 0,0357
Valor Mínimo (m) 0,94 0,86 0,00455 0,00446
Valor Máximo (m) 300,00 306,62 0,175 0,174
Primer Cuartil (m) 43,87 43,51 0,0312 0,0309
Segundo Cuartil (m) 140,00 138,90 0,0862 0,0864
Asimetría Estandarizada 57,75 58,68 40,52 40,91
Curtosis Estandarizada 2,50 2,73 -18,27 -18,06

La Tabla 3.9 contiene los resultados de las pruebas de Wilcoxon-Mann-Whitney y Brown-


Forsythe para determinar si existen diferencias significativas entre las distancias de avance y
los calados estimados por los modelos SRFR e Híbrido en condiciones de régimen transitorio.
Los valores de p obtenidos en ambas pruebas fueron superiores a 0,01, sugiriendo que no
existen diferencias significativas entre las medianas y las varianzas de las muestras analizadas
para un nivel de confianza del 99,0%. Asimismo, en la Fig. 3.8 se muestran las distribuciones
de frecuencia de los resultados obtenidos por ambos modelos. La prueba de Kolmogoroff–
Smirnov permitió confirmar que tampoco se encontraron diferencias significativas entre las
distribuciones de frecuencia para un nivel de confianza del 99,0%.

120 120

100
Modelo SRFR 100
Modelo SRFR
Modelo Híbrido Modelo Híbrido
Frecuencia Acumulada (%)

Frecuencia Acumulada (%)

80 80

60 60

40 40

Estadístico DN Estimado: 0,00733 Estadístico DN Estimado: 0,0077


20 Estadístico Asintótico K-S a dos Colas: 0,852 20 Estadístico Asintótico K-S a dos Colas: 0,903
Valor p aproximado: 0,471 Valor p aproximado: 0,392

0 0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20
Clase Distancia de Avance (m) Clase Calado (m)

Figura 3.8.- Distribuciones de frecuencia acumulada de los resultados de los modelos


Híbrido y SRFR en condiciones de régimen transitorio.

51
III.- Resultados y Discusión

Tabla 3.9.- Resultados de las pruebas de Wilcoxon-Mann-Whitney y Brown-Forsythe para


comparar las medianas y varianzas de los resultados obtenidos por los modelos SRFR e
Híbrido en condiciones de régimen transitorio.
Prueba de Wilcoxon-Mann-Whitney
Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo Modelo Modelo Modelo
SRFR Híbrido SRFR Híbrido
Mediana de la Muestra 81,14 80,21 0,0537 0,0535
Hipótesis Nula Mediana Modelo SRFR = Mediana Modelo Híbrido
Hipótesis Alternativa Mediana Modelo SRFR ≠ Mediana Modelo Híbrido
Rango Medio de la Muestra 27066,4 26934,6 27028,0 26973,0
8
W 3,627*10 3,637*108
p 0,326 0,681
Prueba de Brown-Forsythe
Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo Modelo Modelo Modelo
SRFR Híbrido SRFR Híbrido
Media de la Muestra 97,37 96,81 0,0608 0,0607
Hipótesis Nula Varianza Modelo SRFR = Varianza Modelo Híbrido
Hipótesis Alternativa Varianza Modelo SRFR ≠ Varianza Modelo Híbrido
Desviación Estándar 69,01 68,82 0,0356 0,0357
W 0,337 0,0838
p 0,562 0,772

Siendo el modelo Híbrido estadísticamente válido según los criterios propuestos por Kleijnen
et al. (1998), queda evaluar el nivel de precisión y exactitud de sus predicciones. En la Fig.
3.9 se comparan los resultados de los modelos Híbrido y SRFR en condiciones de régimen
transitorio. Las fluctuaciones temporales del caudal del riego inducen un efecto transitorio
muy complejo sobre la fase de avance del riego por superficie (Gillies et al., 2007). Pese a la
complejidad añadida que supone la simulación numérica de la fase de avance en estas
condiciones, el modelo Híbrido fue capaz de alcanzar predicciones excelentes. Se puede
apreciar en la Fig. 3.9 que los resultados de las regresiones lineales fueron muy similares a las
logradas en régimen permanente. Se obtuvieron coeficientes de determinación cercanos a 1,
mientras que las pendientes y los coeficientes de las regresiones lineales fueron muy próximo
a 1 y 0 respectivamente. Los ERM no superaron el 1,8%, y los RECM fueron de 2,19 m en la
predicción de la distancia de avance y de 1,3 mm en la predicción del calado al inicio del
campo.

52
Modelización de la Fase de Avance del Riego por Superficie

350,0 0,20

y = 0,9968x - 0,2528 1:1 y = 1,0006x - 0,0001 1:1


0,18
Distancia de Avance Modelo Híbrido (m)

2 2
300,0 R = 0,9991 R = 0,9986
0,16

Calado Modelo Híbrido (m)


250,0 0,14

0,12
200,0
0,10
150,0
0,08

100,0 0,06

0,04
RECM (m) = 2,199
50,0 ERM (%) = 1,784 RECM (m) = 0,00133
0,02 ERM (%) = 1,400

0,0 0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)

(a) (b)
Figura 3.9.- Regresión lineal de los resultados obtenidos con los modelos Híbrido y SRFR en
condiciones de régimen transitorio. (a) Distancia de avance. (b) Calado del flujo superficial
al inicio del campo.

Los histogramas de los residuos de las simulaciones fueron simétricos y centrados en el valor
de cero (Fig. 3.10). Los valores extremos de los residuos no superaron los 7,2 m en la
predicciones de las distancias de avance y los 5 mm en los calados, valores muy similares a
los registrados en las simulaciones de régimen permanente. La convergencia de los cálculos
se alcanzó en 3,87 iteraciones como valor medio de los 27000 casos evaluados. Estos
resultados reflejan una vez más el alto grado de precisión, exactitud y funcionalidad del
modelo Híbrido en condiciones de régimen transitorio.

2400 6000
2200 5500

2000 5000

1800 4500

1600 4000
Frecuencia
Frecuencia

1400 3500

1200 3000

1000 2500

800 2000

600 1500

400 1000

200 500

0 0
-7,2 -6,4 -5,6 -4,8 -4 -3,2 -2,4 -1,6 -0,8 0 0,8 1,6 2,4 3,2 4 4,8 5,6 6,4 7,2 -0,005 -0,004 -0,003 -0,002 -0,001 0,000 0,001 0,002 0,003 0,004 0,005
Residuos Distancia de Avance (m) Residuos Calado (m)

(a) (b)
Figura 3.10.- Histogramas de los residuos obtenidos con los resultados de los modelos
Híbrido y SRFR en condiciones de régimen transitorio. (a) Residuos de la distancia de
avance. (b) Residuos del calado del flujo superficial al inicio del campo.

53
III.- Resultados y Discusión

La variación temporal del caudal de riego ejerce un impacto muy significativo sobre la fase de
avance del riego por superficie (Renault y Wallender, 1996). El caudal de riego influye sobre
el volumen de agua que se almacena en la superficie del suelo y por tanto, determina en buena
medida la velocidad de avance del frente de agua. Gillies et al. (2007) intentaron considerar el
efecto de la fluctuación temporal del caudal de riego mediante una simple interpolación lineal
del hidrógrafo para calcular el volumen de agua aplicado en cada instante de tiempo. Estos
autores asumieron que el volumen de agua temporalmente almacenado sobre el suelo fluctuó
en la misma proporción que el caudal de riego. Como consecuencia de estas simplificaciones,
el modelo propuesto por Gillies et al. (2007) solo fue capaz de asimilar correctamente las
fluctuaciones muy graduales del caudal de riego.

4 8

SRFR 1,20
SRFR 2,50

7
Híbrido con Corrección de Q 1,00
Híbrido con Corrección de Q 2,00

3
Híbrido Sin Corrección de Q 0,80
Híbrido Sin Corrección de Q
Caudal (L/s)

6 1,50

Caudal (L/s)
Velocidad de Avance (m/min)

Velocidad de Avance (m/min)

0,60

1,00
0,40

2 0,20
5
0,50

0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0
Tiempo (min) 4 0,00
0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0
Tiempo (min)
1
3

0 2
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0
1
-1
0
0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0
-2 -1
Tiempo (min) Tiempo (min)

Figura 3.11.- Variaciones de la velocidad de avance considerando que el volumen superficial


fluctúa en igual proporción al caudal de riego (Sin corrección de Q) y corrigiendo el efecto
transitorio con los caudales equivalentes (Corrección de Q).

En la Fig. 3.11 se muestran dos ejemplos de la aproximación descrita por Gillies et al. (2007).
Se han representado las curvas de velocidad de avance porque permiten visualizar mejor el
impacto del cambio de caudal sobre la fase de avance del riego por superficie. En la Fig. 3.11
se muestran las variaciones de la velocidad de avance considerando que el volumen
superficial fluctúa en igual proporción al caudal de riego (Sin corrección de Q), tal como
propusieron Gillies et al. (2207). También se representa la curva de velocidad de avance
obtenida al corregir el efecto transitorio con los caudales equivalentes (Con corrección de Q),
tal como lo hace el modelo Híbrido desarrollado en este trabajo. Ambos resultados se
comparan con las salidas del modelo SRFR.

54
Modelización de la Fase de Avance del Riego por Superficie

Resulta evidente que los resultados sin corrección de Q son incorrectos. El incremento
repentino del caudal de riego indujo una velocidad de avance negativa, que representa un
retroceso del frente de agua, cuando el efecto correcto fue completamente opuesto. Al asumir
que el área del flujo superficial es proporcional al caudal de riego, un incremento repentino de
éste provoca una sobreestimación importante en el volumen del flujo superficial y
consecuentemente, se subestiman la distancia y la velocidad de avance del frente. Sin
embargo, el modelo Híbrido fue capaz de atenuar los cambios bruscos de caudales (mediante
los caudales equivalentes) antes de calcular el área y el volumen del flujo superficial,
consiguiendo resultados muy similares a los obtenidos por el modelo SRFR.

Finalmente, en la Fig. 3.12 se muestran diez ejemplos de simulaciones numéricas de la fase de


avance del riego por superficie en condiciones de régimen transitorio. A modo de
comparación, se han representado los resultados obtenidos por los modelos SRFR e Híbrido.
Para cada ejemplo se muestra la curva de avance, la evolución temporal del calado al inicio
del campo y los hidrógrafos de los caudales instantáneo, medio y equivalentes. Los casos
elegidos representan diferentes combinaciones de caudales de riego y parámetros del sistema,
comprendiendo pendientes suaves, medias y fuertes, geometrías del flujo superficial
triangulares, parabólicas y rectangulares, suelos de textura ligera, media y pesada y
variaciones graduales y repentinas del caudal de riego. Pese a la variedad y complejidad de las
situaciones expuestas, la coincidencia entre los resultados obtenidos por ambos modelos fue
excelente para todos los casos analizados.

55
III.- Resultados y Discusión

Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
350,0 0,090 1,6

0,080 1,4
300,0
0,070
1,2
Distancia de Avance (m)

250,0
0,060
1,0

Caudal (L/s)
Calado (m)
200,0 0,050
0,8
150,0 0,040
0,6
0,030
100,0
0,4
0,020 p1 = 0,237 p2 = 2,667
50,0 a1 = 1,500 a2 = 2,000
0,010 n = 0,020 So = 0,001 0,2
K = 0,0114 a = 0,250
0,0 0,000 0,0
0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0 160,0 0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0 160,0 0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0 160,0
Tiempo (min) Tiempo (min) Tiempo (min)

(a) (b) (c)


Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
350,0 0,120 2,0

1,8
300,0
0,100
1,6
Distancia de Avance (m)

250,0 1,4
0,080

Caudal (L/s)
1,2
Calado (m)

200,0
0,060 1,0
150,0
0,8
0,040
100,0 0,6

p1 = 0,237 p2 = 2,667 0,4


50,0 0,020 a1 = 1,500 a2 = 2,000
n = 0,050 So = 0,0005 0,2
K = 0,0114 a = 0,250
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0
Tiempo (min) Tiempo (min) Tiempo (min)

Figura 3.12.- Ejemplos de simulaciones numéricas de la fase de avance con los modelos SRFR e Híbrido en condiciones de variación temporal
del caudal de riego. (a) Curvas de avance. (b) Evolución temporal del calado al inicio del campo. (c) Hidrógrafos de los caudales instantáneo,
medio y equivalentes.

56
Modelización de la Fase de Avance del Riego por Superficie

Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
350,0 0,060 1,8

1,6
300,0
0,050
1,4
Distancia de Avance (m)

250,0
0,040 1,2

Caudal (L/s)
Calado (m)
200,0 1,0
0,030
150,0 0,8

0,020 0,6
100,0

p1 = 0,635 p2 = 3,021 0,4


50,0 0,010 a1 = 0,500 a2 = 1,000
n = 0,020 So = 0,00001 0,2
K = 0,00567 a = 0,415
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0
Tiempo (min) Tiempo (min) Tiempo (min)

(a) (b) (c)


Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
350,0 0,120 1,8

1,6
300,0
0,100
1,4
Distancia de Avance (m)

250,0
0,080 1,2

Caudal (L/s)
Calado (m)

200,0 1,0
0,060
150,0 0,8

0,040 0,6
100,0

p1 = 0,237 p2 = 2,667 0,4


50,0 0,020 a1 = 1,500 a2 = 2,000
n = 0,030 So = 0,0007 0,2
K = 0,00567 a = 0,415
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 0,0 50,0 100,0 150,0 200,0 250,0 0,0 50,0 100,0 150,0 200,0 250,0
Tiempo (min) Tiempo (min) Tiempo (min)

Figura 3.12.- Continuación...

57
III.- Resultados y Discusión

Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
250,0 0,035 1,6

0,030 1,4
200,0
1,2
Distancia de Avance (m)

0,025

1,0

Caudal (L/s)
150,0

Calado (m)
0,020
0,8
0,015
100,0
0,6

0,010
0,4
50,0 p1 = 1,297 p2 = 3,211
a1 = 0,500 a2 = 1,000
0,005 0,2
n = 0,025 So = 0,0006
K = 0,00497 a = 0,543
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0
Tiempo (min) Tiempo (min) Tiempo (min)

(a) (b) (c)


Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
300,0 0,018 1,6

0,016 1,4
250,0
0,014
1,2
Distancia de Avance (m)

200,0 0,012
1,0

Caudal (L/s)
Calado (m)

0,010
150,0 0,8
0,008
0,6
100,0 0,006

0,4
0,004 p1 = 1,777 p2 = 3,278
50,0 a1 = 0,500 a2 = 1,000
0,002 n = 0,025 So = 0,005 0,2
K = 0,00497 a = 0,543
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0
Tiempo (min) Tiempo (min) Tiempo (min)

Figura 3.12.- Continuación...

58
Modelización de la Fase de Avance del Riego por Superficie

Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
250,0 0,050 2,5

0,045

200,0 0,040 2,0


Distancia de Avance (m)

0,035

Caudal (L/s)
150,0 0,030 1,5

Calado (m)
0,025

100,0 0,020 1,0

0,015

50,0 0,010 p1 = 0,683 p2 = 2,919 0,5


a1 = 0,413 a2 = 1,168
0,005 n = 0,015 So = 0,0007
K = 0,00583 a = 0,648
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 500,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 500,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 500,0
Tiempo (min) Tiempo (min) Tiempo (min)

(a) (b) (c)


Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
250,0 0,030 2,5

0,025
200,0 2,0
Distancia de Avance (m)

0,020

Caudal (L/s)
150,0 1,5
Calado (m)

0,015

100,0 1,0
0,010

50,0 p1 = 1,883 p2 = 3,117 0,5


0,005 a1 = 0,289 a2 = 1,069
n = 0,015 So = 0,005
K = 0,00583 a = 0,648
0,0 0,000 0,0
0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0
Tiempo (min) Tiempo (min) Tiempo (min)

Figura 3.12.- Continuación...

59
III.- Resultados y Discusión

Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
120,0 0,070 3,5

0,060 3,0
100,0
Distancia de Avance (m)

0,050 2,5
80,0

Caudal (L/s)
Calado (m)
0,040 2,0
60,0
0,030 1,5

40,0
0,020 1,0
p1 = 0,553 p2 = 2,977
20,0 a1 = 0,500 a2 = 1,000
0,010 0,5
n = 0,050 So = 0,0003
K = 0,00878 a = 0,756
0,0 0,000 0,0
0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0
Tiempo (min) Tiempo (min) Tiempo (min)

(a) (b) (c)


Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
120,0 0,140 3,0

0,120
100,0 2,5
Distancia de Avance (m)

0,100
80,0 2,0

Caudal (L/s)
Calado (m)

0,080
60,0 1,5
0,060

40,0 1,0
0,040
p1 = 0,2371 p2 = 2,667
20,0 a1 = 1,500 a2 = 2,000 0,5
0,020
n = 0,045 So = 0,0006
K = 0,00878 a = 0,756
0,0 0,000 0,0
0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0
Tiempo (min) Tiempo (min) Tiempo (min)

Figura 3.12.- Continuación...

60
Modelización de la Fase de Avance del Riego por Superficie

3.5.- Resultados de los Análisis de Sensibilidad

Para concluir la evaluación del modelo Híbrido se presenta a continuación los resultados de
los análisis de sensibilidad realizados. El procedimiento utilizado para identificar la
sensibilidad de los modelos fue el análisis de regresión lineal múltiple, tal como se detalla en
el apartado 2.5. Para que este procedimiento sea suficientemente robusto como indicador de la
sensibilidad de un modelo es necesario que la ecuación de regresión obtenida sea capaz de
explicar buena parte de la varianza de la variable dependiente analizada (Helton et al., 2006).
Los modelos de regresión obtenidos en este trabajo fueron capaces de explicar el 63% de la
varianza de la distancia de avance y cerca del 90% de la varianza del calado, valores
suficientemente elevados como para dar por válidos estos análisis.

Sensibilidad de la Distancia de Avance SRFR Sensibilidad de la Distancia de Avance Híbrido

Q Q

a a

K K

a2 a2
Parámetro

Parámetro

a1 a1

p2 p2

So So

p1 95% Intervalo de Confianza p1 95% Intervalo de Confianza

n n

-0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8

Coeficiente de Regresión Estandarizado Coeficiente de Regresión Estandarizado

(a)
Sensibilidad del Calado SRFR Sensibilidad del Calado Híbrido

a2 a2

a1 a1

Q Q

n n
Parámetro

Parámetro

So So

a a

K K

p2 95% Intervalo de Confianza p2 95% Intervalo de Confianza

p1 p1

-0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4

Coeficiente de Regresión Estandarizado Coeficiente de Regresión Estandarizado

(b)
Figura 3.13.- Resultados de los análisis de sensibilidad de los modelos SRFR (figuras
ubicadas a la izquierda) e Híbrido (figuras ubicadas a la derecha). (a) Sensibilidad de la
distancia de avance. (b) Sensibilidad del calado al inicio del campo.

61
III.- Resultados y Discusión

En la Fig. 3.13 se muestran los gráficos de tornados obtenidos de los análisis de sensibilidad.
En el eje de las abscisas se representaron los coeficientes de regresión estandarizados y sus
intervalos de confianza, mientras que en el eje de las ordenadas se ubicaron las variables
independientes por orden de importancia. Así, el parámetro ubicado en la cima del tornado
fue el que mayor influencia ejerció sobre la variable dependiente analizada.

La simulación numérica de la distancia de avance fue altamente sensible al caudal de riego y a


los parámetros de infiltración (Q, K y a), moderadamente sensible a los parámetros
geométricos e hidráulicos del flujo superficial (a1, a2 y p2) y poco sensible a la pendiente
longitudinal y a la rugosidad del campo (So, y n). Por su parte, la simulación del calado fue
altamente sensible a los parámetros geométricos del flujo superficial y al caudal de riego,
moderadamente sensible a la rugosidad y la pendiente del campo y poco sensible a los
parámetros hidráulicos y de infiltración. Puede apreciarse que la distancia de avance y el
calado fueron muy sensibles al caudal de riego, de ahí la importancia que reviste considerar
sus fluctuaciones temporales en la simulación numérica de estos procesos.

La comparación de los resultados obtenidos por los análisis de sensibilidad es otro buen
indicador de la precisión de un modelo. En la Fig. 3.13 se puede observar que tanto el orden
de importancia de las variables independientes analizadas como los coeficientes
estandarizados obtenidos en ambos modelos coincidieron marcadamente. Esto sugiere que las
simplificaciones introducidas para formular el modelo Híbrido no afectaron su nivel de
sensibilidad frente a los principales parámetros que dominan el sistema, y por tanto, el modelo
fue capaz de predecir los procesos consistentemente con un alto nivel de precisión.

Zerihun et al. (1996) encontraron que los índices de idoneidad del riego por superficie
(Eficiencia de aplicación y uniformidad) también fueron muy sensibles al caudal de riego y a
los parámetros de infiltración del agua en el suelo. Los índices de idoneidad dependen del
comportamiento de todas las fases del riego por superficie, por lo que se puede deducir que el
caudal de riego y la infiltración no solo son importantes en la simulación numérica de la fase
de avance, sino también en el modelado de las fases de almacenamiento, agotamiento y
recesión (Rocha et al. 2006).

62
IV.- Conclusiones

IV.- CONCLUSIONES

1. La integración de un modelo convencional de balance de volumen con redes neuronales


artificiales conformaron el modelo Híbrido propuesto en este trabajo. Las redes
neuronales se encargaron de simular los procesos difíciles de asumir por los modelos
convencionales de balance de volumen sin necesidad de renunciar a la facilidad y agilidad
de los cálculos que brindan estas soluciones simplificadas.

2. Las redes neuronales artificiales diseñadas fueron capaces de simular la evolución


temporal del calado y el volumen del flujo superficial durante la fase de avance del riego
por superficie con un elevado nivel de precisión y exactitud.

3. Las redes neuronales artificiales permitieron asimilar correctamente el impacto de las


variaciones graduales y repentinas del caudal de riego sobre el comportamiento de la fase
de avance del riego por superficie.

4. La simple transformación de las principales variables que dominan los sistemas de riego
por superficie en notación adimensional permitió que las redes neuronales diseñadas
adquirieran excelentes capacidades de generalización.

5. El modelo Híbrido fue capaz de predecir la distancia de avance y el calado del flujo
superficial con una precisión similar a la alcanzada con un modelo numérico de inercia
nula, tanto en condiciones de régimen permanente como transitorio. La solución del
modelo Híbrido es explícita, no necesita discretizar los dominios temporal y espacial para
resolver las ecuaciones que gobiernan el sistema y logra una rápida convergencia de los
cálculos.

6. Las simplificaciones introducidas para formular el modelo Híbrido no afectaron su nivel


de sensibilidad frente a los principales parámetros que dominan los sistemas de riego por
superficie. Las simulaciones numéricas de la distancia de avance y el calado del flujo
superficial fueron altamente sensibles al caudal de riego y a los parámetros de infiltración
del suelo.

64
Modelización de la Fase de Avance del Riego por Superficie

Finalmente, se debe mencionar que el modelo híbrido desarrollado en este trabajo ha sido
utilizado con excelentes resultados en una herramienta informática para la modelización
inversa multi-objetivo del riego por superficie con vista a identificar los parámetros de
infiltración y resistencia hidráulica del suelo. Este proyecto forma parte de la continuidad de
trabajos de tesis de doctorado que está llevando el autor. Los detalles de este proyecto pueden
consultarse en: http://www.siparid.110mb.com/.

65
V.- Referencias Bibliográficas

V.- REFERENCIAS BIBLIOGRÁFICAS

Al-Azba, A.A. 1999. Explicit volume balance model solution. Journal of Irrigation and
Drainage Engineering, ASCE, 125(5): 273-279.

Al-Azba, A.A. y Strelkoff, T. 1994. Correct form of Hall technique for border irrigation
advance. Journal of Irrigation and Drainage Engineering, ASCE, 20(2): 292-307.

Allen, R., Willardson, L.S., Burt, C. y Clemmens, A.J. 2003. Water conservation questions
and definitions from a hydrologic perspective. 24th Annual International Irrigation
Show, San Diego, CA Nov.18-20: 159-170.

Bassett, D.L., Frangmeier, D.D. y Strelkoff, T. 1980. Hydraulics of surface irrigation systems.
En: Design and operation of farm irrigation systems. ASAE Monograph No.3, St.
Joseph, Michigan, 829 pp.

Bautista, E., Schlegel, J.L., Strelkoff, T., Clemmens, A.J. y Strand, R.J. 2006. An integrated
software package for simulation, design, and evaluation of surface irrigation systems.
Proceedings of the World Water and Environmental Resources Congress, 10 pp.

Berbel, J., Morris, J., Boymanns, D., Bazzani, G., Gallerani, V., Viaggi, D., Twite, C.,
Weatherhead, K. y Vasileiou, K. 2003. Future of institutional framework related with
irrigated system in Europe: Combination of agricultural and water policies scenarios.
WADI Project. Deliverable D5. 39 pp.

Bishop, M. 1995. Neural Networks for Pattern Recognition. Oxford University Press.

Bos, M.G. y Nugteren, J. 1990. On irrigation efficiencies. Publication 19. International


Institute for Land Reclamation and Improvement. Wageningen, The Netherlands.
ISBN 9070260875.

Brown, M.B. y Forsythe, A.B. 1974. Robust Tests for Equality of Variances. Journal of the
American Statistical Association, 69: 364-367.

67
Modelización de la Fase de Avance del Riego por Superficie

Burt, C. 2002. Rapid appraisal process and benchmarking explanations and tools. Irrigation
and Training Research Center. California Polytechnic State University, San Luis
Obispo, CA.

Burt, C.M. y Styles, S.W. 1999. Modern water control and management practices in
Irrigation: Impact on performance. Prepared for the World Bank Research Committee
by the International Program for Technology Research in Irrigation and Drainage
(IPTRID). Irrigation Training and Research Center (ITRC). Cal Poly State Univ. San
Luis Obispo. http://www.itrc.org/reports/contents/html.

CAP. 2003. Guía práctica para estudios de modernización de zonas de riego. Empresa
Pública Desarrollo Agrario y Pesquero. Subdirección de Innovación y Desarrollo.
Consejería de Agricultura y Pesca. Junta de Andalucía. Sevilla.

CAP. 2004. Inventario y caracterización de los regadíos de Andalucía. Actualización 2002.


Consejería de Agricultura y Pesca. Junta de Andalucía. ISBN: 84-8474-117-6.

CEDEX. 2004. Curso de modernización de regadíos. Unidad 4. Evaluación de proyectos.


Ministerio de Fomento. Madrid. 61 pp.

Chow, V.T. 1959. Open channel hydraulics. McGraw-Hill Book Company, New York, 431
pp.

Clemmens, A.J. 1998. Achieving high irrigation efficiency with modern surface irrigation. IA
Expo Technical Conference, 1-3 November: 161-168.

Clemmens, A.J. y Allen, R.G. 2005. Impact of agricultural water conservation on water
availability. USDA ARS Water Conservation Laboratory, Phoenix, Arizona.

Clemmens, A.J., Eisenhauer, D.E. y Maheshwari, B.L. 2001. Infiltration and roughness
equations for surface irrigation: How form influences estimation. ASAE Annual
International Meeting. Sacramento Convention Center. Sacramento, California, USA.
July 30-August 1.

68
V.- Referencias Bibliográficas

Dibike, Y.B. 2002. Developing generic hydrodynamic models using artificial neural
networks. Journal of Hydraulic Research, 40(2): 183-190.

Elliot, R.L. y Walker, W.R. 1982. Field evaluation of furrow infiltration and advance
functions. Transactions of ASAE, 15(2): 369-400.

Esfandiari, M. y Maheshwari, B.L. 1997. Application of the optimization method for


estimating infiltration characteristics in furrow irrigation and its comparison with other
methods. Agricultural Water Management, 34: 169-185.

Esfandiari, M. y Maheshwari, B.L. 2001. Field Evaluation of Furrow Irrigation Models.


Journal of Agricultural Engineering Resources, 79 (4): 459-479.

Farrell, D.A. 1963. Analysis of border irrigation. Transactions Fifth Congress, International
Comission on Irrigation and Drainage, 4(6): 1657-1681.

Fok, Y.S. y Bishop, A.A. 1965. Analysis of water advance in surface irrigation. Journal of
Irrigation and Drainage Division, ASCE, 91(1): 99-117.

Gevrey, M., Dimopoulos, I. y Lek, S. 2003. Review and comparison of methods to study the
contribution of variables in artificial neural network models. Ecological Modeling,
160: 249-264.

Gharbi A., Daghari, H. y Cherif, K. 1993. Effect of flow fluctuations on free draining, sloping
furrow and border irrigation systems. Agricultural Water Management, 24(4): 299–
319.

Gillies, M.H. y Smith, R.J. 2005. Infiltration parameters from surface irrigation advance and
run-off data. Irrigation Science, 24(1): 25–35.

Gillies, M.H., Smith, R.J. y Raine, S.R. 2007. Accounting for temporal inflow variation in the
inverse solution for infiltration in surface irrigation. Irrigation Science, 25(2): 87-97.

69
Modelización de la Fase de Avance del Riego por Superficie

Hagan, M.T., Menhaj, M.B., 1994. Training feedforward networks with the Marquardt
algorithm. IEEE Trans. Neural Net. 5: 989-993.

Hanson, B., Bowers, W., Davidoff, B., Kasapligil, D., Carvajal, A. y Bendixen, W. 1995.
Field performance of microirrigation systems. In: Microirrigation for a changing
world, Proc. of the Fifth International Microirrigation Congress, ASAE. April 2-6,
Orlando, Florida.: 769-774.

Hart, W.E., Basset, D.L. y Strelkoff, T. 1968. Surface irrigation hydraulics-kinematics.


Journal of Irrigation and Drainage Division, ASCE, 94(4): 419-440.

Helton, J.C., Johnson, J.D., Sallaberry, J.C y Storlie, C.B. 2006. Survey of sampling-based
methods for uncertainty and sensitivity analysis. Reliability Engineering and System
Safety, 91: 1175–1209.

Holzapfel, E.A., Jara, J., Zúñiga, C., Mariño, M.A., Paredes, J. y Billib, M. 2004. Infiltration
parameters for furrow irrigation. Agricultural Water Management, 68: 19-32.

Jurriens, J., Zerihun, D., Boonstra, J. y Feyen, J. 2001. SURDEV: Surface irrigation software.
Design, operation and evaluation of basin, border and furrow irrigation. ILRI
Publication 59. International Institute for Land Reclamation and Improvement,
Wageningen, The Netherlands, 194 pp.

Katopodes, N.D. y Strelkoff, T. 1977. Dimensionless solutions of border-irrigation advance.


Journal of Irrigation and Drainage Engineering, ASCE, 103(4): 401-417.

Kennedy, D.N. 1994. California water plan update. California Department of Water
Resources, Sacramento, CA. Vol 1, Bullentin 160-95. 166 pp.

Kiefer, F.W. 1959. Average depth of absorbed water in surface irrigation. Mimeograph, Civil
Eng. Dept. Utah State University, Logan, Utah.

Kleijnen, J.P., Bettonvil, B., y Van Groenendall, W. 1998. Validation of trace-driven


simulation models: a novel regression test. Management Science, 44: 812–819.

70
V.- Referencias Bibliográficas

Kolmogoroff, A.N. 1933. Sulla determinazione empirica di una legge di distribuzione.


Giornale dell’Istituto Italiano degli Attuari, 4: 83–91.

Kostiakov, A.N. 1932. On the dynamics of coefficient of water-percolation in soils and the
necessity of studying it from a dynamic point of view for purposes of amelioration.
Trans. Com. Int. Soc. Soil Sci. 6th, Moscú, Part A: 267-272.

Krinner, W. 1995. Influencia de los aspectos de organización y gestión en la eficiencia de los


sistemas de riego. Centro de Estudios Hidrográficos. CEDEX. Gabinete de Formación
y Documentación, Madrid, 240 pp.

López, M. J. y Berbel, J. 2002. Análisis multicriterio del cambio de tecnología de riego en una
comunidad de regantes. III Congreso ibérico sobre gestión y planificación de aguas:
La Directiva Marco del agua: Realidades y futuros. Sevilla 13-17 de Noviembre.

Lopez–Sabater, C.J., Renard, K.G. y Lopes, V.L. 2002. Neural–network–based algorithms of


hydraulic roughness for overland flow. Transactions of the ASAE, 45(3): 661–667.

Losada, A. 2006. Una encrucijada de cambios ante el regadío en España. Agricultura


Familiar en España: 92-97.

Luján, J. 1992. Eficiencia del riego. Centro de Estudios Hidrográficos. CEDEX. Gabinete de
Formación y Documentación, Madrid, 110 pp.

Luquet, D., Vidal, A., Smith, M. y Dauzat, J. 2005. ‘More crop per drop’: how to make it
acceptable for farmers?. Agricultural Water Management, 76: 108–119.

Mailhol, J.C., Ruelle, E.P. y Popova, E.Z. 2005. Simulation of furrow irrigation practices
(SOFIP): a field-scale modeling of water management and crop yield for furrow
irrigation. Irrigation Science, 24(1): 37-48.

71
Modelización de la Fase de Avance del Riego por Superficie

MAPA. 2006. Encuesta sobre superficies y rendimientos de cultivos. Secretaría General


Técnica. Subdirección General de Estadísticas Agroalimentarias. Ministerio de
Agricultura, Pesca y Alimentación, Madrid.

Mann, H. B. y Whitney, D. R. 1947. On a test of whether one of two random variables is


stochastically larger than the other. Annals of Mathematical Statistics, 18: 50-60.

Martin, E.B. y Morris, A.J. 1999. Artificial neural networks and multivariate statistics. In
Statistics and Neural Networks: Advances at the Interface, 195–257. J. W. Kay and D.
M. Titterington, eds. Oxford, U.K.: Oxford University Press.

Merriam, J.L. y Freeman, B.J. 2002. Irrigation water supplies to not inhibit improved water
management. 18th International Congress on Irrigation and Drainage. International
Commission on Irrigation and Drainage (ICID). Montreal, Canada 21–28 July.

Merkley, G.P. 2003. Irrigation engineering fundamentals. Biological and Irrigation


Engineering Department, Utah State University. BIE 5010/6010. 258 pp.

Ozesmi, S.L., Tan, C.O. y Ozesmi, U. 2006. Methodological issues in building, training, and
testing artificial neural networks in ecological applications. Ecological Modeling, 195:
83-93.

Playán, E. y Castillo, R. 2001. Modernización de regadíos en Aragón: más vueltas sobre el


tema. En: XIX Congreso Nacional de Riegos. Asociación Española de Riegos y
Drenajes. Zaragoza: 374-381.

Playán, E., Faci, J.M. y Castillo, R. 1998. Consideraciones sobre la modernización de los
regadíos del valle medio del Ebro: Aspectos estructurales. En: XVI Congreso Nacional
de Riegos, Palma de Mallorca: 374-381.

Playán, E., Walker, W. y Merkley, G.P. 1994. Two-dimensional simulation of basin


irrigation. I: Theory. Journal of Irrigation and Drainage Engineering, ASCE, 120(5):
837-856.

72
V.- Referencias Bibliográficas

Plusquellec, H. 2002. How design, management and policy affect the performance of
irrigation projects. Emerging modernization procedures and design standards. FAO,
Bangkok, Thailand. 156 pp.

Renault, D. y Wallender, W.W. 1992. ALIVE (Advance Linear Velocity): Surface irrigation
rate balance theory. Journal of Irrigation and Drainage Engineering, ASCE, 118(1):
138-154.

Renault, D. y Wallender, W.W. 1996. Initial-inflow variation impacts on furrow irrigation


evaluation. Journal of Irrigation and Drainage Engineering, ASCE, 122(1): 7-14.

Rocha, D., Abbasi, F. y Feyen, J. 2006. Sensitivity analysis of soil hydraulic properties on
subsurface water flow in furrows. Journal of Irrigation and Drainage Engineering,
ASCE, 132(4): 418-424.

Rodríguez, J.A. 1996. Caracterización del proceso de infiltración en el riego por surcos con
flujo continuo. Desarrollo teórico. Tesis presentada en cumplimiento al grado de
Master en Riego y Drenaje. Universidad Agrícola de la Habana. C. Habana, 114pp.

Rodríguez, J.A., Martos, J.C., Molina, F. y Oyonarte, N. 2005. Nueva metodología para
estimar las eficiencias de riego en el ámbito de la Confederación Hidrográfica del
Guadalquivir. Convenio de colaboración entre la Sociedad Estatal Aguas de la
Cuenca del Guadalquivir y la Empresa Pública Desarrollo Agrario y Pesquero.
Informe Final. Sevilla. 120 pp.

Saint-Venant, A.J.C. 1871. Théorie du mouvement non permanent des eaux, avec application
aux des rivières et a l'introduction des marées dans eut lits. Comptes rendus des
séances de l'Académies Sciences, 73: 147-154.

Scaloppi, E.J., Merkley, G.P. y Willardson, L.S. 1995. Intake parameters from advance and
wetting phases of surface irrigation. Journal of Irrigation Drainage Engineering,
ASCE, 121(1): 57–70.

73
Modelización de la Fase de Avance del Riego por Superficie

Skaggs, R.K. y Samani, Z. 2005. Farm size, irrigation practice and on-farm irrigation
efficiency. Irrigation and Drainage, 54: 43-57.

Smerdon, E.T., Blair, A.W. y Reddell, D.L. 1988. Infiltration from irrigation advance data. I:
Theory. Journal of Irrigation and Drainage Engineering, ASCE, 114(1):4-17.

Smirnov, N. 1933. Estimate of deviation between empirical distribution functions in two


independent samples. Moscow University Mathematics Bulletin, 2: 3–16.

Smith, M. 1993. Neural networks for statistical modeling. Van Nostrand Reinhold, New York.

Sridhar, D.V., Seagrave, R.C. y Barlett, E.B. 1996. Process modeling using stacked neural
networks. Artificial Intelligence Journal, 42(9): 2529–2539.

Strelkoff, T. 1969. One dimensional equations of open channel flow. Hydraulic Division
Journal, ASCE, 96(1): 223-252.

Strelkoff, T. y Clemmens, A.J. 1994. Dimensional analysis in surface irrigation. Irrigation


Science, 15 (2-3): 57-82.

Strelkoff, T., Clemmens, A.J. y Bautista, E. 2000. Field parameter estimation for surface
irrigation management and design. In Watershed Management 2000 Science and
Engineering Technology for the New Millennium, M. Flug and D. Frever (eds.), ASCE
(Conf. Fort Collins, CO), Reston, VI, 10 pp.

Strelkoff, T.S., Clemmens, A.J. y Schmidt, B.V. 1999. SRFR v.4.06. Computer program for
simulating flow in surface irrigation: furrows-basin-border. U.S. Water Conservation
Lab. USDA-ARD, Phoenix, Arizona.

Strelkoff, T. y Katopodes, N.D. 1977. Border irrigation hydraulics with zero-inertia. Journal
of Irrigation and Drainage Division, ASCE, 103(3): 325-342

Styles, S.W. y Mariño, M.A. 2002. Water delivery service as a determinant of irrigation
project performance. 18th ICID Congress. Montreal, Canada.

74
V.- Referencias Bibliográficas

Tedeschi, L.O. 2006. Assessment of the adequacy of mathematical models. Agricultural


Systems, 89: 225–247.

Trewin, D. 2006. Water use on Australian farms. 2004-2005. Australian Bureau of Statistics.
32 pp.

USDA. 2004. Census of agriculture farm and ranch irrigation survey (2003). National
Agricultural Statistics Service (NASS), Agricultural Statistics Board.

Valiantzas, J.D. 1997a. Surface irrigation advance equation: Variation of subsurface shape
factor. Journal of Irrigation and Drainage Engineering, ASCE, 123(4): 300-306.

Valiantzas, J.D. 1997b. Volume balance irrigation advance equation: Variation of surface
shape factor. Journal of Irrigation and Drainage Engineering, ASCE, 123(4): 307-
312.

Valiantzas, J.D. 1999. Explicit time of advance formula for furrow design. Journal of
Irrigation and Drainage Engineering, ASCE, 125(1): 19-25.

Valiantzas, J.D. 2001. Optimal furrow design. I: Time of advance equation. Journal of
Irrigation and Drainage Engineering, ASCE, 127(4): 201-208.

Valiantzas, J.D., Aggelides, S. y Sassalou, A. 2001. Furrow infiltration estimation from time
to a single advance point. Agricultural Water Management, 52: 17-32.

Walker, W.R. 1989. Guidelines for designing and evaluating surface irrigation system. FAO
Irrigation and Drainage Paper No. 45, Rome, 137 pp.

Walker, W.R. 1998. SIRMOD – Surface Irrigation Modeling Software. Utah State University.

Walker W.R. y Kasilingam, B. 2004. Correcting the volume balance equation for shape
factors during advance. World Water and Environmental Resources Congress. Gerald
Sehlke, Donald F. Hayes, David K. Stevens – Editors. Salt Lake City, Utah, USA.

75
Modelización de la Fase de Avance del Riego por Superficie

Walker, W.R. y Skogerboe, G.V. 1987. Surface irrigation: Theory and Practice. Prentice-
Hall, Englewood Cliffs, New Jersey, 386 pp.

Wilcoxon, F. 1945. Individual comparisons by ranking methods. Biometrics Bulletin, 1: 80-


83.

Wilke, O.C. y Smerdon, E.T. 1965. A solution to the irrigation advance problem. Journal of
Irrigation and Drainage Division, ASCE, 91(3): 23-34.

Wolff, P. y Stein, T.M. 1999. Efficient and economic use of water in agriculture: Possibilities
and limits. Natural Resources and Development, Vol. 49/50: 151-159. ISSN 0340-
2797.

Wolpert, D.H. 1996a. The lack of a priori distinctions between learning algorithms. Neural
Computation, 8: 1341-1390.

Wolpert, D.H. 1996b. The existence of a priori distinctions between learning algorithms.
Neural Computation, 8: 1391-1420.

Wolters, W. 1992. Influence on the efficiency of irrigation water use. Publication 51.
International Institute for Land Reclamation and Improvement. Wageningen, The
Netherlands. ISBN 9070754290.

Zerihun, D., Feyen, J. y Reddy, J.M. 1996. Sensitivity analysis of furrow irrigation
performance parameters. Journal of Irrigation and Drain Engineering, ASCE, 122(1):
49-57.

76
Anexo I.- Actividades Realizadas en el Período Docente

ANEXO I.- ACTIVIDADES REALIZADAS EN EL PERÍODO DOCENTE

La actividad formativa desarrollada durante el Período de Docencia del Programa de


Doctorado “Sistemas de Producción Integrada en la Agricultura y la Ganadería”, comprendió
la realización de seis cursos teórico-prácticos, que se describen a continuación:

Diseño de Experimentos en la Agricultura

Este curso abordó los siguientes aspectos fundamentales:


• Planificación del diseño experimental
• Toma adecuada de datos para evitar pérdidas de información
• Minimización del error experimental

El curso se desarrolló en dos fases: (i) repaso de conceptos básicos de estadística y base
teórica que sustentan a los principales métodos estadístico que intervienen en el diseño de los
experimentos y análisis de los resultados. (ii) Solución de casos prácticos con el apoyo de
programas informáticos.

Manejo de Información y Elaboración de Trabajos Científicos

En este curso se abordaron los siguientes tópicos:


• Manejo de fuentes primarias y secundarias de información científica en la agricultura.
• Elaboración de trabajos científicos.
• Presentación pública de trabajos científicos.

Bases de la Producción Integrada

• Estudio de los componentes de los sistemas de producción agrícola y ganadería dentro


del marco de la producción sostenible.
• Opciones de manejo de los sistemas de producción agrícola convencional, ecológica e
integrada.
• Estudio de la normativa vigente a escala europea, nacional y autonómica.

78
Modelización de la Fase de Avance del Riego por Superficie

Hortofruticultura

Curso complementario al descrito anteriormente, que se centró en los conceptos generales de


la producción hortofrutícola.
• Análisis de las prácticas agronómicas y estrategias de control integrado en la
hortofruticultura.
• Reglamentos andaluces para la regulación de la producción integrada en la horticultura
y la fruticultura.

Manejo Integrado de la Fertilidad del Suelo

• Uso eficiente de los fertilizantes enfocado a evitar la degradación de los recursos


naturales.
• Dinámica y reserva de nutrientes en el suelo y métodos de diagnóstico de las
necesidades de abonado.
• Estrategias para el manejo sostenible e integrado de los recursos hídricos.
• Técnicas de conservación de los suelos agrícolas.

Manejo Integrado de Plagas y Enfermedades

• Métodos convencionales de control de plagas y enfermedades


• Control biológico de plagas y enfermedades y mejora genética vegetal.

79