Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MTODOS NO LINEALES
Palabras claves: Caudales Mensuales, Prediccin multivariada no-lineal, Onditas, Redes Neuronales,
Modelos Estocsticos, ENOS.
Keywords: Monthly discharge, Nonlinear multivariate forecast, Wavelets, Neural Networks, Stochastic
Models, ENSO.
RESUMEN
ABSTRACT
Different nonlinear methods are evaluated from prediction of monthly average discharge of 6
important rivers for the electrical energy generation in Colombia: Alicachn, Betania, Guavio,
Nare Salvajina and San Carlos. Windows of medium forecast and long term of 3, 6 and 12
months are used. The nonlinear methods implemented was: MARS (Multivariate Adaptive
Regression Splines), Neural Networks (ANN), Multiple Linear Regression (RLM) and PREBEO
(Forecasting in Spectral Bands using Wavelets.). The last one is a novel methodology used to
harness forecasting and is based on Wavelets filtering in order to disturbing the signals in the
different frequencies bands characteristic of the temporary variability of the hydroclimatology of
Colombia. These methods include the hydrological persistence and the influence of macro-
climatic phenomena like the ENSO, QBO, NAO, etc. Performance of the methods are quantified
by means of error measurements and compared against stochastic linear univariated models
AR(p). Results are divided and analyzed into terciles of the accumulated probability distribution
and by the forecast goodness from the Mean Square Error depending on the month in which the
forecast begins and forecast window. The results indicate very important gains in nonlinear
1
forecast against traditional linear forecasting methods and bring PREBEO like the method that
produces the best forecast.
1 INTRODUCCIN
2 ASPECTOS METODOLGICOS
2
Atlntico Norte y Sur (T NAT y T SAT), y Temperatura Tropical Promedio (TROP). En el clculo
del ndice Multivariado del ENSO (Wolter, 1987) se utilizan seis variables en las cuales se
manifiesta el fenmeno ENSO (presin a nivel del mar, componentes zonales y meridionales del
viento superficial, SST, temperatura del aire en la superficie y nubosidad total). Ver
http://www.cdc.noaa.gov/~kew/MEI. El ndice de Oscilacin del Sur se calcula como la
diferencia estandarizada de presiones atmosfricas entre Tahit y Darwin (Trenberth, 1976). El
ndice para la PDO se calcula usando anlisis de componentes principales de anomalas
mensuales en la temperatura superficial del Ocano Pacfico Norte (Mantua et al., 1997). El
ndice para la NAO se calcula con base a las diferencias de presiones atmosfricas
normalizadas entre las Islas Azores e Islandia (Hurrel, 1995 y Jones et al., 1997). El ndice de la
QBO utilizado fue construido a partir de datos de viento zonal a 30 hPa (Marquardt y Naujokat,
1997). La mayora de las series se pueden obtener en
http://tao.atmos.washington.edu/data_sets/. En la Figura 2. se presentan los correlogramas
cruzados entre la serie de caudales del ro Nare y algunas de las variables macroclimticas
mencionadas.
3
correspondiente al fenmeno ENSO (MEI, MONZON y T NINO1+2). Los valores de coherencia
debajo de la malla sobre los espectros no son confiables (Torrence y Compo, 1998).
Se estimaron los espectros de coherencia entre cada una de las series de caudales y todas
las variables macroclimticas (no se muestran ac). Este es un paso necesario con el fin
detectar las variables ms significativas y sus rezagos, con el objeto de aplicar adecuadamente
las metodologas de prediccin. Los resultados del espectro de coherencia son particularmente
importantes en la prediccin en bandas espectrales usando onditas (PREBEO).
C o r r e lo g r a m a C a u d a l - M o n z o n C o r r e lo g r a m a C a u d a l- M E I
1 .0 1 .0
C o e f ic ie n te d e
C o e f ic ie n te d e
0 .5 0 .5
c o r r e la c i n
c o r r e la c i n
0 .0 0 .0
- 0 .5 - 0 .5
- 1 .0 - 1 .0
0 1 2 3 4 5 6 7 8 9 10 11 0 1 2 3 4 5 6 7 8 9 1 0 11
re z a g o re z a g o
C o r r e lo g r a m a C a u d a l - T _ N A T C o r r e lo g r a m a C a u d a l - T _ N I N O 1 + 2
1 .0 1 .0
C o e fic ie n t e d e
C o e f ic ie n t e d e
0 .5 0 .5
c o r r e l a c i n
c o r r e la c i n
0 .0 0 .0
- 0 .5 - 0 .5
- 1 .0 - 1 .0
0 1 2 3 4 5 6 7 8 9 10 11 0 1 2 3 4 5 6 7 8 9 1 0 11
re z a g o re z a g o
M EI - N A RE T SA T - N A R E
0 .2 5 0 .2 5
0 .5 0 0 .5 0
1 .0 0 1 .0 0
P e r io d o
P e r io d o
2 .0 0 2 .0 0
4 .0 0 4 .0 0
8 .0 0 8 .0 0
1 6 .0 0 1 6 .0 0
3 2 .0 0 3 2 .0 0
1960 1970 1980 1990 1960 1970 1980 1990
M O N ZO N - N A R E T N IN O 1 + 2 - N A R E
0 .2 5 0 .2 5
0 .5 0 0 .5 0
1 .0 0 1 .0 0
P e r io d o
P e r io d o
2 .0 0 2 .0 0
4 .0 0 4 .0 0
8 .0 0 8 .0 0
1 6 .0 0 1 6 .0 0
3 2 .0 0 3 2 .0 0
1960 1970 1980 1990 1960 1970 1980 1990
0 .4 0 .5 0 .6 0 .7 0 .8 0 .9
Figura 3. Espectros de coherencia entre algunas variables macroclimticas usadas como predictoras y
la serie de caudales del ro Nare. En el clculo se utiliz la ondita de Morlet, y el cono de influencia
limita las regiones no significativas de la coherencia.
4
incluida la misma serie de caudal, deben estar rezagadas un cierto nmero de meses, tanto
para calibracin como para la prediccin. De esta forma se garantiza que la variable
dependiente, en este caso el caudal de un mes t depende de las variables predictoras del mes
t-, siendo la ventana de prediccin. Para cada mes por predecir se debe hacer un rezago
diferente de las variables independientes, resultando en un intervalo de tiempo de ajuste
diferente. Despus del ajuste, se obtiene el modelo que aproxima los caudales usando las
variables predictoras disponibles. Se hacen las predicciones para el perodo de validacin en
tantos meses futuros como sea la longitud (en tiempo) del rezago original de las series. Esta
metodologa supone un comportamiento decreciente de los correlogramas entre la serie de
caudal y las series de las variables regresoras. Por tanto, de los meses predichos slo se
almacena el ltimo valor predicho. Una manera de eliminar la suposicin de correlograma
decreciente es incluir en la prediccin, rezagos de las variables predictoras. A continuacin se
describen las metodologas no-lineales y la metodologa de prediccin lineal implementada para
la comparacin.
5
mltiple). De esta manera se obtiene la prediccin para cada banda espectral. El pronstico se
obtiene sumando las predicciones hechas en todas las bandas.
3 RESULTADOS Y ANLISIS
1
n
Qreal Qpredicho 2
% RMS __
100 .
Q real
En la Figura 5 se presentan los resultados generales. Para todos los ros se compara el RMS
promedio de las predicciones hechas al iniciar la prediccin en cada uno de los meses del ao.
Se intenta mostrar la importancia del ciclo anual en la capacidad de prediccin, y para las
diferentes ventanas de prediccin utilizadas. En general las predicciones hechas para el ro
Alicachn muestran los valores ms altos del RMS y el ro Nare como el de mejor capacidad de
prediccion. Este resultado es fundamental dada la importancia del ro Nare (y su embalse
asociado de El Peol) en el sector elctrico Colombiano.
6
Figura 4. Prediccin de caudales medios mensuales empezando en Enero de 1980 para un horizonte
de 15 aos y una ventana de prediccin de 3 meses. De arriba hacia abajo se tienen las series para
los 6 ros. La convencin para la serie original y las metodologas aplicadas se observa en la parte
inferior del grfico.
7
Figura 5. RMS en el perodo de validacin para todas las series, usando ventanas de 3, 6 y 12 meses.
El anlisis de los errores obtenidos permite concluir que PREBEO exhibe los menores errores
de prediccin, para todos los ros y todas las ventanas de prediccin, siguiendo en su orden
RLM y MARS. A la luz del RMS, los mtodos ANN y AR(p) muestran los resultados ms
deficientes. En la mayora de los casos se presenta un sutil incremento del error con el aumento
de la ventana de prediccin. Para visualizar la influencia del ciclo anual en la capacidad de
prediccin, se estimo el RMS (Figura 6.). Dichos grficos tienen el mes de inicio en las abscisas
y el mes predicho en las ordenadas. El propsito de este grfico es buscar alguna evidencia
sistemtica del error a lo largo del ao. Los patrones que se observan para diferentes
metodologas no son generales, es decir, resulta difcil compararlos entre s y no posibilitan
concluir acerca de la posible existencia de una barrera de prediccin desde el punto de vista
estadstico. Sin embargo, se observa fcilmente una estacionalidad del error, en particular
mayores valores del RMS en la pocas predichas (por las ordenadas de los grficos) para los
mnimos caudales medios, tal como se observ en la climatologa del ciclo anual de la Figura 1..
Esta situacin se observa ms claramente usando AR(p).
En general PREBEO muestra nuevamente los menores valores del RMS y es el menos
influenciado por la poca en que se inician las predicciones. AR(p) muestra bsicamente la ms
baja influencia del mes de inicio para la prediccin de un mes especfico, aunque su capacidad
predictiva disminuye rpidamente en el tiempo, de acuerdo con su estructura de dependencia
estadstica.
8
Tambin se observa que Betnia y Nare son las series de caudales mensuales mas fciles de
predecir en este conjunto y Alicachn presenta los mayores errores con cualquiera de las
metodologas.
Figura 6. Porcentaje de RMS de las predicciones para el perodo de validacin y una ventana de 3
meses. Se tiene en las abcisas se tiene el mes de inicio de la prediccin y en las ordenadas el mes
predicho. De izquierda a derecha se tienen los resultados al emplear los diferentes modelos MARS,
9
PREBEO, RLM, ANN y AR(p). De arriba hacia abajo se tienen los diferentes ros. Los colores de cada
superficie de error han sido equalizados a la paleta de colores mostrada a la derecha.
Figura 7. Anlisis de terciles para una ventana de prediccin de 3 meses variando el mes de inicio de
la prediccin. En cada grfico el conjunto de barras corresponde al tercil superior (arriba), tercil medio
(centro) y tercil inferior (abajo). De izquierda a derecha se tienen los resultados de terciles al emplear
los diferentes modelos MARS, PREBEO, RLM, ANN y AR(p). De arriba hacia abajo se tienen los
diferentes ros.
10
que en las otras metodologas. MARS y RLM muestran resultados semejantes con ms baja
proporcin de aciertos en el tercil inferior y ms altos en el superior.
4 CONCLUSIONES
Agradecimientos. Esta investigacin ha sido financiada con fondos del Instituto Interamericano para la
Investigacin del Cambio Global (IAI). Se agradece la colaboracin del Dr. Peter R. Waylen, University of
Florida, Gainesville, EU.
REFERENCIAS
Box, G. E. P., and Jenkins, G., Time Series Analysis: Forecasting and Control, Holden-Day, 1976.
Box, G.E.P., Jenkins, G.M. y Reinsel, G.C.: Time Series Analysis: Forecasting and Control. Prentice-Hall,
Englewood Cliffs, New Jersey, 1994.
Carvajal, L. F., O. J. Mesa, J. E. Salazar, y G. Poveda, Aplicacin del anlisis espectral singular a series
hidrolgicas en Colombia. Memorias del XVI Congreso Latino-Americano de Hidrulica e Hidrologa,
IAHR, Santiago de Chile, Vol. 3, 97-108. 1994.
Foufoula-Georgiou, E., y P. Kumar. Wavelets in Geophysics. Academic Press, 372 p., 1994.
Friedman, J. H., Multivariate Adaptive Regression Splines, Ann. Stat., 19, 1-142, 1991.
Hoyos, C., Algunas aplicaciones de la transformada de Fourier y la descomposicin en onditas a seales
hidrolgicas y ssmicas. Tesis Ingeniera Civil, Universidad Nacional de Colombia, Medelln, 1999.
Hurrell, J.W., Decadal trends in the North Atlantic Oscillation and relationships to regional temperature and
precipitation. Science, 269, 676-679, 1995.
Jones, P.D., Jhonsson, T., y D. Wheeler, Extension to the North Atlantic Oscillation using early
instrumental pressure observations from Gibraltar and South-West Iceland. Int. J. Climatol. 17, 1433-
1450, 1997.
11
Mantua, J., Steven R. Hare, Y. Zhang, J. M. Wallace, y R. C. Francis, A Pacific interdecadal climate
oscillation with impacts on salmon production, BAMS, 78, 1069-1079, 1997.
Marquardt, C., y B. Naujokat. An update of the equatorial QBO and its variability. 1st SPARC Gen.
Assemb., Melbourne Australia, WMO/TD-No. 814, Vol. 1, 87-90, 1997.
Mesa, O.J., G. Poveda, L. F. Carvajal y J. E. Salazar, Efecto del fenmeno de El Nio-Oscilacin del Sur
en la hidrologa Colombiana, Memorias del XVI Congreso Latinoamericano de Hidrulica e
Hidrologa, Vol. 3, IAHR, Santiago de Chile, 373-384,1994a.
Mesa, O.J., L.F. Carvajal, J.E. Salazar, y G. Poveda, Prediccin hidrolgica usando redes neuronales,
Memorias del XVI Congreso Latinoamericano de Hidrulica e Hidrologa, IAHR, Santiago de Chile,
Vol. 3, 385-396, 1994b.
Mesa, O.J, G. Poveda y L. F. Carvajal, Introduccin al Clima de Colombia, Imprenta Universidad Nacional
de Colombia, Bogota, 1997.
Parthasarathy, B., A.A. Munot, y D.R. Kothwale. Monthly and seasonal rainfall series for all-India
homogeneous regions and meteorological subdivisions: 1871-1994, Contributions from Indian Institute
of Tropical Meteorology, Pune-411 008, INDIA. 1995.
Pea, D., Estadstica, Modelos y Mtodos. 2 Modelos Lineales y Series Temporales. Alianza Universidad
Textos, Madrid, 1994.
Poveda, G., y C. Penland, Prediccin de caudales medios en Colombia usando Modelacin Lineal
Inversa, Memorias del XVI Congreso Latino-Americano de Hidrulica e Hidrologa, IAHR, Santiago de
Chile, Vol. 4, 119-129, 1994.
Poveda, G., y O. J. Mesa, Feedbacks between hydrological processes in tropical South America and large
scale oceanic-atmospheric phenomena. J. Climate, 10, 26902702, 1997.
Poveda, G., y O. J. Mesa. Metodologas de prediccin de la hidrologa Colombiana considerando el
evento El Nio-Oscilacin del Sur (ENOS), Revista Atmsfera, 17, Sociedad Colombiana de
Meteorologa, Bogot, 1993.
Poveda, G., y A. Jaramillo. ENSO-related variability of River Discharges and Soil Moisture in Colombia.
Biospheric Aspects of the Hydrologic Cycle. No. 8, 3-6, IGBP, Diciembre 2000.
Poveda, g., M. M. Gil y N. Quiceno. The relationship between ENSO and the annual cycle of Colombias
hydro-climatology. Proceedings 10th Symposium on Global Change Studies, American Meteorological
Society, Dallas, Texas, 157-160, 10-15 enero, 1999.
Poveda, G., A. Jaramillo, M. M. Gil, N. Quiceno y R. Mantilla. Seasonality in ENSO Related Precipitation,
River Discharges, Soil Moisture, and Vegetation Index (NDVI) in Colombia. Water Resources
Research, Vol. 37, No. 8, 2169-2178, 2001.
Salazar, J. E., O. J. Mesa, G. Poveda y L. F. Carvajal, Aplicacin de un modelo continuo no lineal de
series hidrolgicas, Memorias del XVI Congreso Latino-Americano de Hidrulica Hidrologa, IAHR,
Santiago de Chile, Vol. 4, 169-180, 1994a.
Salazar, J. E., O. J. Mesa, G. Poveda y L. F. Carvajal, Modelamiento del fenmeno ENOS en la hidrologa
Colombiana mediante procesos autoregresivos dependientes del rgimen, Memorias del XVI
Congreso LatinoAmericano de Hidrulica e Hidrologa, IAHR, Santiago de Chile, Vol. 4, 181-191,
1994b.
Simpson, P. K. Artificial Neural Systems, Foundations, Paradigms, Applications and Implementations,
Pergamon Press, Oxford, 1990.
Torrence, C., y G. P. Compo. A practical guide to wavelet analysis. Bull. Amer. Meteor. Soc., 79, 61-78,
1998.
Torrence, T., y P.J. Webster. Interdecadal changes in the ENSO-Monsoon System, J. Climate, 12, 2679-
2690, 1999.
Trenberth, K. E., Spatial versus noise in the Southern Oscillation, Mon. Wea. Rev., 112, 323-332, 1976.
Walker, G. T. Y E. W. Bliss, World weather V, Men. Roy. Meteor. Soc., 4, 53-84, 1932.
Wolter, K. The Southern Oscillation in surface circulation and climate over the tropical Atlantic, Eastern
Pacific, and Indian Oceans as captured by cluster analysis. J. Climate Appl. Meteor., 26, 540-558,
1987.
12