Documentos de Académico
Documentos de Profesional
Documentos de Cultura
201
Contenido
Pág.
2. Justificación.............................................................................................................. 5
2.1 Hipótesis.......................................................................................................... 6
3. Objetivos.................................................................................................................... 6
3.1 Objetivo general...............................................................................................6
4. Marco teórico............................................................................................................ 7
4.1 Sistemas de riego.............................................................................................8
5. Materiales y métodos..............................................................................................15
5.1 Sistemas computacionales utilizados.............................................................15
Bibliografía..................................................................................................................... 19
Así, el uso creciente del recurso hídrico para satisfacer las necesidades agrícolas,
muchas veces por encima de su disponibilidad hídrica, ha generado una reducción en los
caudales medioambientales necesarios para alcanzar un equilibrio en la disponibilidad de
los caudales ecológicos. La satisfacción de las demandas de un sistema sin afectar al
medio ambiente es uno de los principales objetivos de una eficaz gestión del recurso
hídrico para mantener un equilibrio en el caudal ecológico de los ecosistemas. La
consideración de unos requerimientos ambientales, puede influir en la sensibilidad de un
sistema en el momento de satisfacer adecuadamente las diferentes demandas (Chávez-
Jiménez & González-Zeas, 2015). Es decir, que se debe mantener un equilibrio con
caudales mínimos que permitan mantener las condiciones ambientales adecuadas en el
caudal ecológico para proteger el desarrollo de la fauna y flora de los diferentes ríos, a
los cuales se les desarrolla una extracción constante de agua para diferentes actividades,
sobretodo el riego por aspersión, en la agricultura.
Así entonces, las necesidades diarias de agua para el riego de cultivos, son estimadas
por las tasas de percolación y evapotranspiración usadas para la planificación del riego, y
por ello, se han utilizado modelos para simular estos requerimientos de agua, desde
empíricos, funcionales y hasta mecanismos. Sin embargo, el problema es, que los
requisitos de agua calculados para la planificación del riego no siempre son adecuados
para predecir el uso real (es decir, la demanda del consumidor) debido a cambios en el
entorno de campo, como las condiciones climáticas y las prácticas de gestión agrícola,
que pueden influir en la cantidad real de agua necesaria (Pulido-Calvo et al., 2007).
2.Justificación
Así pues, es necesario señalar, que las investigaciones destinadas a lograr una gestión
eficiente de los recursos hidráulicos disponibles en los sistemas de riego para mantener
el caudal ecológico, no han sido suficientemente impulsadas, debido entre otros factores
a las dificultades tecnológicas que presentan estos sistemas.
Por ello y partiendo de la problemática actual, en que los recursos hídricos están siendo
cada vez más escasos, lo que ocasionará un estrés hídrico permanente. Se requiere la
utilización de técnicas y herramientas flexibles de apoyo a la decisión de programación
de los sistemas de riego, que sean aplicables para una distribución eficiente del agua de
acuerdo a las demandas establecidas por los regantes (Yang, Liu, Guo, & Li, 2017). Y por
tanto, mantener una estabilidad en la demanda de agua adecuada, no solo para la
agricultura, sino también para el desarrollo de los diferentes ecosistemas que dependen
de un equilibrio en el caudal ecológico de su hábitat.
¿Cómo puede el Modelo Neuronal Artificial (MNA) estimar la demanda de agua óptima
para sistemas de riego por aspersión y reducir el impacto en los caudales ecológicos?
2.1 Hipótesis
El Modelo Neuronal Artificial (MNA) propuesto, permite estimar el volumen de agua
óptimo en sistemas de riego por aspersión generando valores confiables para la toma de
decisiones en mantener el caudal ecológico.
3.Objetivos
Estimar el volumen de agua óptimo en sistemas de riego por aspersión para mantener el
caudal ecológico usando un Modelo Neuronal Artificial (MNA).
Habiendo planteado, el objetivo del proyecto, es importante también definir algunos ejes
temáticos para relacionar y comprender los conceptos más relevantes a utilizar. De ahí la
importancia de asociar a los sistemas de riego, en particular el de aspersión, las redes
neuronales artificiales y la conservación del recurso hídrico en función del caudal
ecológico, dado que el estudio adecuado de esta relación permitirá generar herramientas
y posiciones adecuadas para definir y comprender la metodología a implementar.
El riego por goteo tiene el potencial de ofrecer un método de gestión del riego preciso,
flexible y de alto nivel, se adapta a diferentes patrones de cultivo y climas, mediante la
entrega de pequeños volúmenes frecuentes de agua de riego al suelo, lo que aumenta el
rendimiento y disminuye las pérdidas por evaporación.
En este método, el agua se aplica directamente al suelo, gota a gota, utilizando goteros;
instrumentos que necesitan de una presión adecuada para su funcionamiento, aunque
esta presión es mucho más baja de la que necesita el riego por aspersión. La presión se
obtiene mediante equipo de bombeo o por la diferencia de nivel entre la fuente de agua y
los emisores; esta diferencia puede ser de 3 a 10 mca, de acuerdo al tipo de gotero
(Martínez, 2013).
Así, la infiltración del agua forma en el interior del suelo un bulbo húmedo el cual
presenta un diámetro pequeño en la superficie del suelo, pero a medida que el agua se
infiltra el bulbo va aumentando de diámetro, en este tipo de sistemas dado su nivel de
tecnificación se deben realizar tres diseños para su implementación.
Y como tercero se tiene al diseño hidráulico, que consiste en determinar las dimensiones
de los diferentes componentes del sistema, de tal manera que funcionen
adecuadamente con altos niveles de uniformidad, este dimensionamiento del sistema
está determinado por las condiciones de operación previstas, en función de las
características de la topografía, el suelo y el cultivo (Martínez, 2013).
4.1.2 Sistema de riego por gravedad.
También llamado riego por superficie, incluye una variedad de métodos de riego que
tienen la característica común de que el agua se aplica en la superficie del suelo y se
distribuye en el campo por gravedad, el caudal de riego disminuye a lo largo del campo
debido a la infiltración del terreno. (Faci y Playán 1996; Pascual 2008).
Para realizar la instalación de este sistema de riego, se debe realizar una nivelación del
terreno para así, ajustar las pendientes que se necesitan para que el desplazamiento del
agua y que el sistema no produzca efectos erosivos sobre el terreno (Ramírez, 2014),
esto permite que el agua que se conduce por los surcos avance hasta el otro extremo
permitiendo con esto la infiltración de una lámina de agua, este tipo de sistemas de riego
presenta una baja eficiencia debido a la perdida de agua por infiltración que no es
aprovechada por el cultivo.
Figura 1 Parámetros para la determinación de las longitudes de los surcos, teniendo en cuenta la lámina de
infiltración y la pendiente del terreno en estudio
Fuente:(CARO, 2007)
Para el diseño de este tipo de riego de acuerdo a Perez & Martinez (2014) se debe tener
en cuenta, el tipo de suelo, quien es un limitante para le velocidad de infiltración de
lámina de agua aplicada al cultivo, al igual que la topografía y las condiciones
ambientales.
Por tanto, de entre las variables que puede presentar un sistema de riego y que serán de
gran importancia en la construcción y aplicación del MNA están; la superficie a regar, la
dosis de riego, la velocidad del viento, la textura del suelo, el tipo de cultivo, los turnos de
riego, la potencia y eficiencia de la bomba, la altura de aspiración, la disposición de los
aspersores, la evapotranspiración máxima diaria, el tipo de abastecimiento de la bomba y
carga dinámica total.
Otra de las metodologías que se destacan en la determinación del caudal ecológico que
mundialmente es una de las más utilizadas es la IFIM (Instream Flow Incremental
Methodology) promovida por el Servicio de Pesca y Vida Silvestre de EE UU. como una
técnica con enfoque ecohidráulicos y ecohidrológicos para la evaluación de fuentes de
agua superficiales, y mediante la evaluación de diferentes efectos sobre el recurso
hídrico, combina aspectos hidráulicos, hidrológicos y biológicos los cuales permiten
determinar el caudal ecológico, adicionalmente los autores establecen que este modelo
ha sido aplicado de forma creciente en Latinoamérica y en Colombia, convirtiéndose en
una alternativa para investigar los ecosistemas tropicales biodiversos (Diaz Hernández &
Burbano, 2006).
Fuente:(Matich, 2001)
Ocultas: son internas a la red y no tienen contacto directo con el entorno exterior. El
número de niveles ocultos puede estar entre cero y un número elevado. Las neuronas de
las capas ocultas pueden estar interconectadas de distintas maneras, lo que determina,
junto con su número, las distintas topologías de redes neuronales.
Una RNA está constituida por neuronas interconectadas y arregladas en tres capas (esto
último puede variar). Los datos ingresan por medio de la “capa de entrada”, pasan a
través de la “capa oculta” y salen por la “capa de salida”. Cabe mencionar que la capa
oculta puede estar constituida por varias capas (Matich, 2001).
5.Materiales y métodos
5.1.1 Matlab
MATLAB es el nombre abreviado de “MATriz LABoratory”. Es un programa para realizar
cálculos numéricos con vectores y matrices, y por tanto se puede trabajar también con
números escalares (tanto reales como complejos), con cadenas de caracteres y con
otras estructuras de información más complejas, es un lenguaje de alto rendimiento para
cálculos técnicos, es al mismo tiempo un entorno y un lenguaje de programación. Esto
permite resolver muchos problemas computacionales, específicamente aquellos que
involucren vectores y matrices, en un tiempo mucho menor al requerido para escribir un
programa en un lenguaje escalar no interactivo (Esqueda, 2002).
Caja de herramientas, Neural Networks toolboox
Después de que se ha creado una red neuronal, necesita ser configurada y luego
entrenada. La configuración implica organizar la red para que sea compatible con el
problema que desea resolver, según lo definido por los datos de muestra. Después de
configurar la red, los parámetros de red ajustables (llamados pesos y sesgos) deben
ajustarse para optimizar el rendimiento de la red. Este proceso de ajuste se conoce como
entrenamiento de la red, la configuración y la capacitación requieren que la red tenga
datos de ejemplo. Esta herramienta integra las diferentes arquitecturas de una red
neuronal para diseñar y realizar todo el proceso de selección y entrenamiento (Demuth,
2015).
Seguidamente, se debe realizar una base de datos por medio de una revisión
bibliográfica basada en estudios previos, con la cual se procederá a alimentar el modelo
de red neuronal artificial. En suma, la articulación de toda la información permitirá definir
el conjunto de entrenamiento.
La etapa número tres comprende la determinación del mejor modelo de aprendizaje para
la propuesta de red. Para ello es imprescindible, desarrollar una búsqueda en la
literatura del modelo con mejor desempeño en relación al objetivo de estudio, los
escogidos serán puestos a prueba en el modelo de red especificado.
Para definir cuál es el mejor modelo, se empleará a los indicadores de desempeño (Error
cuadrático medio, factor de correlación lineal).
En esta ultima etapa se define una primera porpuesta de red. Para esto es importante
mencionar que tanto la selección de la arquitectura de la red como el numero de
neuronas o el tipo de aprendizaje, son parametros que van a ser modificados dentro del
sofware MATLAB, por medio de la caja de herramientas Network toolboox.
Cuando este proceso termine y se llegue a una estimación dentro de un margen de error
aceptable, se procede a realizar la validación total del modelo por medio de un conjunto
de verificación, el cual debe haber sido especificado y construido previamente, para que
de esta forma se llegue a proponer un modelo de red neuronal artificial capaz de estimar
la demanda de agua optima en sistemas de riego por aspersión. Finalmente, y una vez
seleccionada la mejor red, se procederá a exponer con un ejemplo, como se usa el
modelo propuesto para darle un manejo eficiente al volumen de agua optimo en los
sistemas de riego por aspersión.
Bibliografía
CARO, P. A. (2007). Universidad Nacional de Trujillo. Lexus, 4(None), 37.
Diaz Hernández, J., & Burbano, L. (2006). Técnicas avanzadas para la evaluación de
caudales ecológicos en el ordenamiento sostenible de cuencas hidrográficas.
Revista Ingeniería E Investigación, 26(1)(1), 58–68.
Entchev, E., Yang, L., Ghorab, M., Rosato, A., & Sibilio, S. (2016). Energy, economic and
environmental performance simulation of a hybrid renewable microgeneration
system with neural network predictive control. Alexandria Engineering Journal.
https://doi.org/10.1016/j.aej.2016.09.001
Fernández García, I., Rodríguez Díaz, J. A., Camacho Poyato, E., Montesinos, P., &
Berbel, J. (2014). Effects of modernization and medium term perspectives on water
and energy use in irrigation districts. Agricultural Systems, 131, 56–63.
https://doi.org/10.1016/j.agsy.2014.08.002
Garro, B. A., Sossa, H., Vazquez, R. A., & Arti, I. (2012). Diseno Automático de Redes
Neuronales Artificiales mediante el uso del Algoritmo de Evolucion Diferencial (ED),
(46), 13–27.
H. Kashani, M., Ghorbani, M. A., Dinpashoh, Y., & Shahmorad, S. (2016). simular el
proceso de precipitación y escorrentía. Journal of Hydrology, 540, 340–354.
https://doi.org/10.1016/j.jhydrol.2016.06.028
Jain, A., & Kumar, A. M. (2007). Hybrid neural network models for hydrologic time series
forecasting. Applied Soft Computing Journal, 7(2), 585–592.
https://doi.org/10.1016/j.asoc.2006.03.002
Liu, J., Savenije, H. H. G., & Xu, J. (2003). Forecast of water demand in Weinan City in
China using WDF-ANN model. Physics and Chemistry of the Earth, 28(4–5), 219–
224. https://doi.org/10.1016/S1474-7065(03)00026-3
Perez, M., & Martinez, M. (2014). Diseño De Un Sistema De Riego Por Aspercion La
Finca El Cedro Ubicada En El Municipio De Aquitania. UNIVERSIDAD MILITAR
NUEVA GRANADA.
Pulido-Calvo, I., Montesinos, P., Roldán, J., & Ruiz-Navarro, F. (2007). Linear regressions
and neural approaches to water demand forecasting in irrigation districts with
telemetry systems. Biosystems Engineering, 97(2), 283–293.
https://doi.org/10.1016/j.biosystemseng.2007.03.003
Weng, C.-H., Huang, T. C.-K., & Han, R.-P. (2016). Disease prediction with different types
of neural network classifiers. Telematics and Informatics, 33(2), 277–292.
https://doi.org/10.1016/j.tele.2015.08.006
Yang, G., Liu, L., Guo, P., & Li, M. (2017). A flexible decision support system for irrigation
scheduling in an irrigation district in China. Agricultural Water Management, 179,
378–389. https://doi.org/10.1016/j.agwat.2016.07.019