Estimación del volumen de agua óptimo

en sistemas de riego por aspersión para

mantener el caudal ecológico usando un
Modelo Neuronal Artificial

Cindy Johana Aguirre Rosada

José David Moran Garreta

Universidad Nacional de Colombia

Facultad de Ingeniería y Administración
Maestría en Ingeniería Ambiental
Palmira, Colombia
2018
Contenido
Pág.

1. Planteamiento del problema 3

2. Justificación 5
2.1 Hipótesis 6

3. Objetivos 6
3.1 Objetivo general 6
3.2 Objetivos específicos 6

4. Marco teórico 7
4.1 Sistemas de riego 8
4.1.1 Sistema de riego por goteo 8
4.1.2 Sistema de riego por gravedad. 9
4.1.3 Sistema de riego por aspersión 10
4.2 Caudal ecológico (CE) 11
4.3 Redes neuronales artificiales (RNA) 12
4.3.1 Composición básica de una RNA 12

5. Materiales y métodos 15
5.1 Sistemas computacionales utilizados 15
5.2 Esquema metodológico propuesto 15
5.2.1 Etapa I: determinación del caudal ecológico 16
5.2.2 Etapa II: conjunto de entrenamiento 17
5.2.3 Etapa III: modelo de aprendizaje 17
5.2.4 Etapa IV: diseño y entrenamiento del modelo 18

Bibliografía 19
 1.Planteamiento del problema

Predecir la demanda de agua, ha sido un aspecto clave en el diseño de los sistemas de

Riego, no obstante, también ha significado un problema para los diseñadores y gestores
del mismo. El manejo de los recursos hídricos enfrenta graves problemas, como la
contradicción entre el suministro y la demanda de agua, la contaminación de la misma y
la degradación de los ecosistemas a raíz de una extracción del recurso, por encima de su
capacidad. A nivel mundial el consumo excesivo de agua, es el principal problema para
mantener el buen estado de los recursos hídricos y caudales ecológicos (García et al,
2014). Las presiones para satisfacer las crecientes demandas, han llevado a una mayor
competencia por los recursos hídricos disponibles entre los consumidores de agua
tradicionales, a saber, la agricultura, la industria y las ciudades (Pulido-Calvo,
Montesinos, Roldán, & Ruiz-Navarro, 2007)

Mundialmente, de todos los sectores de la economía, la agricultura es la más sensible a

la escasez de agua. A veces el sector agrícola es considerado como un usuario ‘residual’
del agua, después de los sectores doméstico e industrial, sin embargo supone el 70% de
las extracciones mundiales de agua dulce y más del 90 % del uso consuntivo, también es
el sector con más posibilidades u opciones de ajuste (FAO, 2013).

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).

Siguiendo esta premisa, recientemente se han generado nuevas investigaciones

alrededor de la aplicación de las Redes Neuronales Artificiales (RNA) para realizar
procesos de automatización, siendo ampliamente utilizadas dentro del campo del recurso
hídrico, ya que pueden ser utilizadas para simulación y modelado de sistemas no lineales
y notablemente complejos (Entchev et al, 2016).

Estos enfoques neuronales, se están aplicando cada vez más en diferentes campos de la
ciencia y la ingeniería y, por lo general, proporcionan resultados altamente satisfactorios
(Pulido-Calvo et al., 2007). Algunas aplicaciones de RNA específicas en recursos hídricos
incluyen el modelado de precipitación-escorrentía (H. Kashani, Ghorbani, Dinpashoh, &
Shahmorad, 2016), la previsión de la demanda de agua en el sistema de suministro de
riego (Pulido-Calvo et al., 2007), el modelado hidrológico de series de tiempo (Jain &
Kumar, 2007) o también el pronóstico de la demanda de agua en áreas urbanas (Liu,
Savenije, & Xu, 2003). No obstante, a pesar de que existen muchas investigaciones
hidrológicas, se observa que hay aplicaciones limitadas de RNA al modelado del
consumo de agua para mantener los caudales ecológicos.

En este contexto se plantea entonces, una solución desde el punto de vista de la

Ingeniería de Control y Automatización; con el desarrollo de un modelo de red neuronal
artificial capaz, de estimar la demanda de agua adecuada para sistemas de riego y
reducir el impacto causado por el desequilibrio en la disponibilidad del caudal ecológico.
.
 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.

Es entonces de interés, presentar una herramienta gratuita y de fácil acceso al público,

que facilite la toma de decisiones, aportando a la implementación y gestión de los
recursos hídricos y ecológicos, ya que la programación eficiente de riego podría ahorrar
una notable cantidad de agua en el largo plazo. La mejora de la gestión del agua en un
distrito de riego requiere del análisis de la demanda de agua para determinar las formas
en que se puede modificar y racionalizar, con el fin de hacer más eficiente la política de
gestión del agua y reducir el impacto sobre los caudales ecológicos.

Ante la situación planteada, surge la siguiente pregunta de investigación:

¿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

3.1 Objetivo general

Estimar el volumen de agua óptimo en sistemas de riego por aspersión para mantener el
caudal ecológico usando un Modelo Neuronal Artificial (MNA).

3.2 Objetivos específicos

• Definir el conjunto de entrenamiento y el modelo de aprendizaje apropiados para

el desarrollo del Modelo de Red Neuronal Artificial (MRNA).

• Determinar el diseño y entrenamiento específicos para la arquitectura de la red

neuronal.

• Identificar la metodológica para estimar el caudal ecológico.

• Aplicar y evaluar el MRNA para estimar el volumen óptimo de agua en sistemas

de riego por aspersión para mantener el caudal ecológico.
 4. Marco teórico
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.

4.1 Sistemas de riego

Se pueden usar varios sistemas de riego para satisfacer la demanda de agua de un
cultivo en la agricultura; sin embargo, para elegir el sistema óptimo es necesario
considerar varios factores; como el tipo de suelo, la topografía, el suministro de agua
entre otros.

Por ello, en la agricultura se implementan diferentes tipos se sistemas de riego de

acuerdo a las necesidades del cultivo y las limitaciones económicas que presente el
agricultor, entre estos sistemas de riego se encuentran los siguientes.

4.1.1 Sistema de riego por goteo

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.

El primero es el diseño agronómico, es la parte más importante del proyecto de riego

debido a que en este, se identifican las necesidades de la planta con respecto a sus
características fisiológicas y donde se estima el área a humedecer, al igual que el ciclo
vegetativo del cultivo, el tipo de suelos, el clima, la lámina de agua a regar y el tiempo de
riego (Martínez, 2013)

El segundo corresponde al diseño geométrico, en este debe tenerse en cuenta que el

objetivo de los sistemas de riego por goteo es mantener la uniformidad en la aplicación
del agua, es decir, que contar con un alto grado de uniformidad es importante para
obtener un crecimiento uniforme del cultivo. En tierras de ladera este aspecto puede
volverse crítico, debido a las diferencias de elevación entre los goteros a lo largo de la
pendiente, por ello es indispensable mantener una adecuada disposición de las tuberías
en relación con la pendiente del terreno, esto se logra permitiendo que las líneas de riego
se dispongan siguiendo las curvas a nivel y las tuberías múltiples, en el sentido de la
pendiente del terreno.(Martínez, 2013)

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.

En cuanto al diseño, se debe determinar la velocidad de infiltración, la lámina acumulada

de infiltración, la longitud de los surcos, esta última limitada por el tipo de suelo, CARO
(2007) establece la siguiente tabla para determinar las longitudes de los surcos
dependiendo de la lámina de infiltración y pendiente.

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)

4.1.3 Sistema de riego por aspersión

Este sistema de riego, está condicionado por la pérdida de agua debido a factores como,
la evaporación, la escorrentía y la percolación, lo cual causa que las plantas reciban
menos agua de la que necesitan, este tipo de sistema imita la lluvia de manera artificial
pudiéndose graduar en función de la necesidad de agua de los cultivos.

Uno de los elementos que es bastante importante es el aspersor, ya que es el encargado

de producir las gotas de lluvia, necesitando una presión mínima de funcionamiento
definida por las bombas. En este sentido, para obtener un sistema de riego es necesario
factores como; la presión en el agua, la red de tuberías adecuadas a la presión del agua,
los aspersores que sean capaces de esparcir el agua a presión y un depósito de agua
que conecte con la red de tuberías (Perez & Martinez, 2014).
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.

4.2 Caudal ecológico (CE)

En la determinación de caudales, estos suelen llamarse algunas veces, caudales
mínimos, otras veces ecológicos y otras caudales ambientales, en este sentido es de
gran importancia aclarar que el caudal ecológico, se relaciona con la conservación de la
biodiversidad de los ecosistemas y que el caudal ambiental tiene en cuenta otros factores
como el social y económico aguas abajo donde se realiza la captación (Pinilla-Agudelo,
Rodríguez-Sandoval, & Camacho-Botero, 2014).

En este sentido el ministerio de medio ambiente, vivienda y desarrollo territorial de

Colombia, mediante la resolución 865 del 2004 resuelve la adopción de una metodología
para determinar el caudal ecológico por medio del Índice de Escasez para aguas
superficiales (IES) desarrollada por el IDEAM, donde ha adoptado como caudal mínimo
ecológico un valor aproximado del 25% del caudal medio mensual multianual más bajo
de la corriente en estudio.(Ministerio de Ambiente Vivienda y Desarrollo Territorial, 2004)

Esta metodología permite calcular el IES mediante la determinación previa de la

demanda hídrica, la oferta hídrica superficial, el factor de reducción por calidad del agua
y el caudal ecológico, relacionadas en la siguiente ecuación.

Otra de las metodologías que se destacan en la determinación del caudal ecológico es

En este sentido el caudal ecológico se define como un instrumento de gestión que
permite acordar un manejo integrado y sostenible de los recursos hídricos, que establece
la calidad, cantidad y régimen del flujo de agua requerido para mantener los
componentes, funciones, procesos y la resiliencia de los ecosistemas acuáticos que
proporcionan bienes y servicios a la sociedad (Copalita-zimatán-huatulco, Gustavo, &
Wwf, 2007).

4.3 Redes neuronales artificiales (RNA)

Las redes neuronales artificiales son redes interconectadas masivamente en paralelo de
elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales
intentan interactuar con los objetos del mundo real del mismo modo que lo hace el
sistema nervioso biológico, una RNA emplea un mecanismo de aprendizaje en la etapa
de entrenamiento, donde se optimiza una función que evalúa la salida de la red; con ello
se determina la eficiencia del aprendizaje. Después de ser entrenada, la RNA puede ser
utilizada para resolver algún problema con información totalmente desconocida pero, que
puede dar un veredicto correcto conforme lo aprendido (Garro, Sossa, Vazquez, & Arti,
2012).

Para el desarrollo de la arquitectura de las redes neuronales, estas precisan de una

composición básica la cual se puede detallar a continuación.

4.3.1 Composición básica de una RNA

Una neurona artificial es una unidad de procesamiento de información que es
fundamental para el funcionamiento de la RNA. El diagrama de bloques es un modelo de
una neurona artificial que muestra que consta de tres elementos básicos (Figura xxx):

1. Un conjunto de enlaces de conexión de diferentes entradas xi (sinapsis), cada una

de las cuales se caracteriza por un peso o resistencia w iki, donde i = 1, 2..., m y m
es el número de entradas. En general, los pesos de una neurona artificial pueden
estar en un rango que incluye valores negativos y positivos.

2. Un sumador para sumar las señales de entrada xi ponderadas por las respectivas
intensidades sinápticas wiki.
 3. Una función de activación f para limitar la amplitud de la salida yk de la neurona.

Figura 2 Modelo de una neurona artificial.

Fuente:(Weng, Huang, & Han, 2016)

El modelo de la neurona dado en la Figura 4, también incluye un sesgo aplicado

externamente, denotado por bk. El sesgo tiene el efecto de aumentar o disminuir la
entrada neta de la función de activación, dependiendo de si es positiva o negativa
(Weng et al., 2016).

A continuación, se puede ver, en la Figura XXX, un esquema de una Red Neuronal

Artificial básica.

Figura 3 Ejemplo de una red neuronal totalmente conectada.

Fuente:(Matich, 2001)

La distribución de neuronas dentro de la red se realiza formando niveles o capas, con un

número determinado de dichas neuronas en cada una de ellas (Matich, 2001) A partir de
su situación dentro de la red, se pueden distinguir tres tipos de capas:

Entrada: es la capa que recibe directamente la información proveniente de las fuentes

externas de la red.
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.

Salidas: transfieren información de la red hacia el exterior.

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 Sistemas computacionales utilizados

1.1.1 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

El software Neural Network Toolbox es una herramienta de Matlab, usado para

almacenar toda la información que define una red neuronal. Este describe los
componentes básicos de una red neuronal y muestra cómo se crean y almacenan en el
objeto de red.

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).

5.2 Esquema metodológico propuesto

El esquema metodológico que se ha determinado implementar presenta cuatro
momentos, la recolección de la información, el procesamiento de esta información y la
validación del modelo propuesto. Así mismo, se manejan dentro de estos, cuatro etapas,
la primera corresponde a la determinación del caudal ecológico, la segunda tiene como
objetivo principal, determinar el conjunto de entrenamiento de la RNA, la tercera,
contempla, como establecer el mejor modelo de aprendizaje y la cuarta establece el
diseño y entrenamiento del Modelo Neuronal Artificial (MNA).

Figura 4 Propuesta metodológica para la construcción del Modelo Neuronal Artificial

A continuación, se describen las etapas de la metodología a implementar:

5.2.1 Etapa I: determinación del caudal ecológico

Una de las actividades a realizar para determinar el caudal ecológico, es el cálculo de la
demanda hídrica, este parámetro servirá de insumo para su especificación.
En cuanto a la determinación del caudal ecológico, se han dispuesto dos metodologías
de cálculo, la primera es la IFIM metodología propuesta por el instituto de pesca y vida
silvestre de los Estados Unidos y la segunda e la propuesta por el Ministerio de Medio
Ambiente y Desarrollo Sostenible de Colombia; aquí se especifica calcular el índice de
escases para aguas superficiales, teniendo en cuenta que el 25 % del caudal total
disponible, es el que se debe mantener como mínimo para generar un equilibrio del
caudal ecológico y por tanto de los ecosistemas.

Con la determinación de un caudal ecológico inicial, es decir, antes de la aplicabilidad

que tendría el modelo neuronal, se puede generar una comparación posterior y
determinar los cambios en cuanto al volumen de agua optimizado por medio del modelo
propuesto.

5.2.2 Etapa II: conjunto de entrenamiento

Para una segunda etapa se debe determinar el conjunto de entrenamiento, aquí se
desarrolla una revisión de la literatura para definir, el protocolo de diseño de los sistemas
de riego por aspersión. Habiendo determinado el diseño, se procede a realizar la
estimación de la demanda de agua para diferentes variedades de cultivos, teniendo en
cuenta el tipo de suelo y las condiciones ambientales, como temperatura y precipitación.
Con este conocimiento previo, es indispensable determinar cuáles son las variables
(entrada y de salida) más relevantes a la hora de hacer la estimación de la demanda de
agua.

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.

5.2.3 Etapa III: modelo de aprendizaje

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).

5.2.4 Etapa IV: diseño y entrenamiento del modelo

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.

Luego de especificar el dieño de la red, la evaluación de su desempeño se realizará por

medio de las heramientas de vaildación que por defecto el programa (Matlab) presetna,
tales como, el error cuadratico medio y el factor de correlacion lineal. En esta parte es
importante mencionar que se deberá codificar un algoritmo para ser usado
computacionalmente, usando el software Matlab por medio del lenguaje de programación
M.

Si el modelo propuesto en la fase tres, no cumple con las especificaciones de los

indicadores de desempeño (Error cuadrático medio, factor de correlación lineal) el
proceso se repite desde la fase número dos, hasta que la estimación se encuentre dentro
de los valores aceptados en los indicadores de desempeño.

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.

Chávez-Jiménez, A., & González-Zeas, D. (2015). El impacto de los caudales

medioambientales en la satisfacción de la demanda de agua bajo escenarios de
cambio climático. RIBAGUA - Revista Iberoamericana Del Agua, 2(1), 3–13.
https://doi.org/10.1016/j.riba.2015.04.001

Copalita-zimatán-huatulco, C., Gustavo, O., & Wwf, Y. (2007). Caudal ecológico.

Demuth, M. H. B. M. T. H. H. B. (2015). Neural Network Toolbox User â€TM s Guide.

MathWorks. https://doi.org/10.1002/0471221546

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

Esqueda, J. J. (2002). Matlab e Interfaces Gráficas. INSTITUTO TECNOLÓGICO DE

CIUDAD MADERO, Universidad Autónoma de Baja California, Unidad Tijuana, 133.

FAO. (2013). Afrontar la escasez de agua. Un marco de acción para la agricultura y la

seguridad alimentaria. Informe sobre temas hidricos. Roma.

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

Martínez, A. E. M. (2013). Riego por goteo, 1, 98.

Matich, D. J. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Historia, 55.

Retrieved from ftp://decsai.ugr.es/pub/usuarios/castro/Material-Redes-
Neuronales/Libros/matich-redesneuronales.pdf

Ministerio de Ambiente Vivienda y Desarrollo Territorial. (2004). Resolución Numero 865.

Por La Cual Se Adopta La Metodología Para El Cálculo Del Índice de Escasez Para
Aguas Superficiales a Que Se Refiere El Decreto 155 de 2004 Y Se Adoptan Otras
Disposiciones, 33.

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.

Pinilla-Agudelo, G. A., Rodríguez-Sandoval, E. A., & Camacho-Botero, L. A. (2014). La

estimación del caudal ambiental en proyectos licenciados por el Ministerio de
Ambiente y Desarrollo Sostenible (MADS), Colombia. Acta Biológica Colombiana,
19(1), 43–60. https://doi.org/doi.org/10.15446/abc.v19n1.38040

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

Ramírez, C. G. A. (2014). Instituto Tecnológico de Costa Rica. Instituto Tecnológico de

Costa Rica, Cartago.

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