Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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).
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.
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
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).
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)
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.
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.
Fuente:(Matich, 2001)
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
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).
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.
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.
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