U N I V ERSI DAD DE CAN T ABRI A

T e sis Doc t ora l

“Sistemas Inteligentes para el ajuste

de Modelos Hidrológicos.
Aplicación al Río Paraná”

María del Carmen Montserrat la Red Martínez

Doc t ora do e n M a te má t ic a s y Com puta c ión

Fa c ult a d de Cie nc ia s

ET S de I nge nie ros I ndust ria le s y de T e le c om unic a c ión

De pa rt a m e nt o de M a t e m á t ic a Aplic a da y Cie nc ia s de la Com put a c ión

2013
 U N I V ERSI DAD DE CAN T ABRI A

Fa c ult a d de Cie nc ia s
ET S de I nge nie ros I ndust ria le s y de T e le c om unic a c ión

T e sis Doc t ora l pa ra a lc a nza r e l gra do de

Doc t or e n M a t e m á t ic a s y Com puta c ión

“Sistemas Inteligentes para el ajuste

de Modelos Hidrológicos.
Aplicación al Río Paraná”
Realizada por:

María del Carmen Montserrat la Red Martínez

Bajo la dirección del:

Dr. José Luis Crespo Fidalgo

Presentada en el:

Departamento de Matemática Aplicada y Ciencias de la Computación

Santander, Julio 2013

 Página de Evaluación

Doctorando: María del Carmen Montserrat

la Red Martínez

Director Tesis Doctoral: Dr. José Luis Crespo Fidalgo

Integrantes del Tribunal

................................................................... ........................................
Presidente: Nombres y Apellidos

................................................................... ......................................
Secretario: Nombres y Apellidos

................................................................... .......................................
Vocal: Nombres y Apellidos

Calificación:

.......................................

Fecha: ............ ………… 2013

día mes año
 A mi querida
hermana Blanqui,
y a mi ejemplar padre,
en sus cumpleaños.
Índice general

Agradecimientos 5

Resumen 7

Prólogo 9

I Estado del Conocimiento y Marco de Referencia 13

1. Introducción a la Problemática Planteada 15

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2. Problemática de la Predicción Cientı́fica . . . . . . . . . . . . . . . . . . . 15
1.2.1. Predicción de Inundaciones . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2. Predicciones Meteorológicas a Largo Plazo . . . . . . . . . . . . . . 17
1.2.3. Predicciones Meteorológicas Estacionales Regionales . . . . . . . . . 19
1.2.4. Predicciones de Avenidas . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3. Aspectos Hidrológicos de la Región . . . . . . . . . . . . . . . . . . . . . . 20
1.3.1. Cuencas Hidrográficas . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.2. La Cuenca del Plata . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.3. La Cuenca del Rı́o Paraná . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.4. El Rı́o Paraná . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.5. Las Inundaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.6. Las Inundaciones en Corrientes . . . . . . . . . . . . . . . . . . . . 28
1.3.7. Estudios Actuales sobre Pronósticos de Inundaciones en Corrientes 29
1.3.8. Fuentes de Datos para el Desarrollo de la Tesis . . . . . . . . . . . . 30
1.4. Estructura de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2. Estado del Conocimiento 33

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2. Procesos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

1
 2.3. Procesos Deterministas Caóticos . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1. Modelos Fı́sicos. Caso de Rı́os . . . . . . . . . . . . . . . . . . . . . 38
2.4.2. Series Temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.3. Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.5. Redes Estáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.5.1. Redes Multicapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.5.2. Perceptrón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.6. Redes Dinámicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.6.1. La Red de Hopfield . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.6.2. Redes con Retraso de Tiempo-FTDNN . . . . . . . . . . . . . . . . 73
2.6.3. Redes con Estructura NAR . . . . . . . . . . . . . . . . . . . . . . 73
2.6.4. Redes con Estructura NARX . . . . . . . . . . . . . . . . . . . . . 75
2.7. Redes Profundas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.7.1. Autocodificadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.8. Algoritmos Evolutivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.8.1. Mecanismos de Cambio en la Evolución . . . . . . . . . . . . . . . . 79
2.8.2. Algoritmos Genéticos . . . . . . . . . . . . . . . . . . . . . . . . . . 80

3. Descripción Estadı́stica del rı́o Paraná 85

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2. Estudio Estadı́stico Descriptivo . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2.1. Estadı́sticos de las Alturas Hidrométricas en la localidad de Co-
rrientes en los años 1989-2008 . . . . . . . . . . . . . . . . . . . . . 86
3.2.2. Estadı́sticos de las Alturas Hidrométricas en la localidad de Co-
rrientes, en Perı́odo sin Inundación Años 2005-2006 . . . . . . . . . 87
3.2.3. Estadı́sticos de las Alturas Hidrométricas en la localidad de Co-
rrientesde, en Perı́odo de Inundación Años 1991-1992 . . . . . . . . 88
3.2.4. Estadı́sticos de las Alturas Hidrométricas en la localidad de Co-
rrientesde, en Perı́odo de Inundación Años 1997-1998 . . . . . . . . 89
3.3. Gráficos de Evolución Temporal . . . . . . . . . . . . . . . . . . . . . . . . 90
3.4. Tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.4.1. Tendencia Evolutiva . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.5. Gráficos de Recurrencia y Frecuencia . . . . . . . . . . . . . . . . . . . . . 96
3.6. Conclusiones Cualitativas y Cuantitativas . . . . . . . . . . . . . . . . . . 98

2
II Implementación y Validación de las Aportaciones Propues-
tas 103

4. Aplicación de Modelos de Series Temporales Lineales para Predicción 105

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2. Series Temporales Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.1. Modelos ARIMA - Herramientas Implementadas . . . . . . . . . . . 105
4.3. Análisis de Alturas Hidrométricas del rı́o y Variables Meteorológicas en
Corrientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.3.1. Análisis con FreeFore . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.3.2. Análisis con Herramienta de Identificación de Sistemas de Matlab . 109
4.4. Análisis de Alturas y Caudales de Corrientes, con estaciones del Alto Paraná111
4.4.1. Análisis con FreeFore . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.4.2. Análisis con Herramienta de Identificación de Sistemas de Matlab . 114

5. Aplicación de Modelos de Redes Neuronales para Predicción a Corto

Plazo 117
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2. Perceptrón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.1. Implementación en Matlab - Herramienta de Redes Neuronales -
NNTool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.3. Optimización de Ajuste de Perceptrón. Adaptaciones de la Función de Error121
5.3.1. Funciones de Redes Neuronales de Matlab . . . . . . . . . . . . . . 121
5.3.2. Modificación de la Función de Error . . . . . . . . . . . . . . . . . . 123
5.4. Función de Penalización Propuesta . . . . . . . . . . . . . . . . . . . . . . 124
5.5. Redes Neuronales con Función de Penalización Propuesta . . . . . . . . . . 125
5.5.1. Generación y Entrenamiento . . . . . . . . . . . . . . . . . . . . . . 125
5.5.2. Aplicación de la Red Neuronal generada a los datos del rı́o Paraná . 127
5.6. Combinación de Archivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.7. Resultados de Redes Neuronales con Función de Penalización entrenada
con Archivos Combinados . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.8. Resultados Comparativos de Predicciones a Corto Plazo . . . . . . . . . . 131

6. Aplicación de Modelos de Redes Neuronales para Predicción a Mediano

Plazo 133
6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.2. Implementación en Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.2.1. Procedimiento de Chequeo de las Redes Generadas . . . . . . . . . 134

3
 6.2.2. Matlab - Herramienta de Redes Neuronales - NNStart . . . . . . . . 134
6.3. Implementaciones con Redes Neuronales con Estructura NAR . . . . . . . 135
6.3.1. Análisis de redes NAR con Matlab NNStart . . . . . . . . . . . . . 136
6.3.2. Análisis de redes NAR con Programación en Matlab . . . . . . . . . 145
6.3.3. Análisis Comparativo de Redes NAR . . . . . . . . . . . . . . . . . 147
6.4. Implementaciones con Redes Neuronales con Estructura NARX . . . . . . 147
6.4.1. Análisis de redes NARX con Matlab NNStart . . . . . . . . . . . . 147
6.4.2. Análisis de redes NARX con Programación en Matlab . . . . . . . . 156
6.4.3. Análisis Comparativo de Redes NARX . . . . . . . . . . . . . . . . 159
6.5. Red Neuronal con Estructura NARX Multicapa . . . . . . . . . . . . . . . 159
6.5.1. Configuración y Creación de la Red con estructura NARX Multicapa160
6.5.2. Resultados de Predicción a 7 dı́as con NARXMultiCtes . . . . . . . 169
6.6. Combinación de Redes FTDNN, NAR y NARX Multicapa . . . . . . . . . 169
6.6.1. Configuración y Creación de la Red integrando diferentes arquitec-
turas de redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
6.6.2. Resultados de Predicción a 7 dı́as con FtdnnNarNarxMCtes . . . . 182
6.7. Combinación de Redes NLP y NARX Multicapa . . . . . . . . . . . . . . . 182
6.7.1. Configuración y Creación de la Red integrando diferentes arquitec-
turas de redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6.7.2. Resultados de Predicción a 7 dı́as con FtdnnNarNarxMCtes . . . . 197
6.8. Resultados Comparativos de Predicciones a Mediano Plazo . . . . . . . . . 197

7. Análisis de los Resultados Obtenidos 201

7.1. Pulso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.2. Predicción con Pulso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.3. Comparación de Resultados con Pulso 2 . . . . . . . . . . . . . . . . . . . 202

Conclusiones 207

Bibliografı́a 209

4
Agradecimientos

Primeramente quiero agradecer al Dr. José Luis Crespo, quien me ha dirigido el pre-
sente trabajo, haciendo posible la realización de esta tesis doctoral.
También debo mencionar la colaboración del Dr. Pablo Jacovkis, que ha hecho viable
la obtención de los datos del rı́o Paraná, ha asesorado sobre los aspectos hidrológicos
necesarios para el desarrollo de la presente tesis y ha sido el profesor responsable de mi
estancia en Argentina.
Agradecer a los profesores de este Doctorado, a los profesores, compañeros y amigos del
Departamento de Matemática Aplicada y Ciencias de la Computación, a mi compañero
de despacho, que han colaborado apoyándome y acompañándome en la realización de esta
tesis.
Quiero tener presente, en este momento a mis amigos de España, de Sudamérica toda
y de Argentina en especial, que son la familia que uno elige, a mi familia, a mis hermanos
y sobrinos, que me han acompañado en todo momento con su apoyo y buenos consejos,
para seguir adelante a pesar de las dificultades y de las distancias, han estado cerca
acompañado con la oración y por Internet.
Y por último y de una manera muy especial, quiero agradecer a mis padres y a mi
hermana Blanqui, que ya no estan conmigo, pero me han dejado un ejemplo de vida y de
superación que intentaré seguir siempre y que me ha permitido llegar hasta donde estoy
hoy, superando todo y presentando esta Tesis Doctoral.

Figura 1: Atardecer en el rı́o Paraná.

5
6
Resumen

Sistemas Inteligentes para el ajuste de Modelos Hidrológicos. Apli-

cación al Rı́o Paraná

El objetivo principal de esta tesis doctoral es la implementación de sistemas inteli-

gentes para el ajuste de modelos hidrológicos, utilizando para ello series temporales y
redes neuronales, aplicados a modelos hidrológicos o de onda cinemática, que permitan el
aprendizaje y ajuste de parámetros para la obtención de modelos que realicen predicciones
óptimas de las alturas del rı́o Paraná, en perı́odos crı́ticos de inundaciones.
Se realiza un análisis con series temporales que permite establecer las variables y
factores que determinan las alturas hidrométricas, en perı́odos crı́ticos de inundación en
la localidad de Corrientes. Posteriormente se presenta un pronóstico a corto plazo en
perı́odos de crecidas, que predice las alturas hidrométricas a tres dı́as implementando
redes neuronales con función de penalización modificada. Se finaliza con un pronóstico a
mediano plazo, para perı́odos de inundación, de alturas hidrométricas a siete dı́as que se
realiza con redes neuronales que integran redes neuronales con diferentes arquitecturas.
El interés de este proyecto radica en su aplicación para el pronósticos de crecidas en
la provincia de Corrientes, República Argentina, que actualmente no dispone de ningún
sistema de pronóstico de crecidas del Rı́o Paraná en organismos oficiales de la provincia,
por lo cual el desarrollo del mencionado trabajo serı́a de gran importancia provincial y
regional para una mejor predicción de las crecidas del Rı́o, que ocasionan pérdidas de gran
importancia en la economı́a de la región.
Ası́ mismo, el problema genérico planteado en este proyecto es común a otras muchas
situaciones, donde se podrı́an aplicar los resultados obtenidos en la realización de esta
tesis, como son las demás provincias que se encuentran en las márgenes del Rı́o Paraná.

Palabras Claves: Sistemas Inteligentes, Modelos Hidrológicos. Aprendizaje Automáti-

co, Redes Neuronales, Redes Neuronales Modifiadas, Series Temporales, Inundaciones, Rı́o
Paraná.

Figura 2: Atardecer en el rı́o Paraná.

7
8
Prólogo

Corrientes es una provincia de la República Argentina, situada en el nordeste del

paı́s, como se indica en el mapa de la Figura (3), se encuentra emplazada dentro de la
región mesopotámica, con una superficie de 88.886 Km2 , ocupando el 2.3 % del territorio
nacional, con una población de 1.002.416 habitantes aproximadamente, cuya capital es la
ciudad homónima, situada al margen izquierdo del rı́o Paraná, en 27◦ 27′ de latitud sur y
58◦ 49′ de longitud oeste.
La delimita al norte y oeste el rı́o Paraná, que la separa de Paraguay y las provincias de
Chaco y Santa Fe; su linde este está marcado por el rı́o Uruguay, que la separa de Uruguay
y Brasil; los rı́os Guayquiraró y Mocoretá y los arroyos Basualdo y Tunas marcan su lı́mite
sur con la provincia de Entre Rı́os; al nordeste los arroyos Itaembé y Chimiray junto con
un tramo de ”lı́mite seco”de 30 km, la separan de la Provincia de Misiones, con lo cual
podemos apreciar que la Provincia de Corrientes es una Provincia totalmente rodeada
de rı́os de grandes caudales y además todo su territorio esta surcado por rı́os de menor
importancia, ubicándose en la zona central de la provincia los mundialmente conocidos
Esteros del Iberá, como puede observarse en la imagen satelital de la Figura (4).
Analizando la geografı́a provincial, puede considerarse que los municipios de Esquina,
Goya, Lavalle, Bella Vista, Empedrado, Paso de la Patria e Itatı́, junto con la ciudad
de Corrientes Capital, son las localidades de mayor exposición ante un posible desastre
hı́drico, teniendo cada localidad problemas para la concreción de los proyectos en defensa
de las inundaciones. La Provincia de Corrientes esta en constante riesgo de inundación de
varias zonas, en muchos casos no se hacen los trabajos en todas las áreas inundables por
no contar con los fondos suficientes para desarrollar la actividad preventiva que se debe
realizar.
En las siguientes fotos puede observarse el mismo tramo de la Costanera Gral. San
Martı́n, sobre la margen izquierda del rı́o Paraná en la ciudad de Corrientes. La Figura (5),
en la foto izq., muestra el rı́o con altura y cauce normal de entre 3,50 a 4,50 m y la Figura
(5), en la foto drcha., muestra el rı́o durante una gran inundación con alturas récord que
oscilan entre los 8,30 y 9,00 m de altura, pudiendo observarse como las aguas del rı́o han
superado el muro de contención de la defensa permanente que forma la costanera.
La provincia no cuenta actualmente con un programa integral de prevención ante
posibles inundaciones, el cual se deberı́a realizar en conjunto, ya que está comprobado que
dentro de una provincia el trabajo llevado a cabo por los municipios en forma unilateral,
no es lo óptimo cuando se tiene que hacer frente a contingencias de esta magnitud. El
estudio y evaluación de posibles soluciones ante una gran inundación, deben ser estudiados
de igual manera por todos los departamentos provinciales y por supuesto siempre con un
orden de prioridades para la ejecución de las obras a nivel provincial.
Las Inundaciones de las últimas décadas provocaron pérdidas millonarias; desde 1982

9
 Figura 3: Ubicación de la Provincia de Corrientes en la República Argentina.

Figura 4: Imagen satelital de la región mesopotámica donde se ubica la provincia de

Corrientes.

10
Figura 5: Rı́o Paraná en la Costanera de Corrientes, Foto Izq.: con altura y caudal normal
y Foto Drcha.: con altura y caudal en una gran inundación.

hasta el 2000 las inundaciones y vendavales en Corrientes provocaron pérdidas por un

valor de 70 millones de dólares. A los desastres naturales se agregan situaciones de vulne-
rabilidad generadas por la precaria infraestructura vial, falta de acceso a servicios básicos
y cobertura social para grandes sectores de la población. El impacto de los desastres natu-
rales y antrópicos en Corrientes adquiere una considerable dimensión, consigna el informe
que a su vez se nutre de datos registrados por la Red DesInventar, [DesInventar, 2010] y
[DesEnredando, 2010], orientada al estudio y prevención de desastres en América Latina.
Desde 1982 hasta el año 2000, las pérdidas ocasionadas por inundaciones, especialmente
la ocurrida durante 1998, se estiman en los 70.000.000 de dólares. En la cifra también se
encuentran los perjuicios ocasionados por vendavales durante el mismo perı́odo, aunque
estos fenómenos implican una incidencia menor en la provincia.
Mientras que con la cifra de 64.150.100 dólares el total de pérdidas por inundacio-
nes alcanza el 91.4 % del total de pérdidas por desastres, los perjuicios ocasionados por
vendavales abarcan sólo un 7.6 %, que se traduce en 6.000.000 de dólares. Los mayores
daños económicos se produjeron durante 1998 y afectaron especialmente al sector agrı́cola-
ganadero.
Los fenómenos hidrometereológicos, inundaciones por precipitaciones o por crecientes
de recursos hı́dricos, constituyen las principales amenazas de riesgo. Las caracterı́sticas del
relieve correntino perfilan esta situación: grandes planicies aluviales y enorme presencia
de recursos hı́dricos superficiales, con el 97,6 % del perı́metro provincial formado por rı́os,
no obstante, amenazas similares se presentan en todo el resto de la región del noreste
argentino, conocida como NEA.
Por toda la problemática que presenta la Provincia de Corrientes ante la permanen-
te amenaza de inundaciones en especial, aquellas provocadas por el rı́o Paraná, por la
morfologı́a del terreno, es de suma importancia contar en la provincia con un estudio por-
menorizado y relevante, sobre el comportamiento del rı́o Paraná, que permita previamente
poder analizar las situaciones de crecida del rı́o con una antelación suficiente, permitien-
do de esta forma organizar con tiempo necesario las tareas inherentes de evacuación y
refuerzo de las defensas costeras, contra las inundaciones; cuyas obras tendrı́an carácter
de provisorias, algunas de ellas, pero el análisis de los resultados que se obtuvieran, serı́a
la base para el diseño de las defensas definitivas contra las inundaciones.

11
 Por todo lo mencionado, al llegar el momento de seleccionar el tema de la presente
Tesis Doctoral: ”Sistemas Inteligentes para el ajuste de Modelos Hidrológicos.
Aplicación al rı́o Paraná”, el factor determinante a tener en consideración fué el de
elegir un tema que me permitiese desarrollar investigaciones, que enriquecieran mi for-
mación profesional y a su vez que las mismas, con los resultados que se obtuviesen en
consecuencia, pudieran posteriormente redundar no solo en un beneficio para la provincia
de Corrientes sino también para toda la región del NEA, terruño en el que vivo y desem-
peño mis labores. Este objetivo perseguido, con polı́ticas de Estado acordes al tema que
nos ocupa y medidas implementadas en un Mediano Plazo, redundarı́an sin lugar a dudas
en un amplio beneficio para toda la sociedad.
Considerando además el hecho de haber trabajado en el Ministerio de Obras y Servi-
cios Públicos de la Provincia de Corrientes, en la Dirección de Hidráulica, en el Centro de
Informática Hı́drica, y al ser miembro del Equipo de Emergencia Hı́drica de la Provincia
de Corrientes, en las inundaciones que azotaron a la región en el año 1992, me permi-
tió apreciar en el lugar de los hechos y con toda claridad, la gravedad de una emergencia
provincial producida por inundaciones.
El proyecto de la presente Tesis Doctoral, fue presentado ante el Ministerio de Obras y
Servicios Públicos de la Provincia de Corrientes, obteniéndose el aval total al proyecto por
parte del Ing Anibal D. Godoy, en su carácter de Ministro de Obras y Servicios Públicos
de la Provincia de Corrientes, República Argentina.

12
 Parte I

Estado del Conocimiento y Marco de

Referencia

13
14
Capı́tulo 1

Introducción a la Problemática
Planteada

1.1. Introducción
En este Capı́tulo se presenta una descripción de la Problemática Planteada en la Tesis,
comenzando en la Sección (1.2) con generalidades de la Problemática de la Predicción
Cientı́fica, luego se presenta en la Sección (1.2.1) la Predicción de Inundaciones, analizando
su relación con las Predicciones Meteorológicas a Largo Plazo en Sección (1.2.2), las
Predicciones Estacionales Regionales en Sección (1.2.3) y las Predicciones de Avenidas en
Sección (1.2.4).
Seguidamente se presentan en la Sección (1.3) los Aspectos Hidrológicos comenzando
en la Sección (1.3.1) con una breve mención de las Cuencas Hidrográficas, siguiendo con
la descripción de la región en la cual se estudiarán las inundaciones por crecientes del rı́o
Paraná, en la Sección (1.3.2) se presenta la Cuenca del Plata, en la Sección (1.3.3), se
detalla la Cuenca del rı́o Paraná, en la Sección (1.3.4) se describe las carácterı́sticas del
rı́o Paraná, en la Sección (1.3.5) se analiza el fenómeno climático de las Inundaciones, en
la Sección (1.3.6) se caracterizan las inundaciones de la región correntina, en la Sección
(1.3.7) se presentan los Estudios de Pronóstico de Crecida existentes para la región y en la
Sección (1.3.8), se enumeran las fuentes de los datos que se trabajaron para el desarrollo
de la presente tesis.
Posteriormente en la Sección (1.4) se describe la Estructura de la Tesis.

1.2. Problemática de la Predicción Cientı́fica

La predicción en el contexto cientı́fico es una declaración precisa de lo que ocurrirá en
determinadas condiciones especificadas, se puede expresar a través del silogismo: Si A es
cierto, entonces B también será cierto. El método cientı́fico concluye con la prueba de afir-
maciones que son consecuencias lógicas de las teorı́as cientı́ficas, la verificación se hace a
través de experimentos que deben poder repetirse o mediante estudios de observacionales
rigurosos, porque una teorı́a cientı́fica cuyas aseveraciones no son corroboradas por experi-
mentos, pruebas u observaciones, es descartada. El falsacionismo de Karl Popper [Popper,
2002] considera que todas las teorı́as deben ser puestas en cuestión para comprobar su ri-
gor. Las teorı́as que generan muchas predicciones, resultan valoradas, tanto por su interés

15
cientı́fico como por sus aplicaciones, se confirman o se falsean fácilmente y, en muchos
campos cientı́ficos, las más deseables son aquellas que, con número bajo de principios
básicos, predicen un gran número de sucesos.
La teorı́a de la predicción ciéntifica, tiene su origen en la década de los años 50, siendo
actualmente un área en la que se han realizado avances teóricos muy importantes y se ha
probado su eficiencia en múltiples áreas, como se detalla en lo siguiente.

1948: Primera aplicación del método DELPHI, desarrollado por la Rand Corpora-
tion, para predecir los resultados de las carreras de caballos.
1949: A. Kaplan, A.L. Skogstad y M.A. Girshick publican ”The prediction of social
technological events”, donde se da el soporte cientı́fico a la técnica Delphi.
1951: Primer experimento Delphi con fines militares (Dalkey y Helmer).
1958: Aparición del artı́culo de Brown que sienta las bases para los métodos de
alisado.
1963: Primer experimento Delphi con fines no militares (Helmer y Quade).
1970: Primera edición del clásico de Box, G. E. P.; Jenkins, G. M.; and Reinsel, G.
C., Time Series Analysis, Forecasting and Control.
1974: Hasta este año, el método Delphi ha estado creciendo en popularidad: casi
500 artı́culos publicados. Pero a partir de aquı́ se inicia un periodo de crisis de este
método.
1980: Creación de la revista Journal of Time Series Analysis.
1980: Se da por terminada la fase de crisis del método Delphi.
1981: Celebración del primer simposio internacional sobre predicción (ISF1981).
1981: Creación de la revista Journal of Forecasting.
1984: Creación de la revista International Journal of Forecasting.
1985: Inicio de la recuperación y aplicación continua de la técnica Delphi a problemas
concretos y refinamiento de la metodologı́a.
1986: Publicación de PDP Books (Parallel Distributed Processing, Vol. I and II) edi-
tados por David Rumelhart y James Mc Clelland que supuso un verdadero aconte-
cimiento por la presentación del método de aprendizaje de retropropagación (”back-
propagation”) para redes neuronales tipo Perceptrón Multicapa.
1987: Creación de la International Neural Networks Society (INNS) en la celebración
de la IEEE International Conference on Neural Networks con 1700 participantes
(San Diego).
1990: Publicación de la revista Transactions on Neural Networks por el IEEE.
1999: G. Rowe y G.Wrigth publican en el International Journal of Forecasting un
artı́culo de referencia fundamental, The Delphi tehnique as a forecasting tool: issues
and analysis, recopilatorio del estado del arte y posibilidades abiertas al método
Delphi.

16
 1999: Publicación en España de un pequeño pero magnı́fico libro sobre el método
Delphi. Jon Landeta, El método Delphi, Ariel Practicum, Barcelona.

2001: Publicación del tratado ”Principles of Forecasting”, editado por J. S. Arms-

trong.

2005: Bodas de Plata del International Symposium on Forecasting, el foro mundial

de mayor relevancia sobre la predicción.

1.2.1. Predicción de Inundaciones

La predicción de las inundaciones es la estimación de la ocurrencia de un evento futuro
empleando el conocimiento del medio ambiente y la recopilación de datos historicos. La
predicción precisa de inundaciones permite estimar cuándo ocurrirán y de que magnitud
serán, lo que permite tomar medidas proactivas para proteger las áreas pobladas, como
la evacuación de poblaciones en situación de riesgo y levantar barreras antes que llegue el
desastre, lo que permite minimizar su impacto devastador.
La predicción de inundaciones se desarrolla en distintas etapas:

Predicción Meteorológica: parte del conocimiento cientı́fico y la utilización de nuevas

tecnologı́as, realizan la predicción del estado atmosférico a corto plazo y en un lugar
determinado.

Predicción de Avenidas: parte de la situación meteorológica futura para predecir las

inundaciones resultantes y su magnitud, mediante modelos hidrológicos.

Las nuevas tecnologı́as y en especial los Sistemas Inteligentes, hacen posible que los
investigadores combinen los datos de numerosas fuentes como datos de observaciones reco-
pilados por radares, satélites o estaciones meteorológicas y base de datos, que integrados
a la comprensión de los sistemas meteorológicos y los rı́os, además de la influencia de
factores humanos y naturales, permiten generar modelos complejos de estos fenómenos
naturales. Varios de estos proyectos son financiados por la Unión Europea como EURAIN-
SAT, CARPE DIEM, MUSIC, MANTISSA y VOLTAIRE y están explorando formas de
utilizar estos avances para mejorar el rendimiento de los modelos de inundaciones.
El proyecto transnacional DEMETER, coordinado por el Centro Europeo de Pronósti-
co Meteorológico a Plazo Mediano, está trabajando en el primer sistema de modelaje
mundial que produce previsiones del tiempo por estaciones a largo plazo. Estas previ-
siones pueden dar datos sobre las precipitaciones muy valiosos ya que ayudan a saber
por anticipado cuándo habrá inundaciones, proporcionando predicciones sobre la pro-
babilidad de que se dé un cierto régimen o patrón meteorológico en varias estaciones
o incluso años antes, incluyendo el impacto que tendrá sobre la agricultura y la sa-
lud, [Europea, 2013]. Para más información sobre DEMETER se puede consultar en:
http://www.ecmwf.int/research/demeter/.

1.2.2. Predicciones Meteorológicas a Largo Plazo

Las predicciones meteorológico a largo plazo consideran interacciones conocidas entre
la atmósfera y los océanos, analizan las anomalı́as de la temperatura de la superficie del

17
agua en los océanos Pacı́fico, Atlántico e Índico, la superficie y espesor de los hielos en
las regiones polares y la nieve acumulada en latitudes elevadas, factores que inciden en
el clima mundial y regional en las siguientes estaciones, prediciendo el clima a escala
estacional a interanual, [OMM, 2013].
El fenómeno de El Niño/Oscilación Austral (ENOA), es un ciclo de la interacción
océano/atmósfera que supone variaciones anormales periódicas de la temperatura de las
aguas, demasiado cálidas o muy frı́as, en grandes extensiones de las zonas oriental y central
del océano Pacı́fico, ası́ como las variaciones conexas en los patrones de la circulación
atmosférica, que reciben el nombre de El Niño y La Niña, respectivamente.
En estos casos se analiza información más generalizada, que permite realizar análisis de
los fenómenos que se reiteran en secuencias en el tiempo, pudiendo realizar predicciones
de mediano plazo. Se analizan episodios de fenómeno de tres a seis estaciones, de una
periodicidad de dos a siete años y presentan efectos predecibles en el clima.
En las predicciones a largo plazo se emplean generalmente métodos estadı́sticos basa-
dos en datos climáticos históricos, registros de perı́odos de 30 a 50 años, que son anali-
zados con modelos computadorizados dinámicos como los modelos de circulación general
del acoplamiento océanoatmósfera y modelos regionales con mayor resolución, basados en
las leyes fı́sicas que gobiernan el sistema climático. Por lo que respecta a la predicción
por conjuntos, se aplican los modelos de circulación general haciendo varias pasadas con
diferentes valores iniciales. En muchos casos se combinan las técnicas de modelización
estadı́stica y dinámica con el fin de estimar con mayor precisión la probabilidad y la
incertidumbre de las predicciones, [OMM, 2013].
El climatólogo Eduardo Sierra, [Sierra, 2013], señala que en los últimos cincuenta
años, en Argentina se suceden, por cada ciclo Niño, dos de Niña consecutivos, uno mo-
derado y otro más intenso, esto es lo que provoca las pérdidas más cuantiosas, porque
los productores no logran recuperarse de un año a otro. También manifesto que los años
2012/13 tendran presencia de un fenómeno Niño; luego se espera una secuencia de dos
ciclos con preponderancia a Niña, por lo cual el perı́odo 2013/14 estarı́a marcado por una
prevalencia de Niña leve, que puede ocasionar pérdidas en los rendimientos, pero no en
cifras drásticas; en tanto, hacia el 2014/2015 este fenómeno podrı́a intensificarse, si se pre-
senta sin lluvias durante enero, los daños pueden ser aún más grandes, las caracterı́sticas
de estos fenómenos climáticos se detalla en las gráficas de la Figura (1.1).

Figura 1.1: Caracterı́sticas comparativas de los fenómenos de El Niño y La Niña.

18
1.2.3. Predicciones Meteorológicas Estacionales Regionales

El objetivo no es predecir las condiciones meteorológicas concretas en un dı́a dado,

sino determinar las condiciones medias del tiempo a lo largo de varios dı́as. De hecho,
se pronostica el comportamiento a gran escala de la atmósfera y como lo afectan los
mecanismos de influencia en mayor medida, al ser imposibles de predecir de forma precisa
las caracterı́sticas atmosféricas a pequeña escala, por estar sujetas cambios rápidos no
predecibles, [Ogallo, 2013].
Durante 2007 Argentina, Chile, Uruguay, Paraguay y Brasil estuvieron afectados por
sequı́as regionales y esto está relacionado al efecto de La Niña que se desarrollo entre
2007 y culmino a principios de 2008. Por efecto de La Niña 2007/08, los antecedentes
hidrológicos y el desarrollo de la situación sinóptica particular hubo también grandes
inundaciones en Bolivia y el noroeste de Argentina. Esto se debe a que el desarrollo de las
temperaturas del Pacı́fico y su interacción con la atmósfera son siempre un poco diferentes.
Esto sumado a las condiciones del Atlántico hace que los sistemas sinópticos cambien y
a veces modifican fuertemente el clima por un cierto tiempo. Por eso es necesario poder
ajustar mejor una predicción estacional operativa, teniendo en cuenta la modificación de
la situación sinóptica por los océanos tanto Pacı́fico como Atlántico y las condiciones
hidrológicas antecedentes, de cada región en particular.

1.2.4. Predicciones de Avenidas

Las Avenidas son inundaciones ocurridas dentro de los cauces de las aguas continen-
tales, siendo relevante la estimación de su desarrollo, tiempo y duración, especialmente
del caudal máximo, en un punto especı́fico del cauce, ocasionada mayormente por fuertes
precipitaciones y/o deshielo.
La predicción de avenidas se realiza mediante modelos que realizan estimaciones futu-
ras de variables hidrológicas relacionadas con la avenida, en función de los datos disponi-
bles actuales, datos históricos o datos producto de simulaciones de la cuenca.
En la predicción de avenidas se debe analizar lo siguiente: [Mediero Orduña, 2007]:

1. Detección de avenidas: Consiste en la estimación de la posibilidad de formación de

una avenida a partir de un análisis hidrometeorológico.

2. Pronóstico de avenidas: Consiste en la estimación cuantitativa de los valores futuros

de una variable hidrológica durante una inminente situación de avenida.

3. Alerta de avenidas: Consiste en la comunicación del nivel de peligrosidad y el tiem-

po de llegada de una avenida, junto con alguna estimación de tipo cualitativo que
indique la posibilidad de excedencia de un umbral determinado. Las alertas de ave-
nidas normalmente van dirigidas a las autoridades responsables de las actuaciones
en caso de avenidas y a los usuarios afectados por la misma.

19
1.3. Aspectos Hidrológicos de la Región

1.3.1. Cuencas Hidrográficas

Una Cuenca Hidrográfica consiste en una cuenca de drenaje, considerando el área de
territorio que aporta agua a la corriente principal o sistema de drenaje natural, que drena
sus aguas a través de un único rı́o, al mar o un lago endorreico. La naturaleza de un
modelo de drenaje puede variar mucho de un tipo de terreno a otro, fundamentalmente
en respuesta a los tipos de suelos sobre los cuales se desarrolla la corriente o al modelo
estructural de fallas y pliegues. También recibe los nombres de hoya hidrográfica, cuenca
de drenaje y cuenca imbrı́fera.
Existen tres tipos de cuencas según el destino final del drenaje de sus aguas:

Exorreicas: drenan sus aguas al mar o al océano. Un ejemplo es la cuenca del Plata,
en Argentina.

Endorreicas: desembocan en lagos, lagunas o salares que no tienen comunicación

fluvial al mar. Por ejemplo, la cuenca del rı́o Desaguadero, en Bolivia.

Arreicas: las aguas se evaporan o se filtran en el terreno antes de encauzarse en una

red de drenaje, son frecuentes en áreas desérticas. Por ejemplo, los arroyos, aguadas
y cañadones de la meseta patagónica central, en Argentina, pertenecen a este tipo,
ya que no desaguan en ningún rı́o u otro cuerpo hidrográfico de importancia.

Una cuenca y una cuenca hidrológica se diferencian en lo siguiente:

Cuenca: se refiere exclusivamente a las aguas superficiales.

Cuenca Hidrológica: considera las aguas superficiales, incluyendo también las aguas
subterráneas o acuı́feros.

La cuenca hidrográfica es delimitada de otra cuenca por una lı́nea imaginaria denomi-
nada lı́nea de las cumbres o divisoria de aguas, como se detalla en la imagen de la Figura
(1.2). La delimitación de la cuenca debe seguir las altas cumbres, debe cortar ortogonal-
mente a las curvas de nivel y no debe cortar ninguno de los cauces de la red de drenaje.
Esta delimitación también es usada en la ubicación de los recursos naturales, los cuales
se regulan administrativamente separando el territorio por cuencas hidrográficas.
Tradicionalmente la delimitación de cuencas, se ha realizado mediante la interpretación
de los mapas cartográficos, este proceso, ha evolucionando con la tecnologı́a y actualmente
los Sistemas de Información Geográfica (SIG), proporcionan aplicaciones que facilitan el
análisis y delimitación de cuencas.
La generación de caudales circulante en una cuenca hasta el punto de desagüe, pueden
observase en la Figura (1.3), el cual comienza al producirse una precipitación sobre el
conjunto de la misma, cabe indicar que la precipitación puede tener lugar sobre diferen-
tes tipos de superficie como vegetación, superficie del terreno, o masas de agua, con la
consiguiente repercusión en la continuación del proceso. Una parte del agua procedente
de la precipitación, según las épocas y las caracterı́sticas concretas de la cuenca, retorna
a la atmósfera a través de evaporación desde la vegetación, desde la superficie del terreno

20
Figura 1.2: Una cuenca de drenaje es la zona de tierra drenada por una corriente y
sus afluentes. Las divisorias son los lı́mites que separan las cuencas de drenaje. Fuente:
AGUSUP-21.

y desde la superficie de las masas de agua. El agua también puede volver a la atmósfe-
ra a través del fenómeno de transpiración de las plantas, que se suma a la precipitada
directamente sobre dicha superficie, [UNICAN, 2004].
Las aguas superficiales de la cuenca se infiltran en el suelo dependiendo de su carac-
terı́sticas y su contenido de humedad, quedando almacenada temporalmente en la capa
superior del suelo, para luego moverse en forma ascendente hacia la superficie del te-
rreno por capilaridad, o moverse horizontalmente, como flujo hipodérmico, alcanzando
eventualmente un cauce fluvial, o puede percolar verticalmente hacia capas acuı́feras más
profundas. El agua en el acuı́fero se mueve lentamente, si bien puede constituir el flu-
jo base que se incorpora a los cauces fluviales. El agua superficial que no es capaz de
ser almacenada ni infiltrada escurre sobre la superficie del terreno, siguiendo la lı́nea de
máxima pendiente, hasta alcanzar un cauce fluvial, a lo largo del cual se desplaza, com-
binándose con otras incorporaciones, hasta alcanzar el punto final de desagüe de la cuenca,
[UNICAN, 2004].
El caudal circulante por un determinado punto de un cauce fluvial está constituido
por la agrupación de caudales procedentes de escorrentı́a superficial, del flujo hipodérmico
y del flujo base, la agrupación se produce de forma arborescente, debiéndose tener pre-
sente los tiempos de tránsito a lo largo de los diferentes cauces y los almacenamientos
transitorios en los mismos, que repercuten en la forma del hidrograma, [UNICAN, 2004].
La forma de la cuenca hidrográfica es importante porque determina el Tiempo de
Concentración (Tc), el cual es el tiempo necesario, desde el inicio de la precipitación, para
que toda la cuenca contribuya al cauce principal en estudio, es decir, el tiempo que toma
el agua precipitada en los lı́mites más extremos de la cuenca para llegar al punto de salida
de la misma. Es importante destacar que, en la medida que el tiempo de concentración
de la cuenca sea mayor, su respuesta a determinada precipitación en la producción de

21
Figura 1.3: Representación esquemática del comportamiento hidrológico de una cuenca.

caudal, tenderá a ser menor y viceversa.

Coeficiente de Compacidad o Indice de Gravelius (Kc): Es la relación entre el perı́metro
de la cuenca y el perı́metro de un cı́rculo de área igual al de la cuenca, el cual se calcula
con la Ecuación (1.1), [Tutoriales, 2013]:

P
Kc = 0, 28 √ (1.1)
A
donde:

P : es el perı́metro de la cuenca (Km)

A: el área de la cuenca (Km2 ).

El Coeficiente de Compacidad podrá ser menor a la unidad y en la medida que se

acerque a la unidad la forma de la cuenca tenderá a parecerse a la de un cı́rculo.
Si se asocia el Coeficiente de Compacidad de cada cuenca con el Tiempo de Concen-
tración, tendrı́amos que en el caso de la cuenca con mayor Coeficiente de Compacidad, ver
cuenca de la izquierda en la Figura (1.4), se tiene que al mayor Tiempo de Concentración,
la magnitud de la escorrentı́a generada por una precipitación en ella sea menor que en
aquélla que posee el menor Coeficiente de Compacidad, ver cuenca de la derecha en la
Figura (1.4).
Coeficiente de Forma (Kf ): Es la relación entre el ancho medio de la cuenca (B) y la
longitud de su cauce principal (Lc). El ancho medio se obtiene cuando se divide el área de
la cuenca por la longitud del cauce principal, por lo tanto el Coeficiente de Forma queda
definido por la Ecuación (1.2), [Tutoriales, 2013]:

22
 Figura 1.4: Formas de Cuencas y Coeficiente de Compacidad asociados.

B A
Kf = √ = √ (1.2)
Lc Lc2
donde:

B : es el ancho medio de la cuenca (Km)

Lc: es la longitud de su cauce principal (Km)
A: el área de la cuenca (Km2 ).

En la medida que el Coeficiente de Forma de una cuenca determinada sea más bajo,
estará menos sujeta a crecientes que otra del mismo tamaño, área, pero con mayor Coe-
ficiente de Forma, es el caso inverso al presentado para el Coeficiente de Compacidad o
Índice de Gravelius.

1.3.2. La Cuenca del Plata

La Cuenca del Plata, con una superficie de 3.200.000 km2 , es el sistema hı́drico más
grande de Sudamérica después del Amazonas y es la quinta cuenca hidrográfica más
grande del mundo, en superficie es casi igual al área de la Unión Europea.
Esta Cuenca incluye la Cuenca del Paraná, es el asentamiento de la mayor parte de la
agricultura de los paı́ses del MERCOSUR. La navegación fluvial es importante desde el
rı́o de la Plata hasta el Paraguay. Varias presas utilizan el potencial eléctrico del rı́o, que
también se aprovecha para la pesca y el regadı́o, [Wikipedia, 2013].
Comprende una parte importante de los territorios pertenecientes a Argentina, Bolivia,
Brasil y Uruguay y la totalidad del territorio de Paraguay, como se indica en el mapa de la
Figura (1.5). Las precipitaciones en su ámbito se reúnen en dos grandes afluentes, los rı́os
Paraná y Uruguay, que luego vierten sus aguas en el rı́o de la Plata. El conjunto fluvial y
lacustre de la Cuenca del Plata forma el principal sistema de recarga del acuı́fero guaranı́,
uno de los mayores reservorios continentales de agua dulce del mundo.
La cuenca sirve de asiento a una población de decenas de millones de habitantes, por
lo que la interacción humana con la misma a lo largo del tiempo en forma incontrolada

23
Figura 1.5: Mapa de la Cuenca del Plata, que comprende territorios pertenecientes a
Argentina, Bolivia, Brasil y Uruguay y la totalidad del territorio de Paraguay.

produce cambios significativos, tanto para la cuenca como para la calidad de vida de sus
habitantes.
Los dos grandes rı́os de la cuenca, el Paraná y el Uruguay, tienen una densa red de
afluentes, subafluentes y tributarios menores, como los rı́os Paraguay, Pilcomayo, Bermejo,
Iguazú, entre otros.
Es una región de extraordinario valor ecológico y económico, con una rica variedad
morfológica y climática, calidad de suelos, recursos acuáticos y diversidad biológica y
cultural, que la hacen sumamente apropiada para la implementación de estrategias de
desarrollo sustentable.

1.3.3. La Cuenca del Rı́o Paraná

La Cuenca sedimentaria del Paraná, es una amplia cuenca sedimentaria situada en
el área centro-este de América del Sur, forma parte de la extensa cuenca combinada del
Plata. Su área cubre principalmente el centro-sur de Brasil, desde el estado del Mato
Grosso hasta el estado de Rio Grande do Sul, donde se encuentra el 75 % de su superficie.
Además de Brasil, también se extiende por el nordeste de Argentina y por la región este
de Paraguay y el norte de Uruguay. Es una depresión ovalada, con el eje mayor orientado
de norte a sur, y posee un área de cerca de 1.500.000 millones de km2 , [Wikipedia, 2013].
Esta cuenca recoge las aguas de la mayorı́a de los rı́os del sur del continente, como el
Paraná, el Paraguay, el Uruguay, sus afluentes y diversos humedales, como el Pantanal,

24
los Esteros del Iberá y el Bañado la Estrella, siendo la segunda cuenca más extensa de
Suramérica, sólo superada por la del rı́o Amazonas, siendo el colector principal el rı́o
Paraná, que corre su eje central de norte a sur.
Presenta un enorme potencial hidroeléctrico, debido al gran volumen de agua de sus
rı́os, tanto del rı́o Paraná como de diversos afluentes, sumado al terreno accidentado de
la cuenca.
Un importante recurso natural de la cuenca es el agua subterránea del Acuı́fero Gua-
ranı́, que constituye uno de los mayores acuı́feros del mundo y es la mayor reserva sub-
terránea de agua de América del Sur. El acuı́fero posee un área de presencia de cerca de
1,2 millones de km2 , un volumen de aproximadamente 46 mil km3 .

1.3.4. El Rı́o Paraná

El rı́o Paraná es el segundo en longitud de Sudamérica, después del Amazonas, con
una longitud de 4.880 km desde su nacimiento en los estados brasileños de São Paulo,
Minas Gerais y Mato Grosso del Sur, de la confluencia del rı́o Grande y el rı́o Paranaı́ba,
hasta su desembocadura en delta en el Rı́o de la Plata, en las provincias argentina de
Santa Fé y Entre Rı́os, con un caudal promedio de 17.290 m3 /s y un cauce que varia de
3.500 m a 6.000 m de ancho, sembrado de islas y bancos de arena de todas dimensiones,
que en perı́odos de inundación llega a superar los 10.000 m de ancho, [Wikipedia, 2013].
Desde su nacimiento hasta la desembocadura pueden diferenciarse tres tramos:

Superior o Alto Paraná: desde el nacimiento hasta la confluencia del rı́o Paraguay,
1.550 km,

Medio Paraná: desde la Confluencia con el rı́o Paraguay hasta Diamante, a lo

largo de aproximadamente 722 km,

Paraná Inferior o Delta: desde Diamante hasta la confluencia con el rı́o Uruguay,
298 km.

Los saltos de agua y rápidos del alto Paraná han sido aprovechados para la generación
de energı́a eléctrica y el almacenamiento de agua para consumo y riego, a través de la
construcción de centrales hidroeléctricas, existiendo más de 130 represas en la cuenca,
considerando sólo aquellas con altura superior a 10 metros, que transformaron el rı́o
Paraná y sus principales afluentes en una sucesión de lagos.
En territorio argentino se ubica una gran represa en el Alto Paraná, muy próxima a
la ciudad de Corrientes, se encuentran las obras del complejo Apipé-Yaciretá, acordado
entre Argentina con Paraguay, el cual provoca un fuerte impacto sobre la región. En el
mapa de la Figura (1.6), puede observase la ubicación de las represas hidroeléctricas de
Itaipú que se encuentra entre Paraguay y Brasil y la de Yacyretá que se encuentra entre
Paraguay y Argentina, ambas represas ejercen una acción reguladora del cauce del rı́o y
un efecto directo en toda la cuenca.
La localidad de Corrientes se encuentra en el Paraná Medio, muy cerca de la confluencia
del rı́o Paraguay, ubicando el área que se estudia, entre el Alto y Medio Paraná.
Las variaciones de caudal del rı́o Paraná dependen de las precipitaciones que se re-
gistran en territorio brasileño, el mencionado rı́o atraviesa zonas con distintos tipos y

25
variedades climáticas. El curso superior presenta una creciente anual durante el verano,
mientras que los cursos medio e inferior ven modificado su régimen por los aportes del rı́o
Paraguay, lo que provoca una segunda creciente durante el invierno. El máximo caudal
del rı́o se registra hacia fines del verano (febrero-marzo) y el estiaje a fines del invierno
(agosto-septiembre).

Figura 1.6: Ubicación de las Represas de Itaipú y de Yacyretá, en el curso del rı́o Paraná.

1.3.5. Las Inundaciones

La mayorı́a de inundaciones tiene un origen meteorológico provocado por los procesos
atmosféricos que pueden variar mucho tanto en tiempo como en espacio. Solamente una
hora o menos de tormenta puede desencadenar inundaciones en los valles pequeños. Por el
contrario, las grandes inundaciones en los grandes valles fluviales suelen ser el resultado de
una serie de precipitaciones extraordinarias sobre una región amplia durante un intervalo
largo de tiempo.
Los efectos de los fenómenos climáticos pueden presentarse con diferentes magnitudes,
desde pequeños inconveniente o llegar a ser grandes catástrofes, con consecuencias directas
en la calidad de vida de las diferentes poblaciones y en la economı́a regional. En la década
de 1990, la mayorı́a de los desastres naturales tuvieron que ver con fenómenos extremos
climáticos, con consecuencias de pérdidas humanas en promedio anual de 80.000 vı́ctimas;
se vieron afectadas 200 millones de personas y las pérdidas económicas se elevaron a 63.000
millones de dólares EE.UU., siendo las Inundaciones el fenómemo que más se presenta de
estas catástrofes, como puede observarse en el gráfico de la de la Figura (1.7), [OMM,
2013].
El fenómeno de Inundación, es definido por la Directiva 2007/60/EC de la Unión
Europea, como: el cubrimiento temporal por agua de una tierra que normalmente no
se encuentra cubierta, [Parliament, 2007]. Por lo tanto, se incluyen las inundaciones
producidas por rı́os, torrentes, corrientes de agua efı́meras mediterráneas e inundaciones

26
Figura 1.7: Fuente: Oficina de asistencia al exterior en casos de desastres OFDA de los
EE.UU./ Centro de Investigaciones sobre la epidemiologı́a de los desastres CRED; IFRC.

marı́timas en zonas costeras, por ser un fenómeno tan frecuente y al no poder ser eliminado
en algunas situaciones o solo puede ser atenuado, es importante contar con sistemas de
predicción, de planeamiento y de alerta, que permitan la estimación de las zonas que serán
afectadas, los riesgos econonómicos y productivos de las regiones afectadas, que sirvan de
apoyo a la toma de medidas preventivas, para que sean minimizados los daños.
Las principales fuentes que pueden causar una inundación en un área urbana son,
[Esc]:

Inundación Pluvial : Lluvias de alta intensidad pueden producir inundaciones en

áreas urbanas. Este tipo de inundación puede ser más peligrosa en aquellas situacio-
nes en las que el sistema de drenaje de la ciudad sea ineficaz o esté mal dimensionado.

Inundación Fluvial : El caudal en rı́os y cauces puede desbordar las márgenes e inun-
dar áreas urbanas. Aunque las inundaciones de origen fluvial suelen estar asociadas
a fenómenos de tormenta, deben analizarse diferentes fuentes de riesgo, dado que
precipitaciones en cuencas situadas aguas arriba pueden ocasionar inundaciones,
independientemente de la precipitación ocurrida en el área urbana. Además, otros
procesos naturales como el deshielo pueden derivar en importantes inundaciones
fluviales.

Inundación Marı́tima: El mar puede inundar zonas urbanas situadas en la costa

como resultado de la acción de huracanes, ciclones o tifones. Además, en el caso de
zonas urbanas situadas bajo el nivel del mar, si las infraestructuras de protección
no son capaces de contener la acción del oleaje, las consecuencias de una posible
inundación marı́tima podrı́an ser de gran importancia. El mar ejerce, a su vez, de
condición de contorno concomitante a la inundación fluvial, no permitiendo desaguar
al mar y elevando el nivel del rı́o.

Colapso Estructural : El fallo de una infraestructura puede ocasionar importantes

inundaciones y puede incrementar las consecuencias por inundación producidas por
otras fuentes. Por ejemplo, el fallo de una presa producirı́a un elevado aumento del
caudal de descarga en el rı́o, ocasionando elevadas consecuencias aguas abajo. Por

27
 ello, las medidas estructurales para la reducción del riesgo de inundación presentan
normalmente un doble papel.

Además de las fuentes de riesgo citadas anteriormente, existen fenómenos como el

cambio climático que pueden aumentar el riesgo de inundación. También existen otras
amenazas importantes como el terrorismo, el sabotaje o el vandalismo que pueden llevar a
la destrucción de estructuras como diques y presas, provocando importantes inundaciones.

1.3.6. Las Inundaciones en Corrientes

Desde 1982 hasta el año 2000 se produjeron 174 eventos de inundaciones en diferentes
áreas de Corrientes. En los años 1982-1986 y 1998-2000 fueron los dos perı́odos donde
se registraron los niveles de alerta más alarmantes, ya sea por exceso de precipitaciones
o por creciente de rı́os. De esos perı́odos, los principales daños se concentraron en 1983,
1992 y 1998, todos coincidentes con eventos de la corriente de El Niño.
La crecida extraordinaria del Paraná detonó las inundaciones catastróficas de los años
1983 (recurrencia 130 años) y de 1992 (recurrencia 100 años). Se trató de crecidas ligadas
a la aparición de sendos eventos ENOS.
En 1998, se produjo una nueva inundación que, a diferencia de las anteriores, com-
binó niveles altos del rı́o Paraná (recurrencia de 40 años) con grandes precipitaciones al
interior de la provincia, lo que generó mayores daños económicos; esta inundación produjo,
sobre todo, graves impactos sobre el sector agropecuario.
Para apreciar la magnitud de las áreas inundadas en estos perı́odos puede apreciarse
en la imagen de la Figura (1.8), Foto Izq., el valle fluvial en oportunidad del fenómeno de
El Niño de 1998 y en la Foto Dcha., puede observarse el curso normal del rı́o Paraná.

Figura 1.8: Valle fluvial Rı́o Paraná aledaño a Corrientes, Foto Izq.:imagen Landsat
5 TM del 04/05/1998. Altura Rı́o Paraná en Puerto Corrientes = 8.38m. Fuente:
www.conae.gov.ar. Foto Dcha.: imagen Landsat 5 TM del 02/09/2007. Altura Rı́o Pa-
raná en Puerto Corrientes = 2.63m. Fuente: www.inpe.br.

En las inundaciones de 1998, producidas por la crecida de los rı́os Paraná y Uruguay
afectaron principalmente a las zonas urbanas y periurbanas de las localidades ribereñas,

28
mientras que las lluvias perjudicaron a las localidades del interior de la provincia con defi-
cientes sistemas de drenaje urbano y a la zona rural. Durante todo el perı́odo mencionado,
las inundaciones afectaron a 135.763 personas, lo que representa el 79.1 % de los afectados
por desastres en la provincia.
Si se consideran los tres grandes eventos de inundación, se tiene que El Niño de 1982-
1983 afectó sobre todo las localidades ribereñas de Corrientes y Goya, donde las aguas
permanecieron entre uno y varios meses.

1.3.7. Estudios Actuales sobre Pronósticos de Inundaciones en

Corrientes

De los estudios que actualmente se estan realizando sobre el pronóstico de crecida y

alturas del rı́o Paraná, podemos destacar dos estudios en especial:

1. Modelo de pronóstico de inundaciones en el Rı́o Paraná en Corrientes, basado en el

Fenómeno ENSO (El Niño / Oscilación del Sur)

2. Evaluación del riesgo ambiental por inundación con SIG del valle fluvial del rı́o
Paraná próximo a los núcleos urbanos de Resistencia y Corrientes

Modelo de pronóstico de inundaciones en el Rı́o Paraná en Corrientes, basado

en el Fenómeno ENSO (El Niño / Oscilación del Sur)

Es un estudio realizado por Flamenco, [Flamenco, 2010], [INTA and Flamenco, 2010],
[INTA, 2010], en el que analiza la ocurrencia de episodios fuertes del fenómeno El Niño
que provocan impactos climáticos severos (sequı́as, inundaciones) en distintas regiones del
planeta y en particular en el litoral de la República Argentina, donde las consecuencias
son inundaciones en el rı́o Paraná.
Este trabajo trata de incorporar la influencia de la variabilidad climática interanual
en la predicción de los volúmenes de descarga del rı́o Paraná, en especial analiza que en
el mes de Junio de 1997 habı́a evidencias claras del comienzo de un episodio El Niño
en el centro y este del Océano Pacı́fico Ecuatorial, siendo necesario tener conocimiento
con la mayor antelación posible, de la magnitud de la crecida a esperar en el rı́o Paraná.
Flamenco en base a ello elabora un modelo estadı́stico de predicción de inundaciones en
el rı́o Paraná, en la estación de Corrientes Capital, basado en la variabilidad climática
global.
El modelo es calibrado en el perı́odo 1950-1996 aplicando la técnica de Regresión
Múltiple Lineal. Usa como predictores observaciones de las temperaturas de la superficie
del mar (SST) del Océano Pacı́fico Ecuatorial, las de una región oceánica ubicada frente
a las costas peruanas y el Indice de Oscilación del Sur (SOI), y es posible aplicarlo en
los primeros dı́as del mes de Setiembre de cada año Niño. Con el objeto de evaluar la
habilidad predictiva de este modelo, es realizado un análisis entre los volúmenes observados
y simulados, aplicando la técnica de validación cruzada, siendo la diferencia promedio
histórica entre dichos valores del 8.4 %.

29
Evaluación del riesgo ambiental por inundación con SIG del valle fluvial del
Rı́o Paraná próximo a los núcleos urbanos de Resistencia y Corrientes

Basterra-Valiente-Glibota, [UNNE et al., 2010], analizan los pulsos hidrológicos anua-

les del rı́o Paraná y su afectación superficial en épocas de inundaciones en la morfologı́a
de su complejo y extenso valle fluvial. En las cercanı́as de Resistencia y Corrientes esta
particularidad ha sido muy notoria en 1982/83, 1991/92 y 1997/98, años en los que este
rı́o ha presentado caudales y volúmenes de escurrimiento extraordinarios por exceso.
Como resultado final ellos determinan categorı́as o niveles de riesgo ambiental por
inundación según que las inundaciones sean esporádicas, poco frecuentes o moderadamente
frecuentes y teniendo en cuenta su probabilidad de ocurrencia, las jerarquiza elaborando
finalmente un mapa de riesgo que contempla los escenarios planteados.

1.3.8. Fuentes de Datos para el Desarrollo de la Tesis

La recopilación de información para el desarrrollo del presente trabajo, fue una tarea
ardua, involucrando la solicitud de datos en varios Organismos Públicos del ámbito pro-
vincial y nacional. Inicialmente se solicitó un historial completo de variables hidrológicas
y Meteorológicas, en ocho intituciones.
Los Organismos Públicos, no cuentan con toda la información que se soliticitaba,
en otros casos la tienen parcialmente, o con perı́odos sin información en algunos datos
solicitados; esta situación dificultó la obtención de los datos, lo que prolongó el trámite
burocrático.
Los datos finales con que se trabaja en la presente tesis, son datos diarios del perı́odo
de años de 1989 a 2009, que han sido facilitados por las siguientes instituciones:

SMN-Servicio Meteorológico Nacional, Subsecretarı́a de Planeamiento, Ministerio

de Defensa, Rep. Argentina, [SMN, 2008 a 2013].
• Precipitaciones (mm)
• Temperaturas Máxima (o C)
• Temperaturas Mı́nima (o C)
• Temperaturas Media (o C)
• Humedad Relativa ( %)
• Viento Escalar Medio en Km/h
• Presión Atmosférica a nivel de la estación (hPa)
SNIH-Sistema Nacional de Información Hı́drica de la Subsecretarı́a de Recursos
Hı́dricos, Secretarı́a de Obras Públicas, Ministerio de Planificacion Federal, Inversión
Publica y Servicios, Rep. Argentina, [SNIH, 2008 a 2013].
• Altura del rı́o Media (m)
• Caudal del rı́o Máximo (m3 /seg)
• Caudal del rı́o Mı́nimo (m3 /seg)
• Caudal del rı́o Media (m3 /seg)
• Precipitaciones (mm)

30
1.4. Estructura de la Tesis
La presente Tesis Doctoral está organizada en dos partes, la Primera Parte corresponde
al Estado del Conocimiento y Marco de Referencia que incluye el Capı́tulo (1) Introducción
a la Problemática Planteada, que describe la problemática y las fundamentaciones que
llevaron a la elección del tema de la tesis, el Capı́tulo (2) Estado del Conocimiento, en el
que se abordan los Fundamentos Teóricos en los que se basan las Aportaciones Propuestas
en la tesis y el Capı́tulo (3) Descripción Estadı́stica del rı́o Paraná, en el que se realiza
un estudio estadı́stico descriptivo del comportamiento del rı́o Paraná.
La Segunda Parte es la Implementación y Validación de las Aportaciones Propuestas
en la tesis, que comprende el Capı́tulo (4) Aplicación de Modelos de Series Temporales
Lineales para Predicción, se presenta la generación y chequeo de diferentes modelos de
series temporales en la predicción de alturas del rı́o en la localidad de Corrientes, en el
Capı́tulo (5) Aplicación de Modelos de Rede Neuronales para Predicción a Corto Plazo,
se analizan y testean modelos de redes neuronales para hacer predicción a tres dı́as de
las alturas hidrométricas , en perı́odos de inundación, en la estación de Corriente, en
el Capı́tulo (6) Aplicación de Modelos de Redes Neuronales para Predicción a Mediano
Plazo, se presentan modelos de redes neuronales de diferentes arquitecturas y combinación
de ellos para hacer predicciones de alturas hidrométricas en perı́odos de inundación en
la localidad de Corrientes, en el Capı́tulo (7) Análisis de los Resultados Obtenidos, se
realiza un Análisis de los Resultados Obtenidos, comparando los resultados obtenidos en
la investigación de la presente tesis con los resultados de predicción del programa Pulso y
se finaliza con las Conclusiones, donde se presentan los resultados finales a los que se ha
llegado luego de la investigación de la presente Tesis Doctoral.

31
32
Capı́tulo 2

Estado del Conocimiento

2.1. Introducción
En este Capı́tulo se analiza el Estado del Conocimiento en el que se fundamenta el
presente trabajo, inicialmente en la Sección (2.2) se analiza los Procesos Estocásticos,
siguiendo en la Sección (2.3), con los Procesos Deterministas Caóticos, continuando en la
Sección (2.4), se inicia el análisis de los diferentes tipos de Modelos, como los Modelos
Fı́sicos , en particular los Casos de Rı́os, detallando los Modelos Hidrológicos o de Onda
Cinemática, los Modelos Hidrodinámicos, los Modelos de Cuencas y Redes Fluviale, se
presentan las Series Temporales, analizando los modelos ARIMA y las Redes Neuronales
describiendo sus diferentes estructura, el entrenamiento, el aprendizaje y las funciones de
activación, analizando algunos tipos de redes, en la Sección (2.5) se mencionan las Redes
Estáticas, describiendo principalmente el Perceptrón y las Redes Multicapa, en la Sección
(2.6) se presentan las Redes Dinámicas, detallando las Redes con Retraso de Tiempo-
FTDNN y redes de estructuras NAR, NARX y en la Sección (2.7) se describen las Redes
Profundas y en la Sección (2.8) se describen los Algoritmos Evolutivos y en particular se
mencionan los Algoritmos Genéticos.

2.2. Procesos Estocásticos

Constituye un Proceso Estocástico cada variable o conjunto de variables sometidas a
influencias o impactos aleatorios, que evoluciona a lo largo del tiempo de forma parcial o
totalmente aleatoria. Estas variables aleatorias (estocásticas) que evolucionan en función
de otra variable, generalmente el tiempo, teniendo cada una de las variables aleatorias del
proceso su propia función de distribución de probabilidad y, entre ellas, pueden estar co-
rrelacionadas o no. Se pueden encontrar patrones de regularidad en diferentes secciones de
una serie temporal, que pueden ser descritas mediante modelos basados en distribuciones
de probabilidad, por lo cual se denomina un proceso estocástico a la secuencia ordenada
de variables aleatorias Xt y su distribución de probabilidad asociada, [Alberola López,
2004].
Un ejemplo de este tipo de variables son las temperaturas en la ciudad de Corrientes,
con variaciones diarias aumentando durante el dı́a y bajando durante la noche y con va-
riaciones estacionales aumenta en el verano a valores muy altos y desciende en invierno; su
variación es parcialmente determinı́stica y parcialmente aleatoria como puede observarse

33
en la gráfica de la Figura (2.1).

Figura 2.1: Ejemplo de Procesos Estocásticos: Temperaturas Máximas y Mı́nimas diarias

de la ciudad de Corrientes en el año 1998.

Al analizar variables con caracterı́sticas aleatorias que permanecen constantes a través

del tiempo, al incluir en el estudio la presencia de la variable determinı́stica tiempo se
considera que la variable aleatoria depende del tiempo y del fenómeno probabilı́stico, en
consecuencia, cualquier función que se establezca en términos de la variable aleatoria, como
lo son la función de distribución o la función de densidad, serán también dependientes del
tiempo.
También puede definirse un proceso estocástico como una colección o familia de varia-
bles aleatorias Xt con t ǫ T , ordenadas según el subı́ndice t que se identifica con el tiempo.
Por tanto, para cada instante t tendremos una variable aleatoria distinta representada por
Xt , con lo que un proceso estocástico puede interpretarse como una sucesión de variables
aleatorias cuyas caracterı́sticas pueden variar a lo largo del tiempo.
Los posibles valores que puede tomar la variable aleatoria se denomina estados, por
lo que se puede tener un espacio de estados discreto y un espacio de estados continuo,
además la variable tiempo puede ser de tipo discreto cuando los cambios de estado ocurren
cada dı́a por ejmplo y o de tipo continuo, donde los cambios de estado se podrı́an realizar
en cualquier instante.
Dependiendo de cómo sea el conjunto de subı́ndices T y el tipo de variable aleatoria
dado Xt , se puede establecer la siguiente clasificación de Procesos Estocásticos, que se
sintetiza en el cuadro de la Figura (2.2):

Cadena: el tiempo se mueve en forma discreta y la variable aleatoria sólo toma

valores discretos en el espacio de estados.

34
 Proceso de Saltos Puros: los cambios de estados ocurren en forma aislada y aleatoria
pero la variable aleatoria sólo toma valores discretos en el espacio de estados.
Proceso Continuo: los cambios de estado se producen en cualquier instante y hacia
cualquier estado dentro de un espacio continuo de estados.
Los cambios de estado se producen en instante determinados de tiempo y hacia
cualquier estado dentro de un espacio continuo de estados.

Figura 2.2: Clasificación de Procesos Estocásticos.

Los Procesos Estocásticos pueden ser clasificados según el tiempo en:

Tiempo Discreto: Cuando el valor de la variable sólo puede cambiar en una serie
de momentos determinados del tiempo, por ejemplo, los sorteos de la loterı́a tienen
lugar en determinadas fechas.
Tiempo Continuo: Cuando el valor de la variable puede cambiar en cualquier mo-
mento del tiempo, por ejemplo, los cambios diarios de temperatura.

Otra forma de clasificar a los Procesos Estocásticos es según la variable aleatoria en:

Variable Continua: La variable puede tomar cualquier valor comprendido en un

rango, por ejemplo la temperatura.
Variable Discreta: La variable sólo puede tomar determinados valores o estados
discretos, por ejemplo los mercados financieros cotizan sus activos con unos precios
que oscilan: de céntimo de euro en céntimo de euro, o en 1/8 de punto, etc.).

Un proceso estocástico se define por una ley de probabilidad que gobierna la evolución
de una variable X (temperaturas, rendimientos, variación de los tipos de interés etc.)
a lo largo de un horizonte temporal t. De tal manera que para diferentes momentos del
tiempo t1 < t2 < t3 ... podemos obtener la probabilidad de que los valores correspondientes
x1 , x2 , x3 ..., se sitúen dentro de un rango especı́fico como, por ejemplo:
P rob[a1 < x1 = b1 ].

P rob[a2 < x2 = b2 ].

P rob[a3 < x3 = b3 ].

Cuando se llegue al momento t1 y observemos el valor correspondiente de x1 , podemos

condicionar la probabilidad de futuros sucesos, en base a la información conocida en un
momento ti , como se ejemplifica en la Figura (2.3).

35
 Figura 2.3: Procesos Estocásticos.

2.3. Procesos Deterministas Caóticos

La Teorı́a del Caos trata ciertos tipos de sistemas dinámicos muy sensibles a las varia-
ciones en las condiciones iniciales; son sistemas determinı́sticos, donde su comportamiento
puede ser completamente establecido conociendo sus condiciones iniciales, pero con la ca-
racterı́stica particular de que pequeñas variaciones en las condiciones iniciales pueden
implicar grandes diferencias en el comportamiento futuro, lo que hace dificil su predicción
a largo plazo. El caos termina con la dicotomı́a que existı́a bajo el enfoque determinista
tradicional entre determinismo y aleatoriedad, [Prigogine, 1997].
La incertidumbre proviene de la ignorancia de las diversas causas involucradas en la
realización de un evento ası́ como de la complejidad del mismo. Henri Poincaré, uno de los
pioneros en este campo, menciona que no son necesarios sistemas complejos para producir
aleatoriedad, lo describe como sensibilidad a las condiciones iniciales, lo cual origina que
un error pequeño en la medición de éstas, se convierte en un gran efecto en el fenómeno
final, de manera que la predicción se convierte en imposible, [Poincaré, 2009].
También se puede definir un sistema caótico como un sistema dinámico no lineal, lo que
constituye un ingrediente básico para garantizar la presencia del caos, tal que, si se parte de
condiciones iniciales localizadas en una cierta región, todas las trayectorias que se generan
están uniformemente acotadas, pero, de tal modo que, aunque al principio están muy
próximas, con el tiempo unas divergen de otras de modo exponencial y sin embargo, todas
las trayectorias poseen las mismas propiedades estadı́sticas. De modo que una trayectoria
generada por un sistema determinista caótico se asemeja a la realización de un cierto
proceso estocástico o serie temporal. Vemos ası́ que ciertas formas de determinismo pueden
originar comportamientos caóticos que, a su vez, se asemejan a procesos aleatorios, [Girón
González-Torre, 2013].
Los aspectos importantes asociados a la presencia del caos determinista son, [Girón
González-Torre, 2013]:

La no linealidad del sistema.

La pérdida de precisión, de carácter exponencial, en la predicción.

La imposibilidad de predecir a largo plazo.

36
 El saber cómo se comportan las trayectorias.

El conocer las propiedades estadı́sticas de las trayectorias, en el caso de que presenten

alguna regularidad de tipo estadı́stico.

La teorı́a del caos proporciona un medio para producir un origen determinista para
un proceso estocástico, añadiendo a las variables aleatorias otra posible fuente de azar,
siendo de intererés algunos aspectos, [Mateos de Cabo, 2013]:

El comportamiento caótico puede ser extraño, pero no es raro, de ahı́ su aplicación

a disciplinas tan diversas como la fı́sica, la quı́mica, la meteorologı́a, la biologı́a, la
epidemiologı́a y la medicina.

El caos en una clase creciente de sistemas dinámicos, que puede ser descriptos a
través de un número relativamente pequeño de objetos matemáticos y se han descu-
bierto ciertas propiedades universales que no parecen depender del sistema especı́fico
bajo estudio.

La teorı́a del caos presenta un carácter interdisciplinario.

Un ejemplo de Procesos Deterministas Caóticos, puede observarse en la Figura (2.4),

en la que se presenta la simulación de mercado en Monte Carlo del Costo Paramétrico
Estimado o CER, los ejes de los gráficos son temporales y se presentan cinco ejemplos
distintos interactuando entre sı́, al observar las gráficas en su conjunto podrı́amos decir
que es caótico, pero si miramos cada ejemplo individualmente podemos predecir bastante
bien, dentro de los lı́mites de Monte Carlo, dónde se va a girar al alza o a la baja, [Ball,
2013].

2.4. Modelos
Se denomina Modelo Cientı́fico a una representación conceptual, gráfica, fı́sica o ma-
temática, de fenómenos, sistemas o procesos a fin de analizar, describir, explicar, simular,
controlar y predecir esos fenómenos o procesos; permite determinar un resultado final a
partir de unos datos de entrada. Un modelo hace posible conocer o predecir propiedades
que se desconocen del objeto real, porque debe existir una relación de simetrı́a entre el
objeto real y el modelo, que permita asignar al primero las propiedades observadas en el
segundo, lo que dará sentido a la aplicación real de las respuestas derivadas del modelo.
Puede considerarse que un modelo consta de:

Conjunto de Reglas, de Representación de Entradas y de Salidas: permiten, partien-

do de una realidad fı́sica definir un conjunto de datos de entrada o input, a partir de
los cuales el modelo proporcionará un output o resultado final, que también será una
interpretación del efecto de las condiciones iniciales elegidas sobre la realidad fı́sica.

Estructura Interna: depende del tipo de modelo y permite definir una correspon-
dencia entre entrada y salida, pudiendo ser:

• Modelo Determinista: si a la mismo entrada le corresponde la misma salida.

37
Figura 2.4: Ejemplo de Procesos Deterministas Caóticos: Comportamiento de Mercados.
Fuente: [Ball, 2013].

• Modelo no Determinista: si a la misma entrada, pueden corresponderle dife-

rentes salidas.

Un modelo es una representación simplificada de la realidad, en la que se considera no

toda la complejidad de la realidad sino el conjunto de propiedades que se desea estudiar y
se construye estableciendo una relación de correspondencia con la realidad, cuyas varian-
tes pueden producir modelos de caracterı́sticas notablemente diferentes; por esta razón las
reglas de representación del modelo corresponden a un ámbito cientı́fico. En otras situa-
ciones puede no existir una representación adecuada de los datos o los resultados no ser
interpretables, porque solo corresponden a las condiciones consideradas en el desarrollo
del modelo.

2.4.1. Modelos Fı́sicos. Caso de Rı́os

Los modelos fı́sicos junto con los numéricos, las mediciones reales y la experimentación
en el terreno, constituyen las herramientas de estudio del comportamiento de los rı́os en
perı́odos normales como en situaciones extremas de inundaciones o de sequı́as prolongadas,
de los procesos de sedimentación o de erosión, como tambien las consecuencias que puede
tener en su comportamiendo, la construccion de puentes, represas, centrales hidrológica
o defensas contra inundaciones.
Este tipo de modelos son importantes para realizar estudios del comportamiento del

38
rı́o y su influencia en zonas costeras inundables en relación con las diferentes alturas
del rı́o, que deben ser analizadas en el diseño de las obras definitivas de defensa contra
las inundaciones fluviales y constituyen un conjunto de medios complementarios, cuya
aplicación permite optimizar sus capacidades y utilizar sus sinergias para alcanzar la
mejor solución para el problema en estudio.
El modelo fı́sico, en el caso de estudios de rı́os es la reproducción a escala reducida
de las magnitudes más representativas del sistema hidrológico o elementos a ensayar, el
cual, con las simplificaciones introducidas según las necesidades de cada caso, constituye
el prototipo, como se detalla en las imágenes de la Figura (2.5), que presentan el desarrollo
del prototipo de estudio de inundaciones del rı́o Mero, en La Coruña, España.

Figura 2.5: Modelo Fı́sico del rı́o Mero, (La Coruña-España), con el objetivo de hidro-
dinámica (flujo complejo) y altura de inundación. Fuente: [Vide, 2013].

La teorı́a de los modelos fı́sicos se basa en que a partir de las magnitudes fundamenta-
les como longitud (L), tiempo (t) y masa (M ), considerando las restantes magnitudes que
intervienen en la mecánica de fluidos como predeterminadas o son magnitudes derivadas
y en que en este sistema (L − t − M ) las ecuaciones hidrodinámicas del fluido son adi-
mensionales, por lo tanto se mantienen invariantes frente a una transformación del tipo,
[Gutiérrez Serret, 2013]:
Lp = λLm ;
t p = λt t m ;
Mp =λM Mm ;
siendo [m: modelo, p: prototipo]
De esta manera, si se conoce el comportamiento en el modelo (sistema Lm −tm −Mm ) de
un determinado fenómeno, teóricamente es posible deducir dicho fenómeno en el prototipo
(sistema Lp − tp − Mp ), sin más que utilizar para cada magnitud el cambio de escala según
los valores de los parámetros λ, λt y λM adoptados en la transformación anterior.
En dicha transformación cada ecuación representa lo que en la teorı́a de modelos
fı́sicos se conoce como semejanzas modelo-prototipo, pudiendo considerarse las siguientes
semejanzas, [Gutiérrez Serret, 2013]:

Semejanza Geométrica (λ): determina que la relación de dimensiones homólogas

modelo-prototipo es constante, denominándose a dicha relación escala geométrica o

39
 simplemente escala. En esta semejanza sólo influyen aspectos de forma, destacándose
los detalles geométricos y la rugosidad superficial, los cuales representan una primera
dificultad para que la semejanza modelo-prototipo sea completa.

Semejanza Cinemática (λt ): implica la similitud de movimientos modelo-prototipo,

lo que junto a la semejanza geométrica determina que las trayectorias de partı́culas
homólogas modelo-prototipo sean semejantes. En este caso, la relación de semejanza
(λt ) se conoce como escala de tiempos.

Semejanza Dinámica (λM ): entre dos sistemas geométrica y cinemáticamente seme-

jantes supone la constancia de la relación de masas y, por lo tanto, de fuerzas en
elementos homólogos. La relación entre masas es la escala de masas (λM ).

Como se ha indicado, las ecuaciones de la hidrodinámica permanecen invariantes en

la transformación modelo-prototipo, pero no ocurre lo mismo con el fluido, que no se
puede reproducir a escala. Sus caracterı́sticas fı́sicas (densidad, viscosidad, etc.), a efectos
del modelo, cambian respecto a las que tiene en el prototipo de acuerdo con las escalas
elegidas (λ, λt y λM ).
La imposibilidad de lograr una semejanza geométrica completa por la dificultad de
reproducir plenamente forma y rugosidad. Con la semejanza dinámica este problema au-
menta, pues la relación entre las fuerzas que actúan en el prototipo gravedad, viscosidad,
tensión superficial, elásticas y de presión y en el modelo no se mantiene constante, ni su
importancia en ambos sistemas es la misma. Sin embargo, en la práctica, una semejanza
dinámica parcial, basada en las fuerzas predominantes en cada caso es suficiente para que
el modelo facilite la solución del problema que con el ensayo se busca, surgen ası́ los diver-
sos criterios de semejanza dinámica parcial, en esta semejanza parcial dos de sus escalas,
tiempo y masa (λt y λM ), quedan prefijadas al determinar la fuerza preponderante en el
fenómeno y el fluido a utilizar, por lo que la única escala a elegir es la geométrica (λ). Esto
se realiza de forma que el modelo tenga las dimensiones necesarias para que los ensayos
sean representativos de la realidad, [Gutiérrez Serret, 2013].

Modelos Hidrológicos o de Onda Cinemática

Tránsito de Caudales
El tránsito de caudales es un procedimiento para determinar la magnitud del caudal,
las elevaciones y sus tiempos, en un punto del curso de agua utilizando hidrogramas
conocidos o supuestos en uno o más puntos. Si el flujo es una creciente, el procedimiento
se conoce especı́ficamente como tránsito de crecientes, [EFN-UNCOR, 2013].
El tránsito de inundación, describe el movimiento de esa onda de creciente cuando
atraviesa un cauce, teniendo particular interés analizar la reducción del caudal pico mien-
tras se dirige aguas abajo, denominada atenuación, como el tiempo máximo que el flujo
de agua llega hacia los puntos de importancia, estimar la altura máxima de agua que
se puede acumular en puntos de importancia y de qué manera cambia la hidrografı́a del
lugar mientras se mueve aguas abajo, terminarı́a cuando entra en un embalse o en un
gran cuerpo de agua que pueda recibir el volumen de agua sin un incremento significativo
en el nivel o cuando la creciente se ha atenuado presentando un caudal que no supera el
correspondiente al caudal de 100 años de recurrencia para la planicie de inundación.

40
 El escurrimiento de una onda de creciente en un canal produce la atenuación y dismi-
nución de la onda debido al:

Almacenamiento tanto en el canal principal como en las planicies de inundación, la

existencia de áreas en las que se pueda acumular agua fuera del canal principal.

Rugosidad entre las superficies del canal y zonas aledañas.

Difusión debido al gradiente de presión.

Forma del hidrograma de creciente cuando llega al cauce.

Escurrimiento Superficial
Las ecuaciones de Saint-Venant, escritas por primera vez por Barré de Saint Venant
en 1871, sirven para describir el escurrimiento superficial tanto del régimen gradualmente
variable, como el rápidamente variable, esos efectos son representados por medio de la
ecuación de Continuidad, Primera Ecuación, ver (2.1), que considera la amortiguación
debido a la variación de la capacidad de almacenamiento del sistema y a la ecuación de
la Cantidad de Movimiento, Segunda Ecuación, ver (2.2), que representa a la gravedad,
agotamiento, presión e inercia del flujo.

δQ δA
+ =q (2.1)
δx δt

donde:

Q es el caudal en (m3 /s) que circula por A,

x distancia longitudinal a lo largo del canal o rı́o (m),

A área hidráulica (m2 ), área de la sección transversal al flujo,

t tiempo,

q descarga lateral (m2 /s) (q > 0: flujo entrante y q < 0: flujo saliente).

 2
δQ δ Q δy
+ + g.A. = g.A.(S0 − Sf ) (2.2)
δt δx A δx

donde:

Q es el caudal en (m3 /s) que circula por A,

t tiempo,

x distancia longitudinal a lo largo del canal o rı́o (m),

A área hidráulica (m2 ), área de la sección transversal al flujo,

g aceleración de la gravedad (m/s2 ).

41
 y cota de la superficie de la lámina de agua (m),

S0 pendiente del fondo del canal,

Sf pendiente de fricción,

El escurrimiento superficial se encuentra regido por leyes fı́sicas que son representadas
cuantitativamente por variables tales como el caudal (Q), el área hidraúlica (A) y la cota
de superficie de la lámina de agua (y), mientras que el comportamiento del mismo, es
descrito por tres principios fundamentales, [EFN-UNCOR, 2013]:

Conservación de la Masa: que se estima por la Primer Ecuación de Saint Venant,(2.1).

Conservación de la Cantidad de Movimiento: que se calcula por la Segunda Ecuación

de Saint Venant, (2.2).

Conservación de Energı́a: la cual normalmente no es empleada en flujo a superficie

libre.

Las ecuaciones de Saint Venant, a pesar de las simplificaciones adoptadas, son capaces
de representar la mayorı́a de los problemas de escurrimientos en rı́os, canales, embalses y
sobre la cuenca de aporte, describen el movimiento del agua a superficie libre en un canal
y son el resultado de aplicar los principios de la conservación de la masa y de la cantidad
de movimiento, bajo las siguientes hipótesis simplificatorias, [Chow, 2004] :

El flujo es unidimensional e incompresible: con densidad constante, el tirante hidráuli-

co y la velocidad del flujo varı́an sólo en la dirección del eje longitudinal del canal.
La velocidad es uniforme y la superficie libre es horizontal a través de cualquier
sección perpendicular al eje.

Las lı́neas de flujo no tienen curvatura pronunciada: esto significa que el flujo varı́a
gradualmente a lo largo del canal, de forma que las aceleraciones verticales puedan
considerarse despreciables. Lo anterior implica que la distribución de presiones sea
hidrostática.

El fondo del canal es fijo y de pendiente pequeña: de modo que la profundidad del
flujo y el tirante son aproximadamente idénticos, de tal suerte que los efectos de
socavación y deposición son despreciables.

Los coeficientes de resistencia: para flujo uniforme permanente turbulento son apli-
cables relaciones como la ecuación de Manning, que puede utilizarse para describir
los efectos de resistencia, esta fórmula utiliza el coeficiente de rugosidad de Man-
ning que depende del material con el que se halla construido el canal y se encuentra
tabulado, lo que facilicta su aplicación.

Los sistemas de escurrimiento pueden tener diferentes caracterı́sticas predominando en

cada caso, con uno o más efectos sobre el flujo. El tránsito de caudales puede considerarse
como un análisis para seguir el caudal a través de un sistema, dada una entrada.
Los métodos existentes para el tránsito en cauces se pueden dividir en dos tipos,
[Chow, 2004]:

42
 Métodos Hidráulicos: también llamados distribuidos, el flujo se calcula como una
función del tiempo y el espacio. Son aquellos modelos que emplean las dos ecuaciones
de Saint Venant.

Métodos Hidrológicos: los flujos se calculan como una función del tiempo únicamente
en un lugar particular. Son modelos que consideran solamente los efectos de alma-
cenamiento, despreciando los términos de la ecuación de cantidad de movimiento de
la Segunda Ecuación de Saint Venant.

Modelos Hidráulicos
Los modelos hidráulicos son sistemas que simulan una situación de la realidad, con un
prototipo el cual mediante la entrada de cierta información, la procesa y presenta la salida
resultante, que puede emplearse para el estudio del fenómeno de la realidad implementado
en el prototipo, con ciertas condiciones matemáticas definidas.
Al definir la investigación experimental de la situación a ser estudiada, por ejemplo co-
mo afectará una inundación a una región, se analizan todas las variables que intervienen,
en forma particular o en grupo, para poder verificar en su caso la validez de soluciones
analı́ticas de un problema dado, o determinar las relaciones entre las diferentes varia-
bles que, extrapoladas al prototipo, permitan optimizar la eficiencia de cada uno de los
elementos del sistema modelo-prototipo.
Este tipo de modelos se basa en esquemas numéricos de relativa sencillez, de gran
eficacia, que pueden contemplar cambios de régimen, cauces de geometrı́as completas y
cálculos para determinación de llanuras de inundación.

Modelos Hidrológicos o de Onda Cinemática

Un Modelo Hidrológico se incluye en la categorı́a de modelos simbólicos, los cuales
llegan a un nivel superior de abstracción ya que el objeto queda representado mediante una
simbolización matemática o gráfica, consecuentemente, las relaciones de correspondencia
que se establecen con el objeto tienen la forma de algoritmos o formalismos matemáticos.
El modelo hidrológico tiene en cuenta dos tipos de parámetros, unos dependen úni-
camente de caracterı́sticas fı́sicas de la cuenca como fisiografı́a, vegetación, usos y tipo
de suelo, y son por tanto invariables e independientes, en un principio, de los fenómenos
de precipitación. Otros parámetros en cambio están sujetos a la consideración de ciertas
hipótesis a la hora de su definición; estos últimos son todos aquellos relacionados con las
precipitaciones; la duración de las precipitaciones, cantidad de precipitación, y su distri-
bución temporal. La definición de estos últimos parámetros dará como resultado el cálculo
de la precipitación.
Conocidos todos los parámetros se puede realizar una simulación del fenómeno de ave-
nida, conociendo de esta manera los caudales generados por la cuenca, y por las subuni-
dades que la integran en particular.
Si en los métodos se desprecian los términos de aceleración local, convectiva y si además
no se consideran los términos de presión estamos en presencia de un modelo hidrológico
de onda cinemática. En la onda cinemática el modelo queda descripto por la ecuación de
continuidad o Primera Ecuación de Saint Venant, que se detalla en la Ecuación (2.1) y
por la ecuación de cantidad de movimiento, se tiene que S0 = Sf .

43
Modelos Hidrodinámicos

La modelación hidrodinámica de procesos de inundación en valles aluviales constitu-

ye la base para el análisis de importantes problemas hidroambientales, siendo el modelo
numérico la representación del sistema real, utilizando desarrollos matemáticos. Algu-
nos autores indican que los modelos Hidrodinámicos 2D son la tecnologı́a actual para la
modelación de inundaciones, sin embargo, éstos modelos tienen la desventaja de que su
aplicación está limitada por los altos requerimientos de datos, hardware y software. A su
vez, los modelos Hidrodinámicos 1D son ampliamente usados y dan resultados precisos en
el cauce principal del rı́o, pero son menos exactos para modelar el flujo de desbordamiento
sobre las márgenes hacia las planicies adyacentes. Por últimos, los modelos Hidrodinámi-
cos cuasi-2D permiten simular numéricamente los procesos de inundación en sistemas de
cauce-planicie en grandes rı́os aluviales de llanura. [UDC, 2011].
Los modelos de rı́os usados para la modelación de inundaciones pueden clasificarse
como modelos hidrodinámicos 1D o 2D o cuasi-2D, presentando las siguientes particula-
ridades cada uno de ellos:

Modelos Hidrodinámicos Unidimensional del Flujo de Canal - 1D: son ampliamente

usados, están basados en las ecuaciones de San Venant, leyes de conservación de
la masa, (2.1) y momento (2.2), para calcular la superficie libre del agua para flu-
jo estacionario y no estacionario en canales abiertos. Estas ecuaciones diferenciales
parciales se resuelven mediante discretización numérica, usando frecuentemente el
método de diferencias finitas, en algunos casos mediante elementos finitos o volúme-
nes finitos, en un esquema implı́cito.

Modelos Hidrodinámicos Bidimensional del Flujo de Superficie - 2D: son los mas
actuales para la modelación de inundaciones. En estos modelos las ecuaciones de
conservación de la masa ver (2.1) y momento ver (2.2), son expresadas en dos di-
mensiones. Los resultados se calculan en cada punto de la malla en el dominio de
solución y pueden resolverse usando el método de los elementos finitos.

Modelos Hidrodinámicos cuasi-2D: es una aproximación a los modelos-2D, son los

mas aplicables en llanuras de inundación, son modeladas como ramales de rı́o se-
parados y conectadas al cauce principal por medio de vertederos o estructuras de
desbordamiento. Esto permite el modelado del flujo de agua que desborda sobre la
planicie de inundación cuando el nivel del agua excede los bancos o diques del rı́o.

Un modelo hidrodinámico 2D, resuelve las ecuaciones de aguas someras promedia-

das en profundidad, también conocidas como 2D Shallow Water Equations (Ecuaciones
en aguas poco profundas)(2D-SWE) o ecuaciones de St.Venant bidimensionales. Dichas
ecuaciones asumen una distribución de presión hidrostática y una distribución relativa-
mente uniforme de la velocidad en profundidad. La hipótesis de presión hidrostática se
cumple razonablemente en el flujo en rı́os, ası́ como en las corrientes generadas por la
marea en estuarios y zonas costeras. Ası́mismo, la hipótesis de distribución uniforme de
velocidad en profundidad se cumple habitualmente en rı́os y estuarios, aunque pueden
existir zonas en las que dicha hipótesis no se cumpla debido a flujos locales tridimensiona-
les o a cuñas salinas. En estos casos es necesario estudiar la extensión de dichas zonas y su
posible repercusión en los resultados del modelo. En la actualidad, los modelos numéricos
basados en las 2D-SWE son los más utilizados en estudios de dinámica fluvial y litoral,

44
evaluación de zonas inundables, transporte de sedimentos y contaminantes. Consideran
para la modelación, los siguientes términos fuente en las ecuaciones 2D-SWE, [UDC,
2011]:

Pendiente del fondo

Presión hidrostática

Tensiones tangenciales viscosas

Tensiones tangenciales turbulentas

Rozamiento superficial por viento

Rozamiento del fondo

Fuerza de Coriolis

Fuente sumidero de masa de agua (simulación de lluvia, infiltración, sumideros,etc.)

Modelos Comerciales: Se detallan algunos de los Modelos Hidrodinámicos, dispo-

nibles comercialmente:

Mike 11/21 : Entorno integral para la modelización hidrodinámica 1D y 2D, desa-

rrollado por Danish Hydraulic Institute.

Guad 2D: Modelo desarrollado a partir de los resultados de la Universidad de Za-

ragoza y comercializado por la empresa INCLAM.

Riverine: Interfaz común para un conjunto de aplicaciones hidrodinámicas, distri-

buido por Scientific Software Group. Incluye las licencias para los modelos RMA,
FESWMS y HIVEL 2D.

TUFLOW : Modelo distribuido por Scientific Software Group con una interfaz simi-
lar a la del paquete Riverine.

Sobek : Entorno integral para la modelización hidrodinámica 1D y 2D, desarrollado

por Delft Hydraulics.

Inforworks: Entorno integral para la modelización hidrodinámica 1D y 2D, desarro-

llado por Wallingford.

Modelos Gratuitos: Se detallan algunos de los Modelos Hidrodinámicos, disponibles

gatuitamente:

HEC-RAS : Modelo de cálculo de perfiles de lámina de agua, desarrollado por Hy-

drologic Engineering center del U.S. Army Corps of Engineers.

River 2D: Modelo hidrodinámico bidimensional desarrollado para la simulación de

hábitats fluviales.

Iber : Modelo de cálculo 2D en rı́os y estuarios desarrollado a partir de los modelos

Carpa (UPC) y Turbillón (UC) y distribuido por el CEDEX.

45
Modelos de Cuencas y Redes Fluviales

Con objeto de poder representar adecuadamente el comportamiento hidrológico de

una determinada cuenca es preciso, llevar a cabo una representación esquemática de la
misma, que refleje de la mejor manera posible, su morfologı́a y las caracterı́sticas de su red
de drenaje. En dicha representación esquemática se utilizan generalmente diversos tipos
de elementos, dentro de los cuales se desarrollan los procesos hidrológicos, [UNICAN,
2004].
La modelación de sistemas hidrológicos entre otras caracterı́sticas, es un medio rela-
tivamente de bajo costo utilizado para evaluar los efectos de corto y largo plazo de las
actividades humanas sobre los procesos hidrológicos en una cuenca. Adicionalmente, estos
Modelos Hidrológicos proveen una herramienta de ayuda en la toma de decisiones para
mitigar y disminuir los impactos de proyectos sobre la cuenca. Los problemas de toma de
decisiones en ingenierı́a de recursos hı́dricos referentes a la asignación eficiente de agua
pueden ser modelados y formulados como problemas de optimización. El gran número de
variables, la no linealidad, la naturaleza estocástica de los flujos, los conflictos provocados
por los múltiples usos del agua, la operación integrada de varios reservorios y las restric-
ciones existentes, conforman un sistema hı́drico complejo. Con el avance computacional
tanto en equipos y en programas, en los últimos años el problema de asignación de agua
entre múltiples usos se ha solucionado de manera satisfactoria. La elección del método
depende de las caracterı́sticas del sistema, de la disponibilidad de información, de los
objetivos y restricciones, [Laqui Vilca, 2007].
En el modelado de Cuencas se incluyen diferentes de elementos, cuya descripción y
funcionalidad se indican a continuación, [UNICAN, 2004]:

Subcuenca: Este tipo de elemento se caracteriza porque no recibe ningún flujo en-
trante y da lugar a un único flujo saliente, que es el que se genera en la subcuenca a
partir de los datos meteorológicos, una vez descontadas las pérdidas de agua, trans-
formado el exceso de precipitación en escorrentı́a superficial y añadido el flujo base.
Se utiliza para representar cuencas vertientes de muy variado tamaño.

Tramo de cauce: Se caracteriza porque recibe uno o varios flujos entrantes y da lugar
a un solo flujo saliente. Los flujos entrantes, que provienen de otros elementos de la
cuenca, tales como subcuencas u otros tramos de cauce, se suman antes de abordar
el cálculo del flujo saliente. Este tipo de elementos se suele utilizar para represen-
tar tramos de rı́os o arroyos en los que se produce el tránsito de un determinado
hidrograma.

Embalse: Es un tipo de elemento que recibe uno o varios flujos entrantes, procedentes
de otros elementos, y proporciona como resultado del cálculo un único flujo saliente.
Se utiliza para poder representar fenómenos de laminación de avenidas en lagos y
embalses.

Confluencia: Se caracteriza porque recibe uno o varios flujos entrantes y da lugar

a un solo flujo saliente, con la particularidad de que el flujo saliente se obtiene
directamente como suma de los flujos entrantes, considerando nula la variación del
volumen almacenado en la misma. Permite representar la confluencia propiamente
dicha de rı́os o arroyos, aunque ello no es imprescindible, ya que los flujos entrantes
pueden proceder también de subcuencas parciales.

46
 Derivación: Este tipo de elemento se caracteriza porque da lugar a dos flujos sa-
lientes, principal y derivado, procedentes de uno o más flujos entrantes. Se puede
utilizar para representar la existencia de vertederos laterales que derivan el agua
hacia canales o zonas de almacenamiento separadas del cauce propiamente dicho.

Fuente: Junto con la subcuenca, es una de las dos maneras de generar caudal en el
modelo de cuenca. Se suele utilizar para representar condiciones de contorno en el
extremo de aguas arriba y el caudal considerado puede proceder del resultado del
cálculo efectuado en otras cuencas.

Sumidero: Recibe uno o varios flujos entrantes y no da lugar a ningún flujo saliente.
Este tipo de elemento puede ser utilizado para representar el punto más bajo de una
cuenca endorreica o el punto de desagüe final de la cuenca en cuestión.

Analizando aspectos generales del modelado de Cuencas Hidrograficas se presentan

los modelos matemáticos de simulación y optimización de sistemas hidráulicos, con sus
carácterisitcas propias [Laqui Vilca, 2007]:

Modelos de Simulación: ofrecen una representación del mundo real a través de la

realidad computacional con el objetivo de permitir la planificación y generación
de un análisis de alternativas, antes de la implementación de cualquiera de ellas,
dando una gran libertad y flexibilidad. La simulación se define como un conjunto
de expresiones matemáticas estructuradas en una secuencia lógica que describen la
operación del sistema en el espacio y en el tiempo. Asimismo la simulación procura
presentar un sistema con sus aspectos más importantes, un modelo de simulación
no determina, por ejemplo, la polı́tica óptima de un sistema de reservorios, sino que
a partir de la definición de la polı́tica de operación a seguir, el modelo de simulación
permite conocer los niveles de los reservorios y de otras variables pertinentes a lo
largo del tiempo. Los modelos de simulación son clasificados en: modelos fı́sicos,
modelos analógicos e modelos digitales y/o matemáticos.

• Fı́sicos: El sistema es representado por un prototipo a escala reducida.

• Analógicos: Valiéndose de la analogı́a de las ecuaciones que rigen diferentes
fenómenos para modelar, el sistema más conveniente, el fenómeno más com-
plejo.
• Matemáticos y/o Digitales: Representan la naturaleza del sistema a través de
ecuaciones matemáticas.

Los modelos fı́sicos y analógicos tienen ventajas cuando las leyes fı́sicas no pueden
ser expresadas en forma resumida y con ecuaciones fáciles de resolver, en cuanto a
los modelos matemáticos son más versátiles, pudiéndose modificar su lógica, obte-
niéndose resultados de diferentes situaciones de un mismo sistema o de diferentes
sistemas, otras ventajas son la alta velocidad de procesamiento de las computadoras,
bajo costo y mayor flexibilidad para los modeladores que gustan de hacer cambios.

Modelos de Optimización: cuando en el análisis de sistemas existe el interés de

optimizar el proceso de acuerdo con la valoración establecida por la función objetivo
se deben aplicar las técnicas de optimización.

47
 Para decidir entre un modelo de optimización y otro de simulación, se debe considerar
la complejidad del sistema estudiado, las caracterı́sticas del sistema considerado, la dispo-
nibilidad de información, los objetivos y restricciones especificadas, los cuales posibilitarán
la elección de modelos de optimización o modelos de simulación, o una combinación de los
mismos. En los casos donde se tenga el conocimiento de los fenómenos y donde se pueda
deducir ecuaciones que describan y gobiernen el sistema, estos pueden ser tratados por un
modelo de simulación matemáticos. Para sistemas complejos que no pueden ser analizados
directamente a través de metodologı́as analı́ticas formales, se usará la simulación fı́sica o
analógica, [Laqui Vilca, 2007].

2.4.2. Series Temporales

Una serie temporal o cronológica es una secuencia de datos, observaciones o valores,

medidos en determinados momentos del tiempo, histórica u ordenados cronológicamen-
te, normalmente espaciados entre sı́ de manera uniforme; también puede definirse como
una sucesión de observaciones cuantitativas de un fenómeno ordenadas en el tiempo. El
análisis de series temporales comprende métodos que ayudan a interpretar este tipo de
datos, extrayendo información representativa, tanto referente a los orı́genes o relaciones
subyacentes como a la posibilidad de extrapolar y predecir su comportamiento futuro,
[Peña Sánchez de Rivera, 2005].
Los valores de una serie temporal van ligados a instantes del tiempo, entonces, el análi-
sis de una serie implica el manejo conjunto de dos variables, siendo una de ellas la serie
temporal y la otra los intervalos o instantes del tiempo sobre los cuales se han realizado las
observaciones. Hay que señalar que esa observación sincronizada de la variable en el tiem-
po, implica que los valores de la misma han de estar perfectamente ordenados, de igual
modo que los intervalos del tiempo lo están. Para que el análisis de una serie temporal
conduzca a conclusiones acertadas, además de utilizar las técnicas apropiadas, será im-
prescindible que esos datos sean comparables y no lo serán nunca si no son homogéneos,
por ejemplo si cada año cambia la metodologı́a de observación, se cambian las definiciones,
se modifica la población de referencia, etc., el resultado será una serie temporal compuesta
por un conjunto de valores no comparables porque son muy heterogéneos. Esta falta de
homogeneidad se pierde, de una forma natural, con el transcurso del tiempo, de manera
que cuando las series son muy largas no hay garantı́a de que los datos iniciales y finales
sean comparables, pero esta necesidad es recomendable que las series no sean muy largas,
para que sus datos no pierdan la deseable homogeneidad, [Sánchez Fernández, 2004].
Lo que se pretende con una serie es describir y predecir el comportamiento de un
fenómeno que cambia en el tiempo. Esas variaciones que experimenta una serie temporal
pueden ser de naturaleza doble, por un lado las variaciones pueden ser, evolutivas o
estaciones, por lo cual se tendrán:

Series Evolutivas: presentan variaciones evolutivas, cuando el valor medio de la serie

cambia, no permanece fijo a lo largo del tiempo.

Series Estacionarias: presentan variaciones estacionarias, son aquellas en las que su

valor medio no cambia, aunque sufra oscilaciones en torno a ese valor medio fijo o
constante. Una serie es estacionaria cuando se encuentra en equilibrio estadı́stico,
en el sentido de que sus propiedades no varı́an a lo largo del tiempo, por lo tanto no

48
 pueden existir tendencias. Un proceso es no estacionario si sus propiedades varı́an
con el tiempo, como el clima o la altura de un rı́o.

Hay dos aspectos en el estudio de las series de tiempo, [Abril, 2004]:

1. Análisis: El objetivo del análisis es resumir las propiedades de una serie y remarcar
sus caracterı́sticas salientes, pudiendo hacerse tanto:

En el dominio del Tiempo: se relacionan las observaciones en puntos distintos

de tiempos.
En el dominio de las Frecuencias: se estudian los movimientos con diferente
periodicidad.

2. Modelado: La razón de modelar una serie de tiempo es para permitir la predicción de

sus valores futuros. La caracterı́stica distintiva de un modelado de serie de tiempo,
opuesto a un modelado econométrico de serie de tiempo, es que no se realiza ningún
intento para formular una relación de comportamiento entre la serie de tiempo
considerada y otras variables. Los movimientos de la serie son explicados solamente
en términos de su propio pasado o por su posición en relación al tiempo y las
predicciones se realizan mediante extrapolación.

Modelado Clásico de Series Temporales

La forma más sencilla de iniciar el análisis de una serie temporal, es mediante su re-
presentación gráfica con un sistema cartesiano en el que los valores o periodos de tiempo
t se llevan al eje de abscisas y los valores de la serie, yt , se tienen en el eje de ordenadas,
obteniendo un diagrama de dispersión, con la particularidad de que el eje de abscisas se
reserva siempre a la misma variable: el tiempo, t . Mediante este tipo de representación
se pueden detectar las caracterı́sticas más sobresalientes de una serie, tales como el mo-
vimiento a largo plazo, la amplitud de las oscilaciones, la posible existencia de ciclos, los
puntos de ruptura, la presencia de valores atı́picos o anómalos, etc.
Un ejemplo de este tipo de análisis de gráficas se presenta en la Figura (2.6), donde se
ha representado la serie del paro registrado en España para un periodo de cinco años con
datos mensuales. Los datos base del gráfico se detallan en la Tabla de la Figura (2.7).
Una vez iniciado el proceso de descripción de una serie y superado el primer paso
que consiste en su representación gráfica, para poder llegar a conclusiones más definitivas
respecto del comportamiento de la serie, es conveniente recurrir a otras técnicas que
superen el análisis gráfico.
El objetivo del análisis de series temporales es doble, por un lado se busca explicar
las variaciones observadas en la serie en el pasado, tratando de determinar si responden
a un determinado patrón de comportamiento y por otro, si se consigue definir ese patrón
o modelo, se intentará predecir valores futuro de la misma.
Para alcanzar este doble objetivo se utiliza una metodologı́a, según la cual la serie
temporal es una función del tiempo: yt = f (t), la serie es una variable dependiente y
el tiempo una variable independiente o explicativa. Sin embargo, el tiempo, no es una
variable explicativa, es simplemente el soporte o escenario en el que se realiza o tiene
lugar la serie temporal. El tiempo no sirve para explicar el comportamiento de la serie.

49
Figura 2.6: Series Temporales: Gráfica de la Evolución del paro en España. Fuente: [Sán-
chez Fernández, 2004].

Figura 2.7: Series Temporales: Tabla de datos de la Evolución del paro en España. Fuente:
Servidor Web INE, en [Sánchez Fernández, 2004].

También se puede optar por otro enfoque de tipo causal, donde las variaciones de una
serie podrı́an explicarse mediante las de otro conjunto de series temporales.
El análisis más clásico de las series temporales se basa en la suposición de que los va-
lores que toma la variable de observación es la consecuencia de cuatro componentes: Ten-
dencia Regular o Secular, Variación Estacional, Variación Cı́clica y Variación Aleatoria,

50
Figura 2.8: Series Temporales: Gráfica de la Evolución del paro en España conjuntamente
con la Tendencia de la serie. Fuente: [Sánchez Fernández, 2004].

cuya actuación conjunta da como resultado los valores medidos. Pero esta descomposición
de la serie, no deja de ser un procedimiento diseñado para que el estudio de la misma
resulte más fácil, pues esas componentes no siempre existen. Ası́ cuando se trabaja con
datos anuales la serie no puede presentar estacionalidad. A su vez las variaciones cı́clicas
son una componente ligada especialmente a las variables de tipo económico, pero que en
variables de otra naturaleza puede que no esté presente.
Estos componentes se definen de la siguiente manera, [Spiegel, 1978] y [Sánchez
Fernández, 2004]:

1. Tendencia Regular o Secular - T : Indica la marcha general y persistente del fenómeno

observado, es una componente de la serie que refleja la evolución a largo plazo. Para
poder detectarla es necesario que la serie conste de un número de observaciones
elevado, a lo largo de muchos años, para que se pueda determinar si la serie muestra
un movimiento a largo plazo que responda a una determinada ley de crecimiento,
decrecimiento o estabilidad. Ese comportamiento tendencial puede responder a dis-
tintos perfiles: lineal, exponencial, parabólico, logı́stico, etc., además mediante la
tendencia se puede ver si la serie es estacionaria o evolutiva. Al considerar estos mo-
vimientos a largo plazo, se prescinde de las variaciones a corto y medio plazo. Para
el ejemplo del paro registrado en España, Figuras (2.6) y (2.8), puede observarse
que la tendencia de esa serie a lo largo de esos seis años, (este periodo de tiempo
no es muy largo para hablar de tendencia a largo plazo), es prácticamente una lı́nea

51
 recta con pendiente negativa, aunque el ritmo de decrecimiento no solo se reduce al
final del perı́odo sino que a lo largo de 2002 parece tener lugar un incipiente cambio
de tendencia, se tiene una serie que es decreciente para el periodo considerado. Otro
ejemplo, es el uso creciente de Internet en la sociedad argentina, independientemente
de que en un mes concreto en Argentina, por determinadas causas económicas, haya
una bajada de la utilización de Internet, como ocurrio en la crisis del año 2001.

2. Variación Estacional VE : Es el movimiento periódico de corto periodo, se trata de

una componente causal debida a la influencia de ciertos fenómenos que se repiten
de manera periódica en un año, como las estaciones, se basa en causas de tipo cli-
matológico (producción, turismo, etc.) o de ordenación del tiempo (los dı́as de la
semana condiciona el comportamiento de ciertas series). La periodicidad general-
mente es el año, aunque puede ser el mes, la semana o incluso el dı́a. En el ejemplo
del paro en España, Figura (2.6), se observa un patrón de estacionalidad bastante
bien definido: el paro registrado desciende notablemente en los meses estivales y el
resto del año se mantiene en niveles más elevados, salvo en el mes de diciembre
que, de forma sistemática es algo más reducido que en los anteriores y posteriores.
Otro ejemplo, es el caso particular del rı́o Paraná, una variable estacional, será la
época de lluvias de verano, en la alta cuenca en territorio brasileño, que determina
incrementos en las alturas de rı́o, en ésta estación en territorio argentino.

3. Variación Cı́clica C : Es el componente de la serie que recoge las oscilaciones pe-

riódicas de amplitud superior a un año, movimientos a plazo medio normalmente
irregulares alrededor de la tendencia, en las que a diferencia de las variaciones esta-
cionales, tiene un perı́odo y amplitud variables, pudiendo clasificarse como cı́clicos,
cuasicı́clicos o recurrentes. Esta componente tiene un marcado carácter económico,
pues suele ser el resultado de la sucesión de las fases expansivas y recesivas de la
economı́a. Esta componente resulta difı́cil de aislar, pues ocurre, con frecuencia, que
se pueden superponer ciclos de distintos periodos o amplitudes. La amplitud es el
número de años que dura un ciclo completo. En el ejemplo del paro en España,
Figura (2.6), no se detecta de forma clara la presencia de ciclos, bien sea porque
el periodo de tiempo estudiado sea muy corto o porque realmente no hay ciclos,
aunque lo más verosı́mil en este caso sea que el empleo responde a los ciclos de la
economı́a.

4. Variación Aleatoria R: Es un componente accidental, de carácter errático, también

denominada residuo, no muestran ninguna regularidad, debidos a fenómenos de
carácter ocasional son resultado de factores fortuitos o aleatorios que inciden de
forma aislada y no permanente en una serie. Por ejemplo en el comportamiento del
rı́o Paraná pueden ser lluvias extraordinarias en la localidad de Corrientes en un
perı́odo de inundaciones.

La interacción de estas cuatro componentes genera la serie temporal. La forma en que

se combinen puede ser muy variada, pero tradicionalmente se ha optado por dos modelos
distintos. El aditivo y el multiplicativo, aunque en algunas ocasiones se mezclan ambos.
Según el modelo que se adopte, la serie temporal será, [Spiegel, 1978]:

Modelo Aditivo
y t = T t + V E t + C t + Rt

52
 Modelo Multiplicativo
yt = (Tt ) ∗ (V Et ) ∗ (Ct ) ∗ (Rt )

Modelos ARIMA, el enfoque moderno de Series Temporales

A comienzo de los años 70, G.E.P. Box, profesor de Estadı́stica de la Universidad de
Wisconsin, y G.M. Jenkins, profesor de Ingenierı́a de Sistemas de la Universidad de Lan-
caster, introdujeron una pequeña revolución en el enfoque del análisis de series temporales,
en sus trabajos sobre el comportamiento de la contaminación en la bahı́a de San Francisco,
con el propósito de establecer mejores mecanismos de pronóstico y control. Publican un
libro en el año 1976, en el que describen la metodologı́a, se convirtió rápidamente en un
clásico y sus procedimientos se utilizan ampliamente desde entonces en diferentes ramas
de la ciencia, conociéndose como modelos ARIMA y también como modelos Box-Jenkins.
La palabra ARIMA significa Modelos Autorregresivos Integrados de Medias Móvi-
les, definiendo un modelo como autorregresivo si la variable endógena de un perı́odo t
es explicada por las observaciones de ella misma correspondientes a perı́odos anteriores
añadiéndose, un término de error . En el caso de procesos estacionarios con distribución
normal, la teorı́a estadı́stica de los Procesos Estocásticos dice que, bajo determinadas con-
diciones previas, toda Xt puede expresarse como una combinanción lineal de sus valores
pasados (parte sistemática), más un término de error (innovación).
En el modelo, cada valor tomado por la variable en un instante dado, está influido por
los valores de la variable en momentos anteriores y se expresa como una relación lineal,
función de:

1. Valores recientes de la variable

2. Ruidos en valores recientes de la variable
3. Valores remotos de la variable
4. Ruidos en valores remotos de la variable

El esquema general del modelo es la función que se indica en la Fórmula (2.3):

Xt = a1 Xt−1 + a2 Xt−2 + · · · + ap Xt−p + Zt + b1 Zt−1 + · · · + bq Zt−q (2.3)

Una de las ventajas de estos modelos es su gran simplicidad, son sumas de términos,
frente a los modelos propuestos en la formulación clásica. Esta fórmula general de los
modelos denominados ARMA, está constituido por una combinación de:

p términos AR, proceso autorregresivo, modela la influencia de los valores anteriores

de la serie Xt−1 hacia atrás,
q términos MA, proceso de medias móviles, modela la influencia del ruido en valores
anteriores de la serie Zt−1 hacia atrás, junto con el término Zt que corresponde al
ruido esperado en el mismo momento t en el que se estima el nuevo valor de la
variable X.

La letra I que aparece en el nombre del modelo completo ARIMA, corresponde al

proceso de diferenciación (su inverso es la Integración) que hay que hacer cuando la serie
no cumple la hipótesis de estacionariedad.

53
2.4.3. Redes Neuronales
Redes Neuronales Artificiales

Son modelos computacionales que tratan de replicar, de manera simplificada, el com-

plejo funcionamiento del cerebro humano. Su capacidad de aprendizaje a través de ensayos
repetidos las hace muy utilizables en una amplia variedad de aplicaciones en todas las
ciencias. Han demostrado ser una herramienta muy útil por su sorprendente habilidad pa-
ra capturar relaciones no lineales entre variables. De hecho, pueden aproximar cualquier
función no lineal si son correctamente especificadas, [Tkacz and Hu, 1999].
En 1943, Warren McCulloc y Walter Pitts originaron el primer modelo de operación
neuronal, el cual fué mejorado en sus aspectos biológicos por Donald Hebb en 1948. En
1962 Bernard Widrow propuso la regla de aprendizaje Widrow-Hoff, posteriormente Frank
Rosenblatt desarrolló una prueba de convergencia y definió el rango de problemas para los
que su algoritmo aseguraba una solución, él propuso los Perceptrones como herramienta
computacional, [Crespo, 1996] y [Fausett, 2006].
El cerebro humano continuamente recibe señales de entrada de muchas fuentes y las
procesa a manera de crear una apropiada respuesta de salida; nuestros cerebros cuen-
tan con millones de neuronas que se interconectan para elaborar redes neuronales, estas
redes ejecutan los millones de instrucciones necesarias para mantener una vida normal.
Las neuronas son las células que forman la corteza cerebral de los seres vivos, cada una
está formada por elementos llamados cuerpo, axón y dendritas, como se muestra en la
Figura (2.9). Las dendritas forman una estructura de filamentos muy fina que rodean el
cuerpo de la neurona, el axón es un tubo largo y delgado que se ramifica en su extremo
en pequeños bulbos finales que casi tocan las dendritas de las células vecinas, la pequeña
separación entre los bulbos finales y las dentritas se le denomina sinápsis.

Figura 2.9: Descripción de una neurona natural.

Las neuronas, al igual que las demás células del cuerpo, funcionan a través de im-
pulsos eléctricos y reacciones quı́micas. Los impulsos eléctricos que utiliza una neurona
para intercambiar información con las demás viajan por el axón que hace contacto con
las dendritas de la neurona vecina mediante las sinápsis; la intensidad de la corriente
transmitida depende de la eficiencia de la transmisión sináptica. Una neurona en especial

54
transmitirá un impulso eléctrico por su axón; además cada neurona en un tiempo corto
recibe varias señales de las neuronas vecinas que transmiten a través de sus dendritas; la
señal que se transmite a la neurona podrá ser además inhibitoria o excitatoria. La neurona
manda el impulso por su axón si la excitación que recibe de sus neuronas vecinas excede
su inhibición por un valor crı́tico, que supera el umbral de activación de la neurona.
Las redes neuronales artificiales están compuestas de gran cantidad de procesadores
conectados entre si y actuando en paralelo. Los modelos neuronales biológicos son mucho
más complejos que los modelos computacionales actuales, estando el comportamiento de
la red determinado por su topologı́a, los pesos de las conexiones y la función caracterı́stica
de las neuronas, [Gutiérrez, 2013]. En la Figura (2.10), puede observarse una comparación
entre los procesos de una neurona natural y una artificial.

Figura 2.10: Comparación entre neurona natural y neurona artificial.

Función de Activación

La función de activación de un nodo define la salida de ese nodo dada una entrada
o un conjunto de entradas, la neurona necesita saber si se activa o inhibe; de activarse
emite o transfiere un impulso a las neurona s adyacentes y para ello debe cumplirse la
condición para activarse y ejecutar la expresión de salida que transmite a otra neurona.
Ambas funciones son del tipo f (xi , wi , dj ), que dependen de las entradas, sus pesos y de
un parámetro variable de ajuste. Esto se entiende de la siguiente manera: para cada grupo
de entradas i hay otro grupo de salidas j, [Gutiérrez, 2013].
Las Funciones de Activación pueden ser:

Funciones Lineales:
f (x) = x (2.4)

Funciones Paso: Dan una salida binaria dependiente de si el valor de entrada está por
encima o por debajo del valor umbral.

55
 
-1 , si x < 0,
sgn(x)= (2.5)
1 , sino,

0 , si x < 0,
Θ(x) = (2.6)
1 , sino,
Funciones Sigmoidales: Funciones monótonas acotadas que dan una salida gradual
no lineal.
1. La función logı́stica de 0 a 1, ver la gráfica en la Figura (2.11):
1
f c(x) = (2.7)
1 + e−cx
2. La función tangente hiperbólica de −1 a 1, ver la gráfica en la Figura (2.12):

fc (x) = tanh(cx) (2.8)

Figura 2.11: La función logı́stica de 0 a 1.

Figura 2.12: La función tangente hiperbólica de −1 a 1.

Neurona o Unidad Procesadora

Todo modelo de red neuronal consta de dispositivos elementales de procesamiento: las

neuronas. A partir de ellas, se pueden generar representaciones especı́ficas, de tal forma
que un estado conjunto de ellas pueda significar una letra, un número o cualquier otro
objeto.
Generalmente se pueden encontrar tres tipos de neuronas:

56
 Figura 2.13: Descripción de una Neurona Artificial.

1. Aquellas que reciben estı́mulos externos, relacionas con el aparato sensorial, que
tomarán la información de la entrada, denominadas unidades de entrada.

2. Dicha información se transmite a ciertos elementos internos que se ocupan de su

proceso. Es la sinapsis y neuronas correspondientes a este segundo nivel donde se
genera cualquier tipo de representación interna de la información. Puesto que no
tienen relación directa con la información de entrada y de salida, estos elementos se
denominan unidades ocultas.

3. Una vez finalizado el periodo de procesado, la información llega a las unidades de

salida, cuya misión es dar la respuesta del sistema.

La neurona artificial, que se detalla en la Figura (2.13), intenta modelar el compor-

tamiento de la neurona biológica, aquı́ el cuerpo de la neurona se representa como una
sumatoria lineal de los estı́mulos externos zj , seguida de una función no lineal yj = f (zj ).
La función f (zj ), es llamada la función de activación o función neuronal y es la función
que utiliza la suma de estı́mulos para determinar la actividad de salida de la neurona.

Red Neuronal Artificial

Una red neuronal artificial (RNA) es un par (N, U ), donde N es un conjunto de nodos
y U es un conjunto de unidades procesadoras sobre N que satisface la siguiente condición:
cada nodo Xi ǫ N tiene que ser un nodo de entrada o de salida de al menos una unidad
procesadora de U , [Gutiérrez, 2013]. Analizando la red neuronal de la Figura (2.14), se
tendrı́a el siguiente conjunto de unidades procesadoras U , sobre N .
R
U1 = ({x1 , x2 , x3 }, 1 , {x4 }),
R
U2 = ({x1 , x2 , x3 }, 2 , {x5 }),
R
U3 = ({x1 , x2 , x3 }, 3 , {x6 }),
R
U4 = ({x4 , x5 , x6 }, 4 , {x7 })y
R
U5 = ({x1 , x2 , x3 }, 5 , {x8 }).

57
 Figura 2.14: Descripción de una Red Neuronal Artificial.

Arquitecturas de Red

Las redes neuronales artificiales replican el comportamiento de las redes neuronales

naturales, interconectando neuronas artificiales organizadas en capas, presentando arqui-
tecuras diferentes, como puede apreciarse en la Figura (2.15), que presenta un perceptrón
simple y un perceptrón multicapa.
La arquitectura de una red neuronal se forma conectando múltiples procesadores ele-
mentales, organizados en diferentes capas, como puede observarse en la Figura (2.16),
siendo éste un sistema adaptivo que pose un algoritmo para ajustar sus pesos (parámetros
libres) para alcanzar los requerimientos de desempeño del problema, basado en muestras
representativas. Por lo tanto se puede señalar que es un sistema de computación distri-
buida que se caracteriza por:

Figura 2.15: Arquitecturas de redes neuronales artificiales.

Un conjunto de unidades elementales, cada una de las cuales posee bajas capacidades
de procesamiento.

58
 Una densa estructura interconectada usando enlaces ponderados.
Parámetros libres que deben ser ajustados para satisfacer los requerimientos de
desempeño.
Un alto grado de paralelismo.

Figura 2.16: Ejemplo de una red neuronal que realiza un diagnostico médico.

La arquitectura de las redes neuronales consiste en la organización y disposición de

las neuronas formando capas más o menos alejadas de la entrada y salida de la red, como
puede observarse en la Figura (2.16), siendo en este sentido, los parámetros fundamentales
de la red: el número de capas, el número de neuronas por capa, el grado de conectividad
y el tipo de conexiones entre neuronas.
Según los tipos de conexiones que conectan a las neuronas de cada capa o de distintas
capas, se identifican los siguientes tipos de conexiones, [Gutiérrez, 2013]:

Conexiones hacia Delante: Existe una capa de entrada con n neuronas y una capa
de salida con m neuronas y al menos una capa oculta de neuronas internas. Cada
neurona de una capa, excepto las de entrada, recibe entradas de todas las neuronas
de la capa anterior y envı́a su salida a todas las neuronas de la capa posterior,
excepto las de salida. No hay conexiones hacia atrás ni laterales entre neuronas de
la misma capa. La estructura de este tipo de redes puede observarse en la Figura
(2.17).
Conexiones Laterales: Un ejemplo tı́pico de este tipo es el circuito el ganador toma
todo, que cumple un papel importante en la elección del ganador. La estructura de
este tipo de redes se presenta en la Figura (2.18).
Conexiones hacia Atrás o Recurrentes: Además de la red contar con las conexiones
hacia adelante estas redes incoporan conexiones hacia atrás y llevan los datos de las
neuronas de una capa superior a otras de la capa inferior. La estructura de este tipo
de redes puede observarse en la Figura (2.19).

59
 Figura 2.17: Conexiones hacia delante.

Figura 2.18: Conexiones laterales.

Entrenamiento de una Red Neuronal

En el entrenamiento se presentan las entradas y respuestas deseadas, entonces la red

neuronal partiendo de un conjunto de pesos sinápticos iniciales, inicia el proceso de apren-
dizaje que busca un conjunto de pesos que permitan a la red desarrollar correctamente la
salida deseada, minimizando los errores, [Crone, 2002a] y [Crone, 2002b]. Los valores de
entrada se recomiendan que previamente sean de algún modo transformados a una escala.
Existen dos fases en el entrenamiento de toda aplicación de las redes neuronales: la
fase de aprendizaje y la fase de prueba, con las siguientes caracterı́sticas, [Gutiérrez,
2013]:

Fase de Aprendizaje: Una caracterı́stica de las redes neuronales es su capacidad de

aprender. Aprenden por la actualización o cambio de los pesos sinápticos que ca-
racterizan a las conexiones. Los pesos son adaptados de acuerdo a la información

60
 Figura 2.19: Conexiones hacia atrás o recurrentes.

extraı́da de los patrones de entrenamiento nuevos que se van presentando. Normal-

mente, los pesos óptimos se obtienen optimizando (minimizando o maximizando)
alguna función de energı́a. Por ejemplo, un criterio popular en el entrenamiento su-
pervisado es minimizar el error cuadrático medio, entre el valor deseado y el valor
de salida de la red.
Fase de Prueba: Una vez calculados los pesos de la red, las neuronas de la última
capa se comparan con la salida deseada para determinar la validez del diseño.

Una buena implementación práctica radica en el numero adecuado de neuronas, en el

numero idóneo de capas ocultas, la extensión de la función de activación, el tiempo de
entrenamiento de la red, las implicaciones de la generación de ruido, [Crespo, 1996].

Métodos de Aprendizaje en Redes Neuronales

Es importante señalar que la propiedad más importantes de las redes neuronales artifi-
ciales es su capacidad de aprender a partir de un conjunto de patrones de entrenamientos,
es decir, es capaz de encontrar un modelo que ajuste los datos. El proceso de aprendizaje
también conocido como entrenamiento se realiza mediante patrones-ejemplo, siendo dos
los tipos de aprendizaje: supervisado y no supervisado, [Fausett, 2006].

El Aprendizaje Supervisado: consiste en entrenar la red a partir de un conjunto de

datos o patrones de entrenamiento compuesto por patrones de entrada y salida. El
objetivo del algoritmo de aprendizaje es ajustar los pesos de la red w de manera
tal que la salida generada sea lo más cercanamente posible a la verdadera salida
dada una cierta entrada. Es decir, la red neuronal trata de encontrar un modelo al
proceso desconocido que generó la salida y. Este aprendizaje se llama supervisado
pues se conoce el patrón de salida el cual hace el papel de supervisor de la red. Se
debe proporcionar parejas de patrones entrada-salida y la red neuronal aprende a
asociarlos. En terminologı́a estadı́stica equivale a los modelos en los que hay vectores
de variables independientes y dependientes, por ejemplo técnicas de regresión y
modelos de series temporales.

61
 Aprendizaje No Supervisado: se presenta sólo un conjunto de patrones y el objetivo
del algoritmo de aprendizaje es ajustar los pesos de la red de manera tal que la
red encuentre alguna estructura o configuración presente en los datos. Únicamen-
te se debe suministrar a la red los datos de entrada para que extraiga los rasgos
caracterı́sticos esenciales. En terminologı́a estadı́stica equivale a los modelos en los
que sólo hay vectores de variables independientes y buscan el agrupamiento de los
patrones de entrada, por ejemplo análisis de conglomerados o cluster.

Validación del Modelo

Una vez que ha terminado el proceso de aprendizaje y los pesos de la red neuronal han
sido calculados, es importante comprobar la calidad del modelo resultante, siendo algunas
medidas estándar del error las siguientes, [Gutiérrez, 2013]:

1. La suma de los cuadrados de los error es (Sum Square Error s, SSE), definida como:

r
X
kbp − b̂p k2 (2.9)
p=1

2. La raı́z cuadrada del error cuadrático medio (Root Mean Square Error , RMSE),
definida como:
v
uX
u r
t kbp − b̂p k2 /r (2.10)
p=1

3. El error máximo, definido como:

max{kbp − b̂p k, p = 1, ...., r} (2.11)

donde b̂p es la salida de la red para el vector de entrada ap . Nótese que en el caso de
una única salida, la función norma k : k se reduce a la función valor absoluto | : | usual.

Sobreajuste - Overfitting
En estadı́stica es conocido que cuando se utiliza un modelo con muchos parámetros
para ajustar un conjunto de datos procedente de proceso con pocos grados de libertad,
el modelo obtenido puede no descubrir las tendencias reales del proceso original, aunque
pueda presentar un error pequeño. Las diferentes curvas resultantes pueden observarse y
compararse en la Figura (2.20), [Gutiérrez, 2013]:

La curva (a) pasa exactamente por los puntos de entrenamiento.

La curva (b) muestra el comportamiento sobre un conjunto alternativo.

La curva (c) es un polinomio de tercer grado.

La diferencia entre ambos modelos puede verse en (d).

62
 Figura 2.20: Sobreajuste de Redes Neuronales. Fuente: [Gutiérrez, 2013].

Se puede identificar el comienzo del sobreajuste a través del uso de la validación

cruzada, para lo cual los ejemplos de entrenamiento se separan en un subset de estimación
y un subset de validación. El subset de estimación se utiliza para entrenar a la red en el
modo usual, excepto por una modificación menor: la sesión de entrenamiento se detiene
periódicamente, cada tantas repeticiones y se evalúa la red con el set de validación después
de cada perı́odo de entrenamiento. Más especı́ficamente, el proceso periódico de estimación
seguida de validación, se denomina método de entrenamiento con detención temprana y
procede de la siguiente manera, [Fiszelew, 2013]:

Después del perı́odo de estimación (entrenamiento), se fijan todos los pesos y los
umbrales del Perceptrón multicapa y la red opera en su modo hacia delante. El error
de validación se mide ası́ para cada ejemplo en el set de validación.
Cuando la fase de validación se completa, la estimación (entrenamiento) se reanuda
para otro perı́odo y el proceso se repite.

En la Figura (2.21), se muestra las formas conceptualizadas de dos curvas de apren-

dizaje, una perteneciente a las medidas sobre el subset de estimación y la otra sobre el
subset de validación. Normalmente, el modelo no trabaja tan bien sobre el subset de vali-
dación como lo hace sobre el set de estimación, en el cual se basó su diseño. La curva de
aprendizaje de estimación decrece monótonamente para un número creciente de repeticio-
nes en la forma acostumbrada. En contraste, la curva de aprendizaje de validación decrece
monótonamente hasta un mı́nimo, entonces empieza a incrementarse mientras continúe el
entrenamiento. Cuando miramos a la curva de aprendizaje de estimación puede parecer
que podrı́amos mejorar si vamos más allá del punto mı́nimo sobre la curva de aprendi-
zaje de validación. En realidad, lo que la red está aprendiendo más allá de ese punto es

63
Figura 2.21: Ilustración de la regla de detención temprana basada en la validación cruzada.
Fuente: [Fiszelew, 2013].

esencialmente ruido contenido en el set de entrenamiento. Esta heurı́stica sugiere que el

punto mı́nimo sobre la curva de aprendizaje de validación sea utilizado como un criterio
para detener la sesión de entrenamiento, [Fiszelew, 2013].

Optimización de Ajuste de Perceptrón. Adaptaciones de la Función de Error

Los métodos de ajuste son un punto importante en la implementación de las redes

neuronales como se mencionó en (2.4.3), donde se plantearon algunas medidas estándar
del error como la suma de los cuadrados de los errores, la raı́z cuadrada del error cuadrático
medio, el error máximo y como técnica de ajuste un descenso gradiente de la función de
error.
El objetivo común es que la función de error se anule en el caso de predecir con
exactitud la respuesta del sistema y sea positiva en cualquier otro punto, con mayor valor
cuanto más lejos esté del mejor ajuste. La función de error elegida condiciona el resultado
ya que, en general, el mı́nimo no será el mismo, la función de error cuadrática es de uso
común pero no resulta aconsejable cuando el ruido no es gaussiano o hay muchos valores
erróneos en la muestra. Los métodos de ajuste deben ser computacionalmente eficaces,
deben converger, es decir, acercarse hacia un mı́nimo en forma estable y que este mı́nimo
sea global, evitando valles locales que pueda tener la función objetivo. Los métodos de
ajuste se pueden clasificar según, [Zorrilla Pantaleón, 2001]:

La amplitud de la búsqueda. Los algoritmos que realizan la búsqueda por todo el

espacio de pesos se denominan globales, y aquellos que buscan el mı́nimo en las
proximidades del punto inicial, se designan locales.

El grado de derivadas que utiliza el algoritmo:

• Grado 0, no utilizan derivadas,

• Grado 1, usan la primera derivada,
• Grado 2, utilizan la segunda derivada.

64
 A mayor grado, el algoritmo es más veloz y complejo. Existen diversos métodos de
optimización de grado cero y búsqueda global, como son, el algoritmo de cristalización,
algoritmos genéticos, algoritmos de perturbación, etc., que se pueden utilizar para la
obtención preliminar de los pesos a partir de los cuales se aplique otro método de ajuste
más eficaz (basado en derivadas).
A continuación se describen los métodos de ajuste más comúnmente utilizados en el
ámbito de las redes neuronales.

Descenso de Gradiente Conjugado

Es un algoritmo de grado 1 y búsqueda local, trata de solventar la poca eficiencia que
presenta el descenso de gradiente al avanzar en direcciones ortogonales. Las direcciones
conjugadas son suficientemente decrecientes a pesar de que no sean las del gradiente y
no son ortogonales. En cada momento se conoce el gradiente, gi , y la dirección a tomar
di . La primera dirección es la del gradiente cambiado de signo y la siguiente dirección se
calcula según, [Zorrilla Pantaleón, 2001]:

dn+1
i = −gin+1 + βdni (2.12)

donde:
P
gjn+1 (gjn+1 − gjn )
β= P (2.13)
dnj (gjn+1 − gjn )

En cada paso hay una minimización unidimensional a lo largo de la dirección a tomar,

en esta minimización se pueden aplicar varios algoritmos como el de Newton.

Newton. Levenberg-Marquardt
El método de Newton es una alternativa a los métodos de gradiente conjugado para
una optimización más rápida, es un algoritmo local de grado 2. Toma una aproximación
hasta la segunda derivada del desarrollo en serie del error y busca el mı́nimo a partir de
esa expresión. Como la función no será de segundo orden, el proceso será iterativo. En
cada iteración el vector incremento de pesos se calcula según, [Zorrilla Pantaleón, 2001]:

∆p = −Hg (2.14)

donde:

g es el vector gradiente

H la matriz hessiana de segundas derivadas.

El vector incremento de pesos puede actuar como tal o como dirección a lo largo de la
cual realizar una minimización. Dado que el cálculo de las segundas derivadas es más difı́cil
de obtener, existen variantes de este algoritmo en los que se realiza una aproximación de
H, mediante el algoritmo Gauss-Newton y Levenberg-Marquardt.
En el algoritmo Gauss-Newton, se aproxima H según:

65
 H = JT J (2.15)

donde:

J es la matriz Jacobiana cuyos componentes son la derivada primera de los error es

de la red respecto a los pesos.

En el algoritmo Levenberg-Marquardt, se aproxima H según:

H = J T J + µI (2.16)

donde

µ es un escalar que cambia en cada iteración, decrece si el error decrece y aumenta

en caso contrario.

Métrica Variable. Cuasi-Newton

Este método se basa en el de Newton pero evita calcular las segundas derivadas y
la inversión matricial, mediante la aproximación de la matriz inversa de la hessiana, ob-
tiene una dirección de incremento de los pesos, a lo largo de la cual realiza una busca
unidimensional. Esta dirección se calcula según, [Zorrilla Pantaleón, 2001]:

d = −H̃g (2.17)

donde:

g, es el vector gradiente

H̃, la aproximación a la inversa de la matriz hessiana. Una aproximación a la matriz

hessiana inversa se puede obtener según:

d = pn − pn−1 (2.18)

1
A= (2.19)
d(gn − gn−1 )

B = (gn − gn−1 )T H̃ n−1 (gn − gn−1 ) (2.20)

h i
n n−1 T n−1 T T n−1
H̃ = H̃ + A (1 + AB)dd − H̃ (gn − gn−1 )d − d(gn − gn−1 ) H̃ (2.21)

Para comenzar el algoritmo se toma el gradiente negativo como dirección inicial y una
matriz diagonal próxima a la identidad se asignará a la aproximación de la hessiana. En

66
cada paso hay una minimización unidimensional a lo largo de la dirección a tomar. En
esta minimización se pueden aplicar varios algoritmos como el de Newton.

Criterios de Parada
Los algoritmos de ajuste funcionan por iteraciones, por eso se requiere algún criterio
que indique detener el proceso y dar el resultado por bueno. Algunos de éstos pueden ser,
[Zorrilla Pantaleón, 2001]:

Detener el algoritmo cuando el progreso es muy pequeño.

Llegar a cierto valor de la función de error.

Que todos los puntos de la muestran tengan su error por debajo de un umbral.

Que el gradiente, en algoritmos de grado 1 ó 2, sea casi nulo.

Regularización
Al diseñar un Perceptrón multicapa por diferentes métodos, se está construyendo un
modelo no-lineal del fenómeno fı́sico responsable de la generación de ejemplos de entrada-
salida usados para entrenar la red. En la medida que el diseño de la red es estadı́stico
por naturaleza, necesitamos un balance adecuado entre la confiabilidad de los datos de
entrenamiento y la calidad del modelo. En el contexto del aprendizaje back-propagation
o cualquier otro procedimiento de aprendizaje supervisado, se puede puede producir el
balance minimizando el riesgo total expresado como, [Haykin, 1999]:

R(w) = εS (W ) + λεC (w) (2.22)

donde:

El primer término, εS (W ), es la medida de performance estándar, la cual depen-

de tanto de la red (modelo) y de los datos de entrada. En el aprendizaje back-
propagation se define tı́picamente como un error cuadrático medio cuya evaluación
se extiende sobre las neuronas de salida de la red y el cual se lleva a cabo para todos
los ejemplos de entrenamiento.

El segundo término, λεC (w), es la penalidad de complejidad, la cual depende sola-

mente de la red (modelo); su inclusión impone sobre la solución un conocimiento a
priori sobre los modelos que están siendo considerados. Podemos pensar a λ como un
parámetro de regularización, representando la importancia relativa del término de
la penalidad de complejidad con respecto al término de la medida de performance.

• Cuando λ es cero, el proceso de aprendizaje no está restringido y la red se

determina completamente con los ejemplos de entrenamiento.
• Cuando λ se hace infinitamente grande, por el contrario, la implicación es
que la restricción impuesta por la penalidad de complejidad es por sı́ misma
suficiente para especificar la red, lo cual es otra manera de decir que los ejemplos
de entrenamiento no son confiables.

67
 En los casos prácticos donde se utiliza la regularización de la complejidad para mejorar
la generalización, al parámetro λ se le asigna un valor entre medio de estos dos casos
extremos. La forma de regularización de complejidad que puede utilizarse es la degradación
de pesos (weight decay), [Hinton, 1989]. En el procedimiento weight-decay, el término
penalidad de complejidad se define como la norma al cuadrado del vector de pesos w (es
decir, todos los parámetros libres) en la red, como se muestra en la siguiente ecuación:

X
εC (w) = kW k2 = wi2 (2.23)
iǫCtotal

donde:

el conjunto Ctotal se refiere a todos los pesos de la red.

Este procedimiento opera al forzar a algunos de los pesos en la red a tomar valores
cercanos a cero, mientras permite que otros pesos retengan sus valores relativamente
grandes. En consecuencia, los pesos de la red se agrupan a grandes rasgos en dos categorı́as:

aquellos que tienen una gran influencia sobre la red (modelo),

aquellos que tienen poca o ninguna influencia sobre la red.

Los pesos en la última categorı́a se llaman pesos excedentes. En la ausencia de la

regularización de complejidad, estos pesos resultan en una generalización pobre en virtud
de sus altas probabilidades de tomar valores completamente arbitrarios o causar que la red
sobreajuste los datos al tratar de producir una leve reducción en el error de entrenamiento.
El uso de la regularización de complejidad fomenta que los pesos excedentes suman valores
cercanos a cero y por lo tanto mejoran la generalización, [Fiszelew, 2013].

2.5. Redes Estáticas

Las Redes Neuronales Estáticas, tienen como caracterı́stica común el no poseer me-
moria, es decir, sólo son capaces de transformar un conjunto de entradas en un conjunto
de salidas, de tal manera que una vez establecidos todos los parámetros de la red las
salidas únicamente dependen de las entradas, en general la relación deseada de entradas
y salidas se determina en este caso externamente mediante alguna forma de ajuste de los
parámetros del sistema supervisado.
Este tipo de redes se han empleado con éxito en muchos problemas de clasificación,
como funciones lógicas, ası́ como en el campo de la aproximación funcional.
Son ejemplo de este tipo de redes, las redes Multicapa de Perceptrones, las redes de
Funciones de Base Radial y las redes Neuronal Probabilı́stica.
En estos modelos, el flujo de información es generalmente sı́ncrono, todos los estados
de las neuronas se actualizan al mismo tiempo o siguiendo una secuencia determinı́stica.

68
2.5.1. Redes Multicapa
Las Redes Multicapa o de retropropagación, según la cantidad de capas ocultas que
tenga, puede resolver una gran variedad de problemas en diferentes áreas del conocimiento,
siendo entre las arquitecturas de redes la más popular; en la Figura (2.22), se identifican
sus componentes.

Figura 2.22: Descripción de una red neuronal artificial multicapa.

Capa de Entrada de una Red Neuronal : Está compuesta por unidades que se ubican
en la capa de entrada de una red neuronal (X, U ), siendo cada unidad la entrada de
al menos una unidad funcional de U y no es la salida de ninguna unidad procesadora
de U .

Capa de Salida de una Red Neuronal: Está compuesta por unidades que se encuen-
tran en la capa de salida de una red funcional (X, U ), donde cada unidad es la
salida de al menos una unidad funcional de U y no es la entrada de ninguna unidad
procesadora de U .

Capas Intermedias u Ocultas de una Red Neuronal : Está compuesta por unidades
que se distribuyen en las distintas capas intermedias de una red neuronal (X, U ),
donde las unidades son la entrada de al menos una unidad funcional de U y al mismo
tiempo, es la salida de al menos una unidad procesadora de U , [Gutiérrez, 2013].

2.5.2. Perceptrón
En un perceptrón, cada entrada es multiplicada por el peso W correspondiente y los
resultados son sumados, siendo evaluados contra el valor de umbral, si el resultado es
mayor al mismo, el perceptrón se activa, como se detalla en la Figuras (2.23) y (2.24).

69
Figura 2.23: Estructura del Perceptrón.

Figura 2.24: Capas de un Perceptrón.

70
 Entrenamiento de un Perceptrón
Aprendizaje Hebbiano: Inicialmente se eligen valores aleatorios para los pesos,
la idea del aprendizaje Hebiano es modificar los pesos acorde a la correlación entre las
unidades. Se eligen los patrones de uno en uno; por ejemplo (ap ; bp ). Si bpi 6= bbpi , entonces
se modifica el peso, como puede visualizarse en la Figura (2.25):
 
∆wij = η bpi − bbpi apj (2.24)

Figura 2.25: Aprendizaje Hebbiano del Perceptrón.

Descenso de Gradiente: Inicialmente se eligen valores aleatorios para los pesos, la

idea de este método es utilizar un proceso iterativo que minimice la función de error:

1 X  p bp 2
E(w) = bi − bi (2.25)
2 i,p

En el caso lineal (f (x) = x) se tiene:

∂E X p 
∆wij = −η =η bi − bbpi apj (2.26)
∂wij p

En general, se tiene:

∂E X p 
∆wij = −η =η bi − bbpi f ′(Bip )apj (2.27)
∂wij p

El parámetro η se llama tasa de aprendizaje.

71
2.6. Redes Dinámicas
Las Redes Neuronales Dinámicas, a diferencia de las estáticas permiten establecer una
relación entre salidas y entradas y/o salidas y entradas previas, esto añade cierta memoria
a estas redes, lo que se traduce en que pueden modelar ecuaciones diferenciales.
Las redes neuronales dinámicas se han revelado útiles en problemas de modelización
de la dinámica directa e inversa de sistemas complejos, tales como robots, cohetes, naves
espaciales, ası́ como en la modelización de circuitos secuenciales y en la conversión de
texto a voz.
Como ejemplos de este tipo de redes encontramos las redes de Hopfield, las redes de
retardos en el tiempo (Time Delay Neural Network), las redes de tiempo discreto (Time
Discrete Neural Network).
Al considerar realimentaciones y operadores de retardo en las arquitecturas, surgen
las denominadas redes recurrentes, que se caracterizan por su capacidad de modelar tanto
la no linealidad como las componentes dinámicas de un sistema, donde en algunos casos
el flujo de información puede ser ası́ncrono, es decir que los estados de cada neurona se
actualizan de acuerdo al comportamiento interno de cada neurona, ası́ la secuencia de
actualización resulta estocástica, [Pham, 1995].

2.6.1. La Red de Hopfield

La red neuronal de Hopfield es una arquitectura formada por una sola capa principal,
como se describe en la Figura (2.26); se utiliza principalmente como memoria autoaso-
ciativa, para almacenar y recuperar información. La información se almacena usando un
método simple de aprendizaje no supervisado que obtiene la matriz de pesos que hace
que dado cada uno de los patrones de entrenamiento, almacenamiento, la red devuelva el
mismo patrón, recuperación.

Figura 2.26: Red de Hopfield.

Posteriormente, cuando se tenga una configuración arbitraria de las neuronas como

entradas, la red devolverá aquel patrón almacenado que esté más cerca de la configuración
de partida en términos de la distancia de Hamming, siendo esta distancia el número de

72
bits en que difieren dos palabras del código, si dos palabras están separadas por una
distancia d, se requerirán de un simple error para convertir una en la otra, la mı́nima es la
distancia d del código. Se considera una red neuronal de una sola capa sobre un conjunto
de neuronas binarias {x1 , . . . , xn }, con valores en {−1, 1}, donde cada neurona x1 posee un
vector de pesos wi = (wi1 , . . . , win ), con wii = 0 indicando que no existe conexión consigo
misma. Se considera también la siguiente definición binaria de la neurona, [Gutiérrez,
2013]:

n
!
X
xi = sgn wij xj (2.28)
j=1

Ahora, si se quieren obtener los pesos apropiados para memorizar un patrón a =

(a1 , . . . , an ), entonces, los pesos tienen que satisfacer las siguientes condiciones de estabi-
lidad:

n
!
X
ai = sgn wij aj , i = 1, . . . , n (2.29)
j=1

Por tanto la red devuelve el mismo patrón dado como entrada, como se están usando
los valores neuronales {−1, 1}, entonces a2j = 1 y las condiciones anteriores de estabilidad
se pueden alcanzar considerando los pesos:

1
wij = ai aj (2.30)
n

2.6.2. Redes con Retraso de Tiempo-FTDNN

Las Redes con retraso de Tiempo son similares a las redes de alimentación hacia
delante, excepto que las entradas tiene una lı́nea de retardo asociada. Esto permite que
la red tenga una respuesta dinámica finita a los datos de entrada de series de tiempo, su
estructura puede observarse en la Figura (2.27), [Matlab, 2010].
En la Figura (2.28), se presenta una de las arquitecturas probadas en los modelos de
esta tesis, puede observarse la estructura de la red con retardo de tiempo, que se utiliza
para resolver el problema de series temporales de la predicción de alturas del rı́o Paraná.

2.6.3. Redes con Estructura NAR

Las redes NAR, son redes con dinámica recurrente con conexiones de realimentación
donde la información de salida vuelve a realimentar la red neuronal, estos modelos están
basados en el modelo lineal ARX que es utilizado para la predicción de series temporales,
al que incorporan la no linealidad.
La Ecuación (2.31), es la definición para el modelo NAR, donde el siguiente valor de
salida y(t), depende de los valores anteriores de la salida, (y(t − 1), y(t − 2), . . . , y(t − ny )),
[Matlab, 2010].

y(t) = f (y(t − 1), y(t − 2), . . . , y(t − ny )) (2.31)

73
 Figura 2.27: Arquitectura de las Redes FTDNN, donde TDL son retardos asociados.

Figura 2.28: Red neuronal FTDNN: Alturas Hidrométricas Pto. Iaguazú, Posadas e Itatı́.

Esta arquitecturas ha sido implementa en esta tesis, en la Figura (2.29), puede ob-
servarse la estructura de la red con retardo de tiempo NAR, generada con datos de la
serie temporal de las alturas hidrométricas de la localidad de Corrientes, para predecir
las alturas de mencionada ciudad.

Figura 2.29: Red neuronal NAR: Alturas Hidrométricas de Corrientes.

74
2.6.4. Redes con Estructura NARX
Las redes NARX, son unas redes que combinan la estructura NAR con la FTDNN es
decir, que tienen retardos asociados a variables de entrada y otros asociados a la propia
respuesta de la red, funcionando como un lazo de realimentación, como en las NAR, como
se observa en la Figura (2.30), que presenta la red NARXIP que es una de las arquitecturas
analizadas en este trabajo.

Figura 2.30: Red neuronal NARXIP: Serie Alturas Hidrométricas de Corrientes, siendo
las entradas asociadas las Alturas Hidrométricas Pto. Iaguazú, Posadas e Itatı́.

La Ecuación (2.32), es la definición para el modelo NARX, donde el siguiente valor de

salida y(t), depende de los valores anteriores de la salida, (y(t−1), y(t−2), . . . , y(t−ny )) y
los valores anteriores de las entradas independientes o exógenas, (u(t−1), u(t−2), . . . , u(t−
nu )).

y(t) = f (y(t − 1), y(t − 2), . . . , y(t − ny ), u(t − 1), u(t − 2), . . . , u(t − nu )) (2.32)

Se puede implementar el modelo NARX utilizando una red neuronal feedforward para
aproximar la función f , un diagrama de la red resultante se muestra a continuación en
la Figura (2.31), donde una red de alimentación directa de dos capas se utiliza para la
aproximación, esta aplicación también permite un modelo vector, donde la entrada y la
salida pueden ser multidimension.
Las redes NARX tienen muchas aplicaciones, por ejemplo pueden utilizarse como un
factor de predicción, para predecir el siguiente valor de la señal de entrada, también se
pueden utilizar para el filtrado no lineal, para la salida final de una versión libre de ruido de
la señal de entrada, siendo otra aplicación importante, el modelado de sistemas dinámicos
no lineales.
Puede considerarse la salida de la red NARX como una estimación del resultado de un
sistema dinámico no lineal que se está tratando de modelar, la salida realimenta la entrada
de la red neuronal feedforward como parte de la arquitectura NARX estándar, como se
muestra a la izquierda en la Figura (2.32). Porque la verdadera salida está disponible
durante el entrenamiento de la red, se puede crear una arquitectura de serie-paralelo, en
la que se utiliza la verdadera salida en lugar de retroalimentar la producción estimada,
como se muestra a la derecha de la Figura (2.32). Esto tiene dos ventajas, la primera
es que la entrada a la red de alimentación directa es más precisa y la segunda es que la
red resultante tiene una arquitectura puramente de alimentación directa y se pueden usar
algoritmos de ajuste estandar, [Matlab, 2010].

75
Figura 2.31: Diagrama de las Redes NARX, donde TDL son retardos asociados a variables
de entrada y otros asociados a la propia respuesta de la red.

Figura 2.32: Arquitectura de las Redes NARX, donde TDL son retardos asociados.

2.7. Redes Profundas

En estos últimos años, el concepto de las arquitecturas profundas ha despertado un
creciente interés dentro de la comunidad de la inteligencia artificial y el aprendizaje au-
tomático. Estos modelos de arquitecturas profundas, pueden considerarse como una terce-
ra generación de redes neuronales, las cuales se caracterizan por estar formadas por varias
capas de neuronas ocultas que realizan una abstracción de la información, como puede
observarse en la Figura (2.33).
Aunque estos modelos ya eran conocidos en la década de los 80, en la práctica se
habı́a visto que estas Redes Profundas no proporcionaban ventajas importantes sobre las
habituales redes neuronales, de una única capa oculta. Sin embargo, avances cientı́ficos
recientes han demostrado que, si se utilizan algoritmos de construcción apropiados, las
Redes Profundas sı́ son capaces de obtener niveles de rendimiento fuera del alcance de las
redes clásicas.
Las mejoras en los algoritmos, junto con la reciente disponibilidad de computadoras
muy rápidos y grandes conjuntos de datos, están permitiendo importantes aumentos en

76
 Figura 2.33: Redes Profundas: Estructura con varias capas ocultas.

el poder en los sistemas de aprendizaje, en particular en las redes neuronales artificiales

multicapa. Se están produciendo mejoras en áreas como la precisión de la visión por
computador, reconocimiento de voz y otras aplicaciones, generando un campo que es
conocido como, aprendizaje profundo, [Anthes, 2013].
En la década de 1980, Hinton y otros propusieron un tipo más poderoso de aprendizaje
supervisado, que emplea aprendizaje en múltiples capas, combinación de caracterı́sticas de
bajo nivel en forma sucesiva hasta los niveles más altos. Sin embargo, Hinton dice que, con
algunas excepciones, estos sistemas no funcionan tan bien como era esperado. El proceso
de iniciar con caracterı́sticas de muy bajo nivel, tales como la intensidades de pı́xeles
individuales y el aprendizaje de múltiples capas, al hacerse todo al mismo tiempo, implica
una enorme cantidad de cálculos, los ordenadores de esos años no eran lo suficientemente
rápido, no habı́a suficientes datos etiquetados y no tenı́an una buena forma de inicializar
los pesos. Desde 2005, Hinton con Yann Le Cun, profesores de informática y neurociencia,
en la Universidad de Nueva York y otros hicieron una serie de los avances fundamentales
en redes neuronales, principalmente en apredizaje sin supervisión y el aprendizaje de
múltiples capas, haciendo viable su aplicación, [Anthes, 2013].
La complejidad de construir Redes Profundas, no puede resolverse de forma efectiva
empleando algoritmos clásicos de redes neuronales. Tras identificar las causas de esta
complejidad se presentan dos métodos capaces de llevar a cabo esta tarea, las Máquinas
de Boltzmann Restringidas (Restricted Boltzmann Machines) y los Autocodificadores
Dispersos (Sparse Autoencoders), ası́ como algunas técnicas de optimización adecuadas

77
para este tipo de redes. Además las posibilidades de aplicación de estas técnicas a tareas
de modelización complejas como pueden ser el aprendizaje semiautomático, la reducción
de ruido y la corrección de datos incompletos, [Bengio, 2013].
El uso del aprendizaje semi-supervisado y las redes neuronales profundas , es la base
para algunos de los resultados recientemente en el reconocimiento de patrones. Durante
20 años, la mayorı́a de los sistemas de reconocimeinto de voz se han basado en un método
de aprendizaje que no utiliza las redes neuronales, en 2011 sin embargo, basándose en el
trabajo de la Universidad de Toronto, se utiliza una combinación de datos etiquetados
y sin etiquetar en una red neuronal profunda para bajar la tasa de error de los sistema
de reconocimiento de voz, que ha bajando el error estándar de 24 % a aproximadamente
16 %, [Anthes, 2013].
En 2012, los investigadores de Google y la Universidad de Stanford informaron que
habı́an obtenido una mejora del 70 %, con respecto a resultados anteriores con lo que
denomiraron un mamut, una red neuronal de nueve capas, que aprendió a reconocer caras,
el sistema con mil millones de conexiones, fue entrenado durante tres dı́as en 10 millones
de imágenes utilizando un conjunto de máquinas con un total de 16.000 núcleos, [Bengio,
2013].

2.7.1. Autocodificadores
Los Autocodificadores, son una red neuronal con unidades lineales, entrenadas con la
función de error cuadrática, donde la salida tiene la capacidad para replicar la entrada, en
la capa oculta desarrolla una proyección en un subespacio de la capa de entrada principal,
como puede observarse en la Figura (2.34).

Figura 2.34: Redes Profundas: Autocodificador.

2.8. Algoritmos Evolutivos

La teorı́a de la evolución, fue descrita en 1859 por Charles Darwin, 20 años después de
su viaje por las islas Galápagos, en el libro Sobre el Origen de las Especies por medio de la
Selección Natural. En los años 50, Watson y Crick descubrieron que la base molecular de

78
los genes está en el ADN, ácido desoxirribonucleico. Los cromosomas están compuestos de
ADN, estando los genes en los cromosomas. La macromolécula de ADN está compuesta
por bases y la combinación y secuencia de estas bases forma el código genético, único para
cada ser vivo, como puede observarse en la Figura (2.35),

Figura 2.35: Cadena de ADN.

Según los informáticos evolutivos, la evolución optimiza, puesto que va creando seres
cada vez más perfectos, sin embargo, los genetistas y biólogos evolutivos afirman que la
evolución no optimiza, sino que adapta y optimiza localmente en el espacio y el tiempo;
evolución no significa progreso. Un organismo más evolucionado puede estar en desven-
taja competitiva con uno de sus antepasados, si se colocan en el ambiente del último,
[Merelo Guervós, 2013].

2.8.1. Mecanismos de Cambio en la Evolución

Estos mecanismos de cambio son necesarios para entender los algoritmos evolutivos,
pues se trata de imitarlos para resolver problemas de ingenierı́a; los mecanismos de cambio
alteran la proporción de alelos de un tipo determinado en una población y se dividen en
dos tipos: los que disminuyen la variabilidad y los que la aumentan.
Los principales mecanismos que disminuyen la variabilidad son los siguientes:

Selección Natural : los individuos que tengan algún rasgo que los haga menos válidos
para realizar su tarea de seres vivos, no llegarán a reproducirse y su patrimonio
genético desaparecerá; algunos no llegarán ni siquiera a nacer.

Deriva Génica: el simple hecho de que un alelo sea más común en la población que
otro, causará que la proporción de alelos de esa población vaya aumentando en una
población aislada.

Otros mecanismos aumentan la diversidad, suceden generalmente en el ámbito mole-

cular, los más importantes son:

Mutación: la mutación es una alteración del código genético, que puede suceder por
múltiples razones, las mutaciones son totalmente aleatorias, siendo el mecanismo
básico de generación de variedad genética; la mayorı́a de las mutaciones ocurren de
forma natural, aunque existen sustancias mutagénicas que aumentan su frecuencia.

79
 Poliploidı́a: mientras que las células normales poseen dos copias de cada cromosoma,
las células reproductivas una (haploides), puede suceder por accidente que alguna
célula reproductiva tenga dos copias; si se logra combinar con otra célula diploide o
haploide dará lugar a un ser vivo con varias copias de cada cromosoma.

Recombinación: cuando las dos células sexuales o gametos, una masculina y otra
femenina se combinan, los cromosomas de cada una también lo hacen, intercam-
biándose genes, que a partir de ese momento pertenecerán a un cromosoma diferen-
te.

Flujo Genético: o intercambio de material genético entre seres vivos de diferentes

especies.

La selección natural actúa sobre el fenotipo y suele disminuir la diversidad, haciendo

que sobrevivan solo los individuos más aptos, los mecanismos que generan diversidad y
que combinan caracterı́sticas actúan habitualmente sobre el genotipo, [Merelo Guervós,
2013].
Los algoritmos evolutivos y la computación evolutiva, son una rama de la inteligencia
artificial, son utilizados principalmente en problemas con espacios de búsqueda extensos
y no lineales, en donde otros métodos no son capaces de encontrar soluciones en un
tiempo razonable. Siguiendo la terminologı́a de la teorı́a de la evolución, las entidades
que representan las soluciones al problema se denominan individuos o cromosomas y el
conjunto de éstos, población.

2.8.2. Algoritmos Genéticos

Los algoritmos genéticos (AGs) son métodos adaptativos que pueden usarse para re-
solver problemas de búsqueda y optimización. Están basados en el proceso genético de los
organismos vivos, los cuales a lo largo de las generaciones, evolucionan en la naturaleza
de acorde con los principios de la selección natural y la supervivencia de los más fuertes,
postulados por Darwin en 1859. Por imitación de este proceso, los algoritmos genéticos
son capaces de ir creando soluciones para problemas del mundo real, la evolución de dichas
soluciones hacia valores óptimos del problema depende en buena medida de una adecuada
codificación de las mismas, ver detalle en la Figura (2.36).
La primera mención del término y la primer publicación sobre su aplicación, se deben
a Bagley en 1967, que diseñó algoritmos genéticos para buscar conjuntos de parámetros
en funciones de evaluación de juegos y los comparó con los algoritmos de correlación. Pero
es considerado su creador John Holland, que los desarrolló, junto a su equipo, durante las
décadas de 1960 y 1970, [Holland, 1992].
Los algoritmos genéticos usan una analogı́a directa con el comportamiento natural;
trabajan con una población de individuos, cada uno de los cuales representa una solución
factible a un problema dado. Este cruce producirá nuevos individuos, descendientes de
los anteriores los cuales comparten algunas de las caracterı́sticas de sus padres, como se
detalla en la Figura (2.37).
Se implementa el operador de selección, que escoge, entre los cromosomas de la pobla-
ción, aquellos con capacidad de reproducción y más compatibles, para producir más des-
cendencia que el resto. La población convergera hacia una solución óptima del problema,

80
 Figura 2.36: Descripción del Algoritmo Genético.

Figura 2.37: Descripción de un Cruce en los Algoritmos Genéticos.

generando para la evolución un algoritmo basado en poblaciones con cruces, mutaciones

e inversiones:, [Holland, 1992].

Cruce: extrae partes de dos cromosomas, imitando la combinación biológica de dos

cromosomas aislados (gametos).
Mutación: se encarga de cambiar, de modo aleatorio, los valores del alelo en algunas
localizaciones del cromosoma.
Inversión: invierte el orden de una sección contigua del cromosoma, recolocando por
tanto el orden en el que se almacenan los genes.

Siendo actualmente una técnica robusta, que puede tratar con éxito gran variedad de
problemas de diferentes áreas, incluyendo aquellos en los que otros métodos encuentran
dificultades. No se garantiza que se encuentre la solución óptima del problema, pero si
que se encuentran soluciones de un nivel aceptable, en un tiempo competitivo con el resto
de algoritmos de optimización.
Al trasladar estos conceptos a la vida artificial en los algoritmos genéticos, el término
cromosoma se refiere a un candidato a solución del problema, que a menudo se codifica
como una cadena de bits. Los genes son tanto un bit o bloques cortos de bits adyacentes
que codifican un elemento particular del candidato a solución, por ejemplo, en el caso
de la optimización de una función multiparamétrica, los bits que codifican un parámetro
particular, se considera un gen. Un alelo en una cadena de bits será un 0 o un 1 (para
alfabetos largos cada lugar puede tener más alelos), como se visualiza en la Figura (2.38).
La forma más simple de algoritmo genético utiliza tres tipos de operadores:

81
 Figura 2.38: Detalle de Cromosona, Gen y Alelo.

Figura 2.39: Operación de Cruce.

Figura 2.40: Operación de Mutación.

Selección o Reproducción: Este operador escoge cromosomas entre la población para

efectuar la reproducción. Cuanto más capaz sea el cromosoma, más veces será se-
leccionado para reproducirse.

Cruce: El cruce consiste, normalmente, como en su espejo biológico, en un intercam-

bio de material genético entre dos cromosomas de dos padres haploides. Se trata de
un operador cuya labor es elegir un lugar y cambiar las secuencias antes y después
de esa posición entre dos cromosomas, para crear nueva descendencia, por ejem-
plo, las cadenas 0110001110 y 1001100011 pueden cruzarse después del sesto lugar
para producir la descendencia 0110000011 y 1001101110. Imita la recombinación
biológica entre dos organismos haploides, como se detalla en la Figura (2.39).

Mutación: La mutación es una permutación en un bit en un lugar aleatorio o en

los alfabetos largos, remplaza el sı́mbolo de un lugar escogido aleatoriamente con
un sı́mbolo nuevo escogido también aleatoriamente. Este operador produce variacio-
nes de modo aleatorio en un cromosoma, por ejemplo, la cadena 0100101110 puede
mutar su cuarta y novena posición para dar lugar a la cadena 0101101100. La mu-
tación puede darse en cada posición de un bit en una cadena, con una probabilidad,
normalmente muy pequeña, por ejemplo 0,001, como se detalla en la Figura (2.40).

82
El Algoritmo Genético Simple

La implementación del Algoritmo Genético necesita una codificación o representación

del problema, que resulte adecuada al mismo. El resultado de la combinación de las an-
teriores funciones será un conjunto de individuos, posibles soluciones al problema, los
cuales en la evolución del Algoritmo formarán parte de la siguiente población, [Michale-
wicz, 1992].
El Algoritmo Genético Simple, también denominado Canónico, se detalla a continua-
ción y se presenta su diagrama en la Figura (2.41).

Pseudocódigo del Algoritmo Genético Simple

BEGIN /* Algoritmo Genetico Simple */

Generar una poblacion inicial.
Computar la funcion de evaluacion de cada individuo.
WHILE NOT Terminado DO
BEGIN /* Producir nueva generacion */
FOR Tama~
nno poblacion/2 DO
BEGIN /*Ciclo Reproductivo */

Seleccionar: dos individuos de la anterior generacion,

para el cruce (probabilidad de seleccion proporcional
a la funcion de evaluacion del individuo).

Cruzar: con cierta probabilidad los dos

individuos obteniendo dos descendientes.

Mutar: los dos descendientes con cierta probabilidad.

Computar: la funcion de evaluacion de los dos

descendientes mutados.

Insertar: los dos descendientes mutados en la nueva

generacion.

END
IF la poblacion ha convergido THEN
Terminado := TRUE
END
END

83
Figura 2.41: Diagrama del Algoritmo Genético Simple o Canónico.

84
Capı́tulo 3

Descripción Estadı́stica del rı́o

Paraná

3.1. Introducción
En este Capı́tulo se realiza la Descripción Estadı́stica del rı́o Paraná, iniciando en la
Sección (3.2) con el Estudio Estadı́stico Descriptivo del rı́o en la localidad de Corrientes,
en la Sección (3.3) se presentan los Gráficos de Evolución Temporal, en la Sección (3.4)
se analizan las Tendencias, en la Sección (3.5), se presentan los Gráficos de Recurrencia
y finalizando en la Sección (3.6) con las Conclusiones Cualitativas y Cuantitativas sobre
el comportamiento del rı́o Paraná.

3.2. Estudio Estadı́stico Descriptivo

Los datos que se trabajan en la presente tesis, son datos diarios del perı́odo de años de
1989 a 2009, los cuales han sido obtenido de las siguientes instituciones, como se detalla
en el Capı́tulo 1, en la Sección (1.3.8):

SMN-Servicio Meteorológico Nacional, Subsecretarı́a de Planeamiento, Ministerio

de Defensa, Rep. Argentina, [SMN, 2008 a 2013].

SNIH-Sistema Nacional de Información Hı́drica de la Subsecretarı́a de Recursos

Hı́dricos, Secretarı́a de Obras Públicas, Ministerio de Planificacion Federal, Inversión
Publica y Servicios, Rep. Argentina, [SNIH, 2008 a 2013].

La información facilitada por ambos Organismos Públicos, presenta irregularidades de

falta de información en algunos subperı́odos, del perı́odo de años de 1989 a 2009, por lo
cual se analizan los datos para detectar estas situaciones y hacer estimaciones de los datos
faltanes en base a promedios y considerando la tendencia de los datos.
Para el estudio estadı́stico descriptivo se considera el perı́odo de años de 1989 a 2008,
por contar con datos anuales completos en ese perı́odo, los datos del año 2009 son in-
completos al contar solamente con información de los meses de enero a abril, por lo cual
no es considerado para estudio estadı́stico descriptivo, aunque si se han utilizado para
validación y testeo de diferentes modelos.

85
 Se consideran para el desarrollo de la presente tesis las dos últimas perı́odos de inunda-
ciones, que han superado los 8, 00m, los años de 1991-1992 y de 1997-1998, por ser ambas
posteriores a la construcción de la Central Hidroeléctrica Binacional Argentina-Paraguaya
de Yacyreta, la cual ha modificado y regulado el curso normal del rı́o Paraná aguas abajo.
En la inundación de 1991-1992, la represa estaba en etapa avanzada de construcción y en
la de 1997-1998 en etapa de funcionamiento parcial.

3.2.1. Estadı́sticos de las Alturas Hidrométricas en la localidad

de Corrientes en los años 1989-2008
Inicialmente se realiza un estudio estdı́stico descriptivo de las Alturas Hidrométricas
del rı́o Paraná en la localidad de Corrientes, analizando el perı́odo del 1 de enero de 1989
al 31 de diciembre de 2008, obteniéndose los siguientes estadı́sticos, para este perı́odo de
20 años:

Media o Promedio: 3, 95m

Mediana: 3, 72m

Moda: 3, 40m

Máximo: 8, 61m

Mı́nimo: 1, 40m

Rango: 7, 21m

Q1 : 3, 02m

Q2 : 3, 72m

Q3 : 4, 74m

Coef. Asimetrı́a: 0, 74

Desviación Estandar: 1, 23

Curtosis: 0, 28

Varianza: 1, 52m2

Esto indica las siguientes caracterı́sticas estadı́sticas del rı́o en la localidad de Corrien-
tes, una Altura Promedio de 3, 95m, por lo cual podemos deducir que en promedio la
altura del rı́o presenta valores por debajo de los valores de alerta, la Moda es de 3, 40m
lo que indica que es el valor mas frecuente en la altura del rı́o, las alturas hidrométricas
se distribuyen en un rango de 7, 21m siendo el valor Máximo de 8, 61m y el Mı́nimo de
1, 40m, el Cuartil Q1 es de 3, 02m lo que indica que el 25 % se presentan valores inferiores
a este valor, el Cuartil Q2 y la Mediana es de 3, 72m lo que nos indica que el 50 % de las
alturas presentan valores inferiores a esta altura y el Cuartil Q3 es de 4, 74m, indicando
que el 75 % de las mediciones presentan valores inferiores a este valor.

86
 El Coeficiente de Asimetrı́a de la serie es de 0, 74, por lo cual presenta una distribución
asimétrica positiva, que indica que se concentran más valores a la derecha de la media
aritmética o promedio, que a su izquierda.
La Desviación Estandar es de 1, 23, siendo la desviación estándar una medida del
grado de dispersión de los datos con respecto al valor promedio, nos indica que los datos
se distribuyen en promedio con respecto a la media aritmética en 1, 23.
El Coeficiente de Curtosis es de 0, 28, siendo que analiza el grado de concentración
que presentan los valores alrededor de la zona central de la distribución, al ser positivo
nos indica que los datos son sesgados a la derecha y que se trata de una distribución
leptocúrtica, que presenta un elevado grado de concentración alrededor de los valores
centrales de la variable.
Analizando estos estadı́sticos puede observarse que el rı́o Paraná en la ciudad de Co-
rrientes, presenta la mayor parte del tiempo valores inferior a los 5, 00m, que es el primer
valor de alerta de emergencia de inundación, por ello podemos deducir que las inundaciones
son fenómenos no frecuentes pero de gran magnitud, porque en perı́odos de inundación, los
valores de alturas hidrométrica alcanzan los 8, 61m, lo que supera el doble de los valores
promedio, media y moda de la serie.

3.2.2. Estadı́sticos de las Alturas Hidrométricas en la localidad

de Corrientes, en Perı́odo sin Inundación Años 2005-2006
Media o Promedio: 3, 31m

Mediana: 3, 21m

Moda: 2, 49m

Maximo: 5, 80m

Mı́nimo: 1, 95m

Rango: 3, 85m

Q1 : 2, 74m

Q2 : 3, 21m

Q3 : 3, 72m

Coef. Asimetrı́a: 0, 92

Desviación Estandar: 0, 77

Curtosis: 0, 90

Varianza: 0, 59m2

Las caracterı́sticas estadı́sticas del rı́o en la localidad de Corrientes en el perı́odo de

curso nomal considerando los años de 2005-2006, presenta una Altura Promedio de 3, 31m,
por lo cual podemos deducir que en promedio la altura del rı́o se mantuvo por debajo de
los valores de alerta, al igual que la Moda que es de 2, 49m, las alturas hidrométricas se

87
distribuyen en un rango de 3, 85m siendo el valor Máximo de 5, 80m, el Mı́nimo de 1, 95m
y la Mediana es de 3, 21m.
El Coeficiente de Asimetrı́a de la serie es de 0, 92, por lo cual presenta una distribución
asimétrica positiva, que indica que se concentran más valores a la derecha de la media
aritmética o promedio, que a su izquierda.
El Coeficiente de Curtosis es de 0, 90, siendo que analiza el grado de concentración
que presentan los valores alrededor de la zona central de la distribución, al ser positivo
nos indica que los datos son sesgados a la derecha y que se trata de una distribución
leptocúrtica, que presenta un elevado grado de concentración alrededor de los valores
centrales de la variable.
Analizando estos estadı́sticos puede observarse que el rı́o Paraná en la ciudad de Co-
rrientes, en perı́odos de alturas normales presenta la mayor parte del tiempo valores
inferior a los 5, 00m, que es el primer valor de alerta de emergencia de inundación y que
el valor de alerta es superados en raras ocasiones y por pocos dı́as.

3.2.3. Estadı́sticos de las Alturas Hidrométricas en la localidad

de Corrientesde, en Perı́odo de Inundación Años 1991-
1992
Media o Promedio: 4, 53m

Mediana: 4, 57m

Moda: 4, 70m

Máximo: 8, 61m

Mı́nimo: 2, 14m

Rango: 6, 47m

Q1 : 3, 54m

Q2 : 4, 57m

Q3 : 5, 22m

Coef. Asimetrı́a: 0, 53

Desviación Estandar: 1, 33

Curtosis: 0, 17

Varianza: 1, 76m2

Analizando las caracterı́sticas estadı́sticas del rı́o en la localidad de Corrientes en el

perı́odo de Inundación 1991-1992, se observa una Altura Promedio de 4, 53m, por lo cual
podemos deducir que en promedio la altura del rı́o se mantuvo por debajo de los valores de
alerta, al igual que la Moda que es de 4, 70m, las alturas hidrométricas se distribuyen en
un rango de 6, 47m, siendo el valor Máximo de 8, 61m, el Mı́nimo de 2, 14m y la Mediana
es de 4, 57m.

88
 El Coeficiente de Asimetrı́a de la serie es de 0, 53, por lo cual presenta una distribución
practicamente simétrica, que indica que se concentran mı́nimamente más valores a la
derecha de la media aritmética o promedio, que a su izquierda.
El Coeficiente de Curtosis es de 0, 17, al ser positivo nos indica que los datos son
sesgados a la derecha y que se trata de una distribución leptocúrtica, que presenta un
elevado grado de concentración alrededor de los valores centrales de la variable.
Analizando estos estadı́sticos puede observarse que el rı́o Paraná en la ciudad de Co-
rrientes, presenta la mayor parte del tiempo valores inferior a los 5, 00m, que es el primer
valor de alerta de emergencia de inundación, a pesar de ser perı́odos de inundación, aun-
que presenta en estos años alturas más altas que oscilan entre 0, 50m y 1, 00m, que los
valores promedio generales, por ello podemos deducir que las inundaciones son fenómenos
no frecuentes pero de gran magnitud y con una permanencia en valores altos cercanos o
superiores al nivel de alerta, que cuando se presenta el pico de crecida en los perı́odos de
inundación, los valores de alturas hidrométrica alcanzan los 8, 61m, conservando valores
próximo a este valor por varios dı́as, siendo en la onda de crecida valores de altura hi-
drométrica que superan notablemente los valores promedio, media y moda de la serie en
perı́odo de inundación.

3.2.4. Estadı́sticos de las Alturas Hidrométricas en la localidad

de Corrientesde, en Perı́odo de Inundación Años 1997-
1998
Media o Promedio: 5, 31m

Mediana: 5, 38m

Moda: 5, 61m

Maximo: 8, 38m

Mı́nimo: 2, 83m

Rango: 5, 55m

Q1 : 4, 15m

Q2 : 5, 38m

Q3 : 6, 29m

Coef. Asimetrı́a: 0, 07

Desviación Estandar: 1, 32

Curtosis: −0, 82

Varianza: 1, 75m2

Los siguientes estadı́sticas del rı́o en la localidad de Corrientes en el perı́odo de Inunda-

ción de 1997-1998, presenta una Altura Promedio de 5, 31m, por lo cual podemos deducir
que en promedio la altura del rı́o se mantiene por encima de los valores de alerta, al igual

89
que la Moda que es de 5, 61m, las alturas hidrométricas se distribuyen en un rango de
5, 55m siendo el valor Máximo de 8, 38m, el Mı́nimo de 2, 83m y la Mediana es de 5, 38m.
El Coeficiente de Asimetrı́a de la serie es de 0, 07, por ser un valor cercano a cero, puede
considerarse que la distribución es simétrica, presentando aproximadamente la misma
cantidad de valores a ambos lados de la media.
El Coeficiente de Curtosis es de −0, 82, siendo que analiza el grado de concentración
que presentan los valores alrededor de la zona central de la distribución, al ser negativo
nos indica que los datos son sesgados minimamente a la izquierda y que se trata de una
distribución platicúrtica, que presenta un reducido grado de concentración alrededor de
los valores centrales de la variable.
Analizando estos estadı́sticos puede observarse que el rı́o Paraná en la ciudad de Co-
rrientes en el perı́odo de Inundación de 1997-1998, presenta la mayor parte del tiempo
valores superiores a los 5, 00m, que es el primer valor de alerta de emergencia de inunda-
ción, aunque presenta en estos años alturas mas altas que oxilan entre 0, 50m y 1, 00m,
que el promedio general.
Al comparar los estadı́sticos de esta inundación con los valores de la inundación de
1991-1992, podemos destacar que en esta inundación el valor máximo ha sido menor en
0, 23m, pero la onda de crecida ha permanecido con valores altos más tiempo que la
inundación de 1991-1992, lo cual se aprecia al comparar los valores de las medianas para
1991-1992 es de 4, 57m y para 1997-1998 es de 5, 38m.

3.3. Gráficos de Evolución Temporal

Al observar los gráficos de las Alturas Hidrométricas del rı́o Paraná, es notable que
presenta un amplio rango de fluctuaión hidrométrica, tanto en perı́odos de inundaciones
como en años de curso normal, como puede observarse en las Figuras (3.1), (3.2) y (3.3).
En la Figura (3.1), puede observar que cada año en los primeros meses de enero a marzo
se presenta una onda de crecida, que en años de curso normal no alcanza los valores de
alerta de inundación y que en los meses de agosto a noviembre se repite en algunos años
un nuevo aumento en las alturas pero de menor intensidad.
En la Figura (3.2), se comparan alturas hidrométicas en la localidad de Corrientes,
de las últimas inundaciones de gran importancia las de 1991-1992 y de 1997-1998, con
las alturas de años de curso normal como 2005-2006, donde puede observarse que el
rı́o no mantiene patrones de comportamiento homogéneos, los perı́odos de inundación se
presentan en diferentes meses, con intensidad y amplitud diferente, siendo la caracterı́stica
común lo imprevisible del comportamiento del rı́o en especial cuando la inundación alcanza
el piso de crecida como puedo observarse en detalle en la gráfica de la Figura (3.3), donde
se comparan las alturas máximas alcanzadas por el rı́o en las mencionadas inundaciones.

3.4. Tendencia
El funcionamiento y estructura de los rı́os con planicie de inundación, como el rı́o
Paraná, están condicionados por las inundaciones periódicas o pulsos de energı́a y ma-
teria o pulso hidrosedimentológico, en rı́os como el Paraná, las crecientes y las bajantes

90
Figura 3.1: Variaciones de alturas hidrométricas del rı́o Paraná en la localidad de Corrien-
tes en el perı́odo 1989-2008.

Figura 3.2: Comparacion de alturas hidrométricas del rı́o Paraná en la localidad de Co-
rrientes en perı́odos normales y de inundaciones.

91
Figura 3.3: Comparación de alturas hidrométricas del rı́o Paraná en la localidad de Co-
rrientes en los perı́odos de picos de inundación.

conforman dos fases complementarias del pulso: aguas altas o potamofase y aguas bajas
o limnofase, como se observa en la Figura (3.4), las cuales tienen una influencia notable
en la estabilidad de los ecosistemas del macrosistema fluvial. La frecuencia, la intensidad
y la duración de ambas fases dependen de la posición topográfica de las islas del rı́o, por
lo cual, en cada punto de la planicie inundable, los efectos de una misma creciente son
potencialmente distintos, [Neiff, 1999].
La dinámica de pulsos está caracterizada por atributos hidrológicos, definidos en la
función f FITRAS, que es el acrónimo de: Frecuencia (F), Intensidad (I), Tensión (TM:
tensión máxima; Tm: Tensión mı́nima), Regularidad (R), Amplitud (A), Estacionalidad
(S), como se detalla en la Figura (3.5), [Neiff, 1999]:

Frecuencia (F): número de veces que ocurre un fenómeno determinado dentro de

una unidad de tiempo (ej. inundaciones de 8 m en el hidrómetro de Corrientes a lo
largo de un siglo).

Intensidad (I): magnitud alcanzada por una fase de inundación o de sequı́a. Se mide
generalmente por el valor alcanzado en el hidrómetro más próximo o en términos
de caudal de agua.

Tensión (TM: Tensión máxima; Tm: Tensión mı́nima): valor de la desviación tı́pica
desde las medias máximas o desde las medias mı́nimas de una curva de fluctuación
hidrométrica del rı́o. Se la define también como envolvente de fluctuación y permite
establecer la variabilidad en la magnitud de los eventos de inundación y sequı́a. Se
expresa generalmente en valores hidrométricos o en caudal.

92
Figura 3.4: Representación esquemática de las fases de aguas altas y bajas en el rı́o Paraná.

Regularidad o Recurrencia (R): corresponde a la probabilidad estadı́stica de un

evento de inundación o sequı́a de magnitud determinada dentro de una centuria o
de un milenio. Está dado por la frecuencia relativa.

Amplitud (A): también expresada como duración, es el segmento de tiempo que

permanece el rı́o en una fase de inundación o de sequı́a de determinada magnitud.

Estacionalidad (S): se refiere a la frecuencia estacional en que ocurren las fases de

sequı́as o inundaciones. Los organismos, excepto el hombre, tienen ajustes de sus
ciclos de vida (fertilidad, reproducción, crecimiento) a la época en que ocurren los
eventos hidrológicos.

Las diferencias en la posición topográfica en distintos puntos de una planicie, determi-

narán diferente frecuencia, intensidad y duración de las fases de inundación y de sequı́a.
La oferta de hábitat para micro y macro organismos también será distinta y puede ser
calificada y cuantificada, como se grafica en la Figura (3.6), [Neiff, 1999].
El rı́o Paraná en la localidad de Corrientes, es un rı́o poco predecible, com bajo iso-
cronismo, baja recurrencia de pulsos y magnitud muy variable de fases, como se observa
en la Figura (3.1), esto se debe a su régimen hidrológico mixto, complejo y al hecho de
captar agua de regiones climáticas diferentes, por estar orientado de norte a sur recoge
las lluvias en el extenso recorrido en Brasil, considerando además que el rı́o Iguazú tiene
una influencia muy marcada en el bajo Paraná.

3.4.1. Tendencia Evolutiva

Para la tendencia evolutiva, pueden implementarse las medias móviles, siendo esta una
función que evoluciona lentamente, que puede aproximarse en intervalos muy cortos, este
método de suavizado consiste, en promediar la serie, estos promedios serán las medias

93
Figura 3.5: Variaciones hidrométricas del rı́o Paraná en el Puerto de Corrientes desde
enero de 1998 hasta enero de 2006, [Neiff, 1999].

Figura 3.6: Representación esquemática de un Pulso de Inundación del rı́o Paraná, [Neiff,
1999].

aritméticas de un conjunto k de valores consecutivos, con el requisito de que k sea inferior

al total de observaciones.
Con este método lo que se hace es suavizar la serie promediando los valores de la misma
para periodos de tiempo fijos pero que se desplazan a lo largo de todo el horizonte de la
serie, el resultado de este proceso es la eliminación de los movimientos a corto y medio
plazo ası́ como las irregularidades debidas a factores no controlables ni predecibles. Es
decir, a la serie se le quitan tres de sus componentes y se le deja sólo la tendencia. La idea
que subyace detrás de este método es que la media de cualquier conjunto de valores sirve
para eliminar la dispersión o variabilidad de la serie motivada por factores coyunturales

94
o esporádicos.

Como se detalla en la Figura (3.7), que presenta las alturas en la localidad de Corrientes
en el perı́odo 1989-2008, y lı́nea de tendencia, para la cual se consideran medias móviles de
orden 7, en este caso se consideran 7 datos, como la componente irregular tiene media cero,
la media de los siete valores del componente irregular se puede suponer que es despreciable
frente a la tendencia y representa la tendencia en ese instante.

Figura 3.7: Alturas hidrométricas del rı́o Paraná en la localidad de Corrientes en el perı́odo
1989-2008 y lı́nea de tendencia aproximada por medias móviles de orden 7.

En las Figuras (3.8) y (3.9), se detallan las alturas hidrométricas para la misma lo-
calidad, en perı́odos de inundaciones, con sus correspondientes lı́neas de tendencia, para
ambos perı́odos de inundacion la tendencia se aproxima por medias móviles de orden 2,
lo que denota que el comportamiento del desplamienzo de la onda de agua en perı́odos de
crecida, tiene un desplazamiento distinto a perı́odos de cauce normal del rı́o.

Al analizar la serie de las alturas en la localidad de Corrientes en el perı́odo 1989-

2008, es notable que la tendencia con medias móviles de orden 7, dan una tendencia muy
aceptable a la serie, es de destacar que 7 son los dı́as que tarda en llegar la onda de agua
desde la localidad de Pto. Iguazú a la localidad de Corriente. Al analizar las alturas en la
localidad de Corrientes en los perı́odos de inundación de los años 1991-1992 y 1997-1998,
las tendencia s son paroximadas con medias móviles de orden 2, dan una tendencia muy
aceptable a la serie, siendo aproximadamente 2 dı́as el tiempo que tarda en llegar la onda
de agua desde la salida de vertederos de la represa de Yacyretá a la localidad de Corriente.

95
Figura 3.8: Alturas hidrométricas del rı́o Paraná en el Puerto de Corrientes en el perı́odo
de Inundación de 1991-1992 y lı́nea de tendencia aproximada por medias móviles de orden
2.

3.5. Gráficos de Recurrencia y Frecuencia

La frecuencia y la recurrencia también definen la modalidad de fluctuación del rı́o, la

frecuencia indica el número de veces que ocurre un proceso en un determinado lapso de
tiempo, por ejemplo el número de crecidas extraordinarias del rı́o Paraná en un siglo y
la recurrencia define la regularidad con que el fenómeno ocurre en el tiempo, por ejemplo
cada 6 años.
En el cuadro de la Figura (3.10), se detallan la recurrencia de las Inundaciones según
las alturas hidrométricas máximas alcanzadas en cada una de ellas, puede observarse que
a mayor altura hidrométrica del rı́o, es menor su recurrencia.
En la Figura (3.11), se puede observar el histograma mensual de la localidad de Co-
rrientes para el perı́odo de 1989 a 2008, donde se aprecia claramente como en los meses
de enero, febrero y marzo, el rı́o presenta alturas hidrométricas que superan los 5, 00m,
que es el valor de alerta de crecida y que representa el primer pico de crecida y de mayor
intensidad, siendo febrero el mes de que presenta más dı́as con valores altos, luego en los
meses de septiembre, octubre y noviembre se observa la seguna onda de crecida pero de
menor intensidad, presentando los valores más altos el mes de octubre.
En la Figura (3.12), se detalla el histograma anual de la localidad de Corrientes para
el perı́odo de 1989 a 2008, donde se observa claramente la presencia de los dos perı́odos de
inundación que se analizan en el presente trabajo, el primer año es 1992, que corresponde
a la creciente de los años 1991-1992 y el segundo de los años 1997-1998, los mencionados

96
Figura 3.9: Alturas hidrométricas del rı́o Paraná en el Puerto de Corrientes en el perı́odo
de Inundación de 1991-1992 y lı́nea de tendencia aproximada por medias móviles de orden
2.

Figura 3.10: Recurrencia de Inundaciones según Alturas Hidrométricas Máximas.

años denotan alturas hidrométricas que superan los 5, 00m, que es el valor de alerta de
crecida. Puede observarse claramente como en el año 1998 superan notablemente los dı́as
con valores altos, lo que corresponde con el pico de la inundación de 1997-1998, que aunque
no supera el valor máximo de altura de la inundación de 1991-1992, sı́ es la inundación de
mayor permanencia de aguas altas, siendo la inundación de mayor amplitud en el perı́odo
analizado.
En la Figura (3.13), se describen las frecuencias de las alturas hidrométricas de la
localidad de Corrientes para el perı́odo de 1989 a 2008, donde se observa en detalle que
se presentan frecuencias muy bajas para las alturas menores a los 2, 5m, que corresponde
a perı́odos de sequı́a, las frecuencias más altas corresponden para las alturas medias del
rı́o que oscilan, entre los 2, 5m y los 4, 5m, que son las alturas de curso normal del rı́o,
frecuencias medias para las alturas que oscilan entre los 4, 5m y los 6, 5m, que indican
perı́odos de alturas hidrométricas cercanas al nivel de alerta de inundación o que la superan

97
Figura 3.11: Histograma mensual de alturas hidrométricas del rı́o Paraná en a localidad
de Corrientes en el perı́odos de 1989 a 2008.

en poco grado, luego frecuencias bajas para las alturas entre los 6, 5m y los 7, 5m, y
frecuencias muy bajas para las alturas que superan los 7, 5m, lo cual nos indica que
las grandes inundaciones son sucesos de poca frecuencia, aunque si de gran intensidad
alcanzando alturas hidrométricas que duplican la altura del curso normal del rı́o.

3.6. Conclusiones Cualitativas y Cuantitativas

En el rı́o Paraná, como en otros grandes fluvios, las variables fundamentales y pri-
marias que lo definen corresponden a los caudales de energı́a y materia que transporta.
La estimación de caudal lı́quido y de volumen acumulado permite conocer el perfil del
comportamiento energético del rı́o, permite evaluar la dinámica fluvial que transforma los
flujos hı́dricos y conocer las diferentes salidas en cada estado del sistema.
El valle actual del rı́o Paraná es un geosistema inestable en el marco témporo espacial,
conformado por las condiciones morfoestructurales y climáticas que determinan el origen
y evolución de la cuenca fluvial, el análisis de las alturas hidrométricas y caudales revelan
un comportamiento biperiódico del régimen fluvial con manifestaciones plurianuales de
estiajes y crecidas extraordinarias.
Existen observaciones históricas de grandes inundaciones ocurridas en siglos pasados,
como las de 1612 y 1748 que son destacadas por haber sido las más grandes, aunque
no se dispone de datos registrados y suficientemente conocidas como para reconstruir
los valores de alturas y caudales. Las mayores crecidas, registradas, del rı́o Paraná en la

98
Figura 3.12: Histograma anual de alturas hidrométricas del rı́o Paraná en la localidad de
Corrientes en el perı́odos de 1989 a 2008.

ciudad de Corrientes, son las que se detallan en la Figura (3.14). La mayorı́a de ellas se
manifiestan en verano o en otoño-invierno con alturas superiores a 7m, pero presentan
notables diferencias en cuanto a volumen, permanencia de las aguas y lapso de recurrencia.
Las variaciones de caudal del rı́o dependen de las precipitaciones en la alta cuenca en
Brasil, el rı́o Paraná atraviesa zonas con distintos tipos y variedades climáticas, el curso
superior presenta una creciente anual durante el verano, mientras que los cursos medio e
inferior ven modificado su régimen por los aportes del rı́o Paraguay, lo que provoca una
segunda creciente durante el invierno.
El máximo caudal del rı́o se registra hacia fines del verano en los meses de enero,
febrero y marzo y el estiaje a fines del invierno y la primavera en los meses de agosto, sep-
tiembre, octubre y noviembre, presentando los siguientes caudales medios en su recorrido
en territorio argentino, en años sin inundaciones:

11.500 m3 /s en Apipé,
15.240 m3 /s en Corrientes,
15.000 m3 /s en Rosario.

En su desembocadura en el Rı́o de la Plata, considerando todos los brazos del delta, su

caudal da una media de 17.000 m3 /s, comparable a la de rı́os como el Misisipi de 18.000
m3 /s y el Ganges 16.000 m3 /s.
En el cuadro de la Figura (3.15), se presenta un comparativo de los valores estadı́sticos
del rı́o en la localidad de Corrientes, donde puede observarse el comportamiento inestable

99
Figura 3.13: Frecuencias de alturas hidrométricas del rı́o Paraná en la localidad de Co-
rrientes en el perı́odos de 1989 a 2008.

Figura 3.14: Alturas y Cuadales de perı́odos de Inundaciones en la localidad de Corrientes.

y no predecible del rı́o Paraná, en especial en perı́odos de inundación. Puede observarse

que en épocas de crecidas los valores de altura promedio, como la moda y la media son
duplicados con referencia a los valores de años normales y que las inundaciones tienen
comportamientos diferentes en 1991-1992 alcanzo una mayor altura llegando a los 8, 61m,
pero la inundación fue de menor duración, sin embargo en 1997-1998 el rı́o alcanzó 8, 38m,
pero con una mayor duración o amplitud, lo cual se denota en los estadı́sticos del perı́odo
de inundacion, con valores de mediana y del cuartil Q3 de 5, 38m, como el valor de la
moda de 5, 61m, siendo valores que superan el nivel de alerta de inundación de 5, 00m.

100
Figura 3.15: Cuadro Comparativo de Estadı́sticos de las Alturas Hidrométricas del rı́o
Paraná en la localidad de Corrientes.

101
102
 Parte II

Implementación y Validación de las

Aportaciones Propuestas

103
104
Capı́tulo 4

Aplicación de Modelos de Series

Temporales Lineales para Predicción

4.1. Introducción
En este Capı́tulo se detalla la Aplicación de Modelos de Series Temporales Lineales
para Predicción, iniciando en la Sección (4.2) con el Análisis de Series Ttemporales, pre-
sentando diferentes modelos, en la Sección (4.3) se presenta el Análisis de Altura del rı́o
y Variables Meteorológicas con diferentes Modelos de Series Temporales y en la Sección
(4.4), se detallan Modelos de Series Temporales aplicados en el Análisis de Alturas y
Caudales, los análisis que se presentan en este capı́tulo son para realizar predicciones de
alturas hidrométricas en la localidad Corrientes, con información de esta estación y las
estaciones del Alto Paraná de Pueto Iguazú, Posadas e Itatı́.

4.2. Series Temporales Lineales

En esta capı́tulo se aplican diferentes modelos de series temporales lineales para pre-
dicciones de las alturas hidrométricas del rı́o Paraná en la localidad de Corrientes, se
analizan inicialmente las series completas de 20 años de información de las diferentes es-
taciones que han sido facilitadas por los organismos públicos, mencionados en la Sección
(1.3.8).
Cuando se tiene una secuencia de valores observados a lo largo del tiempo, ordenados
cronológicamente, se denominan serie temporal, analizando el conjunto de datos recopi-
lados para realizar el estudio del comportamiento de rı́o Paraná, se denota claramente
que cumple esta caracterı́stica, por ello se comienza el análisis aplicando análisis de series
temporales lineales a los datos del rı́o.

4.2.1. Modelos ARIMA - Herramientas Implementadas

Implementación en FreeFore

Para realizar el análisis de Serie Temporales a los datos del rı́o Paraná se usa FreeFore
que es un Sistema de Predicción Automático. FreeFore es una antigua versión gratuita

105
de Autobox (www.autobox.com), para construir modelos Box-Jenkins, presenta un buen
conjunto de modelos de regresión y de series de tiempo ARIMA para los datos univariados
y multivariados.
Freefore usa modelos heurı́sticos automáticos, no elige el mejor, trabaja con detección
de intervención. Se adapta el modelo de previsión para el problema bajo analisis, inclu-
yendo la selección de las mejores estructuras de pulso y de retraso para cada serie de
entrada. Se corrige la omisión de variables, por ejemplo, los cambios que han afectado a
los datos históricos.
FreeFore es un software gratuito, una versión reducida del programa comercial Au-
tobox, pero tiene el mismo modelo y motor de pronóstico. FreeFore tiene un conjunto
de herramientas gráficas que ayudan a presentar información estadı́stica compleja de una
forma que sea fácil y claro en cada etapa del proceso de previsión e incluso una descrip-
ción simple del modelo final. Los gráficos de autocorrelación, autocorrelación parcial y
funciones de correlación cruzada están todos disponibles.

Análisis con Matlab, Herramienta de Identificación de Sistemas GUI

Las Herramientas de Identificación de Sistemas GUI, que tiene Matlab, permite cons-
truir modelos matemáticos en forma dinámica basándose en los datos, generando varios
modelos, permitiendo su posterior análisis, para determinar el modelo que mejor ajusta
a los datos que estamos estudiando y permite seleccionar el tipo de modelo que se desea
trabajar.

4.3. Análisis de Alturas Hidrométricas del rı́o y Va-

riables Meteorológicas en Corrientes
Primeramente se realiza el análisis con los datos Meteorológicos y la Altura de rı́o en
la localidad de Corrientes, para determinar la incidencia de los datos meteorológicos sobre
la altura del rı́o Paraná, considerando las siguientes variables Meteorológicas:

Precipitacion (mm)

Temperatura Máxima (o C)

Temperatura Mı́nima (o C)

Temperatura Media (o C)

Humedad Relativa ( %)

Viento Escalar Medio en Km/h

Presión Atmosférica a nivel de la estación (hPa)

Altura del rı́o Media (m)

106
 Este conjunto de datos comprende registros diarios por un perı́odo de 20 años, pero
presenta muchos intervalos faltantes de información en cada variable, siendo estos inter-
valos de tiempo distintos para cada variable, por lo cual es una ardua tarea encontrar un
perı́odo de varios años con datos completos en todas las variables.
Con este análisis de busca determinar la incidencia de las variables Meteorológicas
sobre la altura del rı́o y si existe, poder determinar su grado de influencia en la altura
hidrommétrica del rı́o Paraná en la localidad de Corrientes.

4.3.1. Análisis con FreeFore

Se consideran las variables Meteorológicas y la altura hidrométrica del rı́o en la lo-
calidad de Corrientes en el perı́odo de 2005 a 2008, tomando además el año 2009 para
posteriores controles de validación de resultados, en la Figura(4.1), se muestra el detalle
de los datos a procesar.

Figura 4.1: FreeFore: Datos Meteorológicos y Alturas Hidrommétricas del rı́o en la loca-
lidad de Corrientes.

FreeFore luego del procesado de los datos genera el siguiente modelo de Autorregresión,
que se indica en la Fórmula (4.1):

Y (T ) = 3,3004 + [(1 − 0,992B 1 )]−1 [A(T )] (4.1)

donde:

107
Figura 4.2: FreeFore: Errores del modelo generado, al pronosticar la Altura del rı́o en
Corrientes con 7 dı́as de antelación.

3,3004, es la media de la altura del rı́o,

[(1 − 0,992B 1 )]−1 , es el coeficiente B de retardo aplicado con un dı́a de atraso, en

los valores de altura del rı́o en Corrientes,

T , es el tiempo,

A, es la Altura del rı́o en Corrientes,

Y , es la variable estimada Altura del rı́o en Corrientes.

Al analizar el modelo generado por FreeFore, las variables Meteorológicas han sido
descartadas en el modelo, porque el modelo utiliza solamente los datos de altura de rı́o
en el dı́a anterior, para predecir la altura del rı́o.
Este análisis se ha repetido con distintos perı́odos de tiempo para la localidad de
Corrientes, también incluyendo datos meteorológicos de las estaciones de Puerto Iguazú,
Posadas e Itatı́, obteniendose en todos los casos resultados similares, en los que las varia-
bles Meteorológicas no eran incluı́das en el modelo generado.
En el modelo de Autorregresión generado por FreeFore, se ha utilizado para realizar
predicciones de Altura del rı́o en la localidad de Corrientes con un pronóstico a 7 dı́as, en
base a los datos meteorológicos, en la Figura (4.2), puede observarse que los errores del
modelo oscilando entre 0, 43m y −0, 17m, que el error promedio es de un 0, 18m, que el
71 % de los pronósticos superan un error de 0, 10m y que el 43 % de los pronósticos están
por debajo de la altura real del rı́o, cuando el rı́o presenta cuace normal.
Al aplicar el mismo modelo a perı́odos de inudación, los errores crecen alcanzando
para la inundación de 1991-1992, un error promedio en valor absoluto de 2, 25m y con
datos de la inundación de 1997-1998, un valor 1, 98m, lo cual indica que el rı́o presenta
comportamientos muy distintos en perı́odos de inundación que en perı́odos normales o de
bajantes.

108
4.3.2. Análisis con Herramienta de Identificación de Sistemas
de Matlab

Para este análisis, con las herramientas de Matlab, se trabaja con el mismo conjunto de
datos que se han analizado con FreeFore, para poder comparar los resultados y analizar
las variables que estan siendo priorizadas en los modelos generados. Se consideran las
variables Meteorológicas y la altura hidrométrica del rı́o en la localidad de Corrientes en
el perı́odo de 2005 a 2008, tomando además el año 2009 para posteriores controles de
validación de resultados, en la Figura (4.3), se muestra el detalle de los datos a procesar.

Figura 4.3: Herramienta de Identificación de Sistemas de Matlab-Datos Meteorológicos

y Altura Hidrométricas del rı́o en la localidad de Corrientes y el modelo Autorregresión
seleccionado, que será aplicado.

En Matlab, luego del procesado de los datos se genera el siguiente modelo ARX de
Autorregresión, el cual se detalla en la Fórmula (4.2):

A(q)y(t) = B(q)u(t) + e(t)

A(q) = 1 − 2,155(±0,0378)q −1 + 1,925(±0,08332)q −2 − 1,006 (4.2)

(±0,08306)q −3 + 0,2516(±0,03742)q −4

109
 B1(q) = −0,001247(±0,00107)q −32 − 0,0002419(±0,001669)q −33
+0,002567(±0,001775)q −34 − 0,0003788(±0,001166)q −35
B2(q) = −0,0008386(±0,0003551)q −33 + 0,0004097(±0,0004322)q −34
−0,000299(±0,0003955)q −35 + 0,000415(±0,0003253)q −36
B3(q) = 0,0004321(±0,0008554)q −16 − 0,0002909(±0,001299)q −17
+0,001177(±0,001293)q −18 − 0,001154(±0,0008504)q −19
B4(q) = −0,000246(±0,0006276) + 0,0001825(±0,000684)q −1
+0,001176(±0,000683)q −2 + 0,0001153(±0,0006289)q −3
B5(q) = 0,0003662(±0,0002217) + 0,0003618(±0,0002231)q −1
−0,0004074(±0,0002233)q −2 + 3,058e − 005(±0,0002223)q −3

donde:

q, es el coeficiente de retardo aplicado a cada variable meteorológica y a la altura

del rı́o del modelo,

e, es una estimación del error aleatorio del cálculo,

t, es el tiempo,

u, es cada una de las variables Meteorológicas

A, es la Altura del rı́o en Corrientes,

Y , es la variable estimada Altura del rı́o en Corrientes.

Al analizar el modelo generado, por Matlab, se aprecia que las variables Meteorológicas
son anuladas en el modelo por estar multiplicadas por valores muy cercanos a cero, lo que
indica su influencia nula, el modelo utiliza solamente los datos de altura del rı́o en los
dı́as anteriores, para predecir la altura actual, teniendo mayor incidencia la altura del dı́a
anterior y en grado decreciente las alturas de 2 dı́as antes, 3 dı́as antes y 4 dı́as antes, ya
con una influencia marcadamente menor.
Este análisis se ha repetido con distintos perı́odos de tiempo para la localidad de
Corrientes, también incluyendo datos meteorológicos de las estaciones de Puerto Iguazú,
Posadas e Itatı́, obteniendose en todos los casos resultados similares, en los que las varia-
bles Meteorológicas eran anuladas en el modelo generado por coeficientes muy cercanos a
cero.
El modelo de Autorregresión generado se ha utilizado para realizar predicciones de
Alturas Hidrométricas del rı́o en la localidad de Corrientes, en la Figura (4.4) en el gráfi-
co izquierdo, puede observarse los errores del modelo en un pronóstico a 3 dı́as, puede
apreciarse que el error oscila entre 0, 30m y −0, 70m, y en el gráfico de la derecha pueden
observase los errores al realizar un pronóstico a 5 dı́as, donde se observa que el rango de
los error es se ha incrementado de 0, 60m a −0, 80m.

110
Figura 4.4: Errores de predicción de Altura del Rı́o: Gráfico Izq.: a 3 dı́as y Gráfico Dcho.:
a 5 dı́as.

4.4. Análisis de Alturas y Caudales de Corrientes,

con estaciones del Alto Paraná
En esta segunda etapa se análizan los datos de Alturas y Caudales del rı́o Paraná,
en estaciones argentinas que se encuentran en el Alto Paraná en conjunto con los datos
de la localidad Corrientes, para determinar la influencia de las alturas y caudales de las
estaciones rı́o arriba, sobre la altura del rı́o en esta última estación y estimar su altura.
En la etapa anterior de análisis los modelos han descartado la influencia de las variables
Meteorológicas en la determinación de la altura del rı́o en la localidad de Corrientes, lo
que se busca en esta nuevo análisis es determinar si la altura del rı́o en esta estación es
determinada por las alturas y caudales de las estaciones que se encuentran rı́o arriba y
los valores hidrométricos de la misma estación en dı́as anteriores.
Se consideran para este análisis las estaciones de Puerto Iguazú, Posadas, Itatı́ y
Corrientes, considerando para cada estación las siguientes variables:

altura media del rı́o (m)

caudal medio del rı́o (m3 /seg)

4.4.1. Análisis con FreeFore

El conjunto de datos comprende registros medios diarios de alturas y caudales de las
estaciones argentinas del Alto Parná y Corrientes en el perı́odo de 1997 a 1998, siendo estos
años de inundaciones y tomando el año 2009 para controles de validación de resultados,
en la Figura(4.5), se muestra el detalle de los datos a procesar.
En FreeFore luego del procesado de los datos genera el siguiente modelo de Autorre-
gresión, que se detalla en la Fórmula (4.3):

111
Figura 4.5: FreeFore: Datos de Alturas y Cuadales en las estaciones de Puerto Iguazú,
Posadas, Itatı́ y Corrientes.

Figura 4.6: FreeFore: Errores del modelo generado, al pronosticar la Altura del rı́o en
Corrientes con 7 dı́as de antelación.

112
 Y (T ) = 1,2648
+[X1(T )][(−0,089B 2 )]
(4.3)
+[X2(T )][(+0,367 + 0,441B 1 )]
+[(1 − 0,996B 1 )]−1 [A(T )]

donde:

1,2648, es la media de la altura del rı́o,

(−0,089B 2 ), es el coeficiente B de retardo aplicado con 2 dı́as de atraso, en los
valores de altura de rı́o en la estación de Posadas,
[(+0,367 + 0,441B 1 )], es el coeficiente B de retardo aplicado con 1 dı́a de atraso, en
los valores de altura de rı́o en la estación de Itatı́,
[(1 − 0,996B 1 )]−1 , es el coeficiente B de retardo aplicado con 1 dı́a de atraso, en los
valores de altura de rı́o en la estación de Corrientes,
T , es el tiempo,
X1, es la Altura del rı́o en Posadas,
X2, es la Altura del rı́o en Itatı́,
A, es la Altura del rı́o en Corrientes,
Y , es la variable estimada Altura del rı́o en Corrientes.

Al analizar el modelo generado por Freefore, se nota que todas las variables de Caudales
en las distintas estaciones y la Altura en Puerto Iguazú, han sido descartadas en el modelo,
porque el modelo utiliza solamente los datos de Altura en Posadas de 2 dı́as atrás, Altura
en Itatı́ de 1 dı́a atrás y Altura en Corrientes de 1 dı́a anterior, para predecir la Altura
del rı́o en Corrientes.
Este análisis se ha repetido con distintos perı́odos de tiempo y niveles de altura del rı́o
con valores de Alturas y Caudales para la estación de Corrientes y las estaciones rı́o arriba
de Puerto Iguazú, Posadas e Itatı́, obteniéndose en todos los casos resultados similares, no
incluyendo en ningún caso las variables de caudales de todas las estaciones y la de altura
de rı́o de Puerto Iguazú.
El modelo de Autorregresión generado por FreeFore, se ha utilizado para realizar
predicciones de Altura Hidrométrica del rı́o en la localidad de Corrientes con un pronóstico
a 7 dı́as, en base a las Alturas y Caudales, en la Figura (4.6), puede observarse los errores
del modelo oscila entre 0, 05m y −0, 30m, que el error promedio es de un 0, 11m, que el
43 % de los pronósticos superan un error de 0, 10m y que el 71 % de los pronósticos están
por debajo de la altura real del rı́o, esto siempre en años de normales, sin perı́odos de
inundación.
Al aplicar el modelo con datos de la inundación de 1991-1992, se presenta un error
promedio en valor absoluto de 1, 67m y con datos de la inundación de 1997-1998, se
presenta un error promedio de 1, 31m, lo que indica que deberı́a focalizarse el estudio
para perı́odos de inundación.

113
4.4.2. Análisis con Herramienta de Identificación de Sistemas
de Matlab

Para este análisis, con las herramientas de Matlab, se trabaja con el mismo conjun-
to de datos que se han analizado con FreeFore, para poder posteriormente comparar los
resultados y analizar las variables que están siendo descartadas o valorizadas en los mo-
delos generados. Se consideran las variables de Alturas y Caudales en estaciones del Alto
Paraná y en Corrientes en el perı́odo de inundación de 1997 a 1998, considerando datos
del año 1999 para validación de resultados, en la Figura (4.7), se muestra el detalle de los
datos a procesar.

Figura 4.7: Herramienta de Identificación de Sistemas de Matlab-Datos de Alturas y

Cuadales en las estaciones de Puerto Iguazú, Posadas, Itatı́ y Corrientes.

Matlab, luego del procesado de los datos genera el siguiente modelo ARX de Autorre-
gresión, el cual se detalla en la Fórmula (4.4):

114
 A(q)y(t) = B(q)u(t) + e(t)

A(q) = 1 − 1,328(±0,02371)q −1 + 0,3999(±0,03746)q −2

−0,08286(±0,02515)q −3 + 0,03342(±0,00727)q −4
B1(q) = −0,0008986(±0,0006657)q −3 − 0,0003085(±0,0009166)q −4
−0,0005605(±0,0008918)q −5 + 0,001424(±0,0005833)q −6
B2(q) = 1,371e − 006(±7,189e − 007) − 3,158e − 006(±1,476e − 006)q −1
+3,724e − 006(±1,603e − 006)q −2 − 1,831e − 006(±1,025e − 006)q −3
B3(q) = 0,01381(±0,004508)q − 36 − 0,01861(±0,009044)q −37
+0,0008583(±0,009037)q −38 + 0,005235(±0,004456)q −39
B4(q) = −0,0001492(±5,974e − 006) + 0,0001256(±1,238e − 005)q −1
−5,651e − 007(±1,296e − 005)q −2 + 1,53e − 005(±7,168e − 006)q −3
B5(q) = 0,5576(±0,01577) − 0,4055(±0,03507)q −1
−0,04753(±0,03831)q −2 − 0,06789(±0,02271)q −3
B6(q) = 0,0001757(±2,958e − 006) − 0,0002389(±6,659e − 006)q −1
+6,469e − 005(±8,438e − 006)q −2 + 1,932e − 006(±4,524e − 006)q −3
(4.4)
donde:

q, es el coeficiente de retardo aplicado a cada variable meteorológica y a la altura

del rı́o, del modelo,

e, es una estimación del error aleatorio del cálculo,

t, es el tiempo,

u, es cada una de las variables de Altura y Caudal de Puerto Iguazú, Posadas, Itatı́ y
Corrientes

A, es la Altura del rı́o en Corrientes,

Y , es la variable estimada Altura del rı́o en Corrientes.

Al analizar el modelo generado por Matlab, se aprecia que las variables Caudales
de todas las estaciones, como las Alturas de Puerto Iguazú y Posadas, son anuladas
en el modelo por estar multiplicadas por valores muy cercanos a cero, lo que indican
su influencia nula en el modelo generado utiliza solamente los datos de altura de rı́o en
Corrientes en los dı́as anteriores, para predecir la altura del rı́o, teniendo mayor incidencia
la altura del dı́a anterior, y en grado decreciente las alturas de 2 dı́as antes, 3 dı́as antes y
4 dı́as antes, ya con una influencia marcadamente menor y los datos de Altura de Itatı́ del
dı́a anterior y en grado decreciente las alturas de 2 dı́as antes, 3 dı́as antes.
Este análisis se ha repetido con distintos perı́odos de tiempo y niveles de altura del rı́o
con valores de Alturas y Caudales para la estación de Corrientes y las estaciones rı́o arriba
de Puerto Iguazú, Posadas e Itatı́, obteniendose en todos los casos resultados similares,

115
con las variables de caudales de todas las estaciones y las de altura de rı́o de Puerto
Iguazú y Posadas, anuladas en el modelo generado por coeficientes muy cercanos a cero.
Con este modelo de Autorregresión se realizan predicciones de Altura del rı́o en la
localidad de Corrientes, en la Figura (4.8) en el gráfico izquierdo, pueden observarse los
error es del modelo en un pronóstico a 3 dı́as, y puede apreciarse que el error oscila entre
0, 50m y −0, 30m, y en el gráfico de la derecha, pueden observarse los error es al realizar
un pronóstico a 5 dı́as, siendo el rango de los error es incrementado de 0, 60m a −0, 30m.

Figura 4.8: Errores de predicción de Altura del Rı́o: Gráfico Izq.: a 3 dı́as y Gráfico Dcho.:
a 5 dı́as.

116
Capı́tulo 5

Aplicación de Modelos de Redes

Neuronales para Predicción a Corto
Plazo

5.1. Introducción
En este Capı́tulo se detallan las Aplicaciones de Modelos de Rede Neuronales para
Predicción a Corto Plazo, de las alturas hidrométricas del rı́o Paraná en la localidad de
Corrientes, en perı́odos de inundación, iniciando en la Sección (5.2) con el Análisis de los
Perceptrones, en la Sección (5.3) Optimización de Ajuste de Perceptrón y las Adapta-
ciones de la Función de Error, en la Sección (5.4) se detalla la función de penalización
Propuesta, en la Sección (5.5) se presentan Redes Neuronales con la Función de Penaliza-
ción Propuesta, en la Sección (5.6) se propone una Combinación de Archivos para mejorar
el aprendizaje de la red, en la Sección (5.7) se detallan los Resultados de Redes Neuronales
con Función de Penalización entrenada con Archivos Combinados y en la Sección (5.8),
se visulizan los Resultados Comparativos de las Predicciones a Corto Plazo.

5.2. Perceptrón

5.2.1. Implementación en Matlab - Herramienta de Redes Neu-

ronales - NNTool
La Herramienta de Redes Neuronales de Matlab, NNTool, consiste de un conjunto de
funciones y estructuras que manejan las redes neuronales, que se presenta en un entorno de
ventanas de trabajo, donde se ingresan los datos del problema a resolver y se seleccionan las
funciones de activación, los algoritmos de formación, que se usaran, con distintas opciones
se ingresa o selecciona información sobre la estructura de la red neuronal, por ejemplo el
número y estructura de sus capas, la conectividad entre las capas, datos necesarios para
generar la red neuroral, [Demuth and Beale, 1998].
El análisis con red neuronal usando la NNTool de Matlab, se inicia en el entorno de
trabajo de la Herramienta de redes neuronales, se ingresan los datos a ser analizados, en
las Figuras (5.1) y (5.2), puede observarse que el algoritmo trainbr o de regularización
bayesiana, es el que se propone para ser utilizado en la red neuronal, porque presentó un

117
mejor desempeño con los disitintos grupos de datos de entrenamiento que se probaron
en la generación de la red neuronal; considerando también que este algoritmo reduce al
mı́nimo una combinación estrictamente convexa del error cuadrado medio y de los pesos
cuadrados medios. El algoritmo trainbr es una modificación del trainlm, que es la función
de entrenamiento de retropropagación Levenberg-Marquardt.

Figura 5.1: Matlab-NNTool: Ventana de NNTool, con la RN y los datos usados en la

generación.

En la Figura (5.3), pueden observarse los pasos que se siguen para construir y entrenar
la red neuronal se visualiza la estructura que se ha diseñado para la red neuronal RNH643,
como función de entrenamiento se ha seleccionado trainbr, como función de transferencia
para el nivel 1 se fija tansig, tangente hiperbólica, donde se han definido 5 neuronas ocultas
y función de transferencia en nivel 2 Purelin, lineal.
En la Figura (5.4), se observan los archivos que se utilizan para realizar el entrena-
miento, siendo:

AE: Incluye registros de Alturas diarias del rı́o en las estaciones de Puerto Iguazú con
un retardo de 6 dı́as, Posadas con un retardo de 4 dı́as, Itatı́ con un retardo de 3
dı́as, y Corrientes Capital, con un retardo de 3 dı́as, los retardos son con respecto a
las alturas del rı́o en Corrientes Capital que se ingresan en el archivo, AT, los datos
corresponden a los años 1997 y 1998 siendo estos años de inundación.

AT: Tiene registros de Alturas diarias del rı́o en la estación de Corrientes Capital,
en los años 1997 y 1998, siendo estos años de un perı́odo de inundación.

En la Figura (5.5), se observan las gráficas de los resultados obtenidos en el entrena-

miento de la red neuronal, con la función trainbr.
En este análisis se generaron distintas redes neuronales, con diferentes retrasos en los
datos, como también tomando distintos perı́odos de años, haciendo entrenamiento de la

118
Figura 5.2: Matlab-NNTool: Ventana de Creación de la red neuronal, donde se indican
datos y se configuran las funciones y la estructura de la red neuronal.

red con datos de perı́odos normales, de perı́odos mixtos que comprendı́an años con valores
normales y con valores de inundaciones y también se realizó entrenamiento con perı́odos
de inundaciones, buscando con ello que la red aprenda el comportamiento del rı́o en etapas
normales, como de crecidas e inundaciones.
De las pruebas realizadas se pudo concluir que cuando la red neuronal era entrenada
con datos de diferentes estados del rı́o, cuando se predecian alturas de rı́o para perı́odos
de inundación cometia errores mayores.
También se consideró redes entrenadas con datos de perı́odos de inundación, con este
entrenamiento focalizado en inundaciones se lograron mejores resultados, pero se pre-
sentaban resultados con errores de gran magnitud, al pronosticar valores extremos de
inundación alta, no considerados en los datos de entrenamiento de la red.
En la tabla de la Figura (5.6), se presenta una sı́ntesis de los resultados obtenidos con
dos redes neuronales RNH643 y RNHQ643, entrenadas en el mismo perı́odo de tiempo
años 1997 y 1998, que comprenden un perı́odo de inundaciones, pero con distintos datos
de entrenamiento, como se detalla a continuación:

119
 Figura 5.3: Matlab-NNTool: Estructura de a Red Neuronal.

Figura 5.4: Matlab-NNTool: Entrenamiento de la Red Neuronal, indicando los archivos

de entrenamiento.

RNH643 : Red neuronal que ha sido entrenada con datos de Alturas de rı́o de la
estación de Corrientes, Alturas de Puerto Iguazú con 6 dı́as de retardo, Alturas de
Posadas con 4 dı́as de retardo, Alturas de Itatı́ con 3 dı́as de retardo y Alturas de
Corrientes con 3 dı́as de retardo.

RNHQ643 : Red neuronal que ha sido entrenada con datos de Alturas de rı́o de la
estación de Corrientes, Alturas de Puerto Iguazú con 6 dı́as de retardo, Alturas y
Caudales de Posadas con 4 dı́as de retardo, Alturas y Caudales de Itatı́ con 3 dı́as
de retardo y Alturas y Caudales de Corrientes con 3 dı́as de retardo.

Podemos observar en la tabla de la Figura (5.6), que la red neuronal RNH643, al

realizar pronóstico en el mes de mayo de 1998, que el error absoluto promedio es de

120
Figura 5.5: Matlab-NNTool: gráficas con los resultados del entrenamiento de la RN, fun-
ción de entrenamiento Trainbr.

un 0, 06m, que el 20 % de los pronósticos superan un error de 0, 10m y que el 45 % de

los pronósticos están por debajo de la altura real del rı́o y que al realizar el pronóstico
para el mes de junio de 1992, los errores se incrementan, siendo los siguientes, el error
absoluto promedio es de 0, 44m, que el 100 % de los pronósticos superan un error de
0, 10m y que el 95 % de los pronósticos están por debajo de la altura real del rı́o. También
podemos observar que que la red RN HQ643, que incorpora los caudales en la predicción,
al pronósticar valores para el mes de junio de 1992, que el error absoluto promedio es de
0, 54m, que el 95 % de los pronósticos superan un error de 0, 10m y que el 25 % de los
pronósticos están por debajo de la altura real del rı́o.

5.3. Optimización de Ajuste de Perceptrón. Adapta-

ciones de la Función de Error

5.3.1. Funciones de Redes Neuronales de Matlab

Normalmente a la hora de trabajar con redes neuronales, es necesario por la comple-

jidad de los datos, o del problema a resolver, poder contar con un tipo de red neuronal
concreto, el cual se ajuste mejor a las necesidades de la situación en consideración, en
este caso en vez de utilizar la función network para la creación de la estructura base,
puede utilizarse funciones especı́ficas para cada tipo de red neuronal, de manera que la
estructura base que Matlab devuelva tenga una configuración de capas de entrada, ocul-

121
Figura 5.6: Resultados y errores al realizar pronóstico a 3 dı́as de Altura del rı́o en Corrien-
tes, con RNH643, entrenada con datos de Alturas Hidrométricas y RNHQ643, entrenada
con datos de Alturas y Caudales del rı́o.

tas, conexiones, más apropiada para el tipo de red neuronal deseada. [Demuth and Beale,
1998]
Matlab cuenta con diferentes funciones para poder crear redes neuronales especı́ficas,
entre las que destacan:

1. Perceptron: newp(P, S)

2. Backpropagation: newf f (P, [S1, . . . ., Sn])

3. Radiales: newgrnm(P, T )

4. Mapas Autoorganizados: newsom(P, S)

De estas funciones de alto nivel que proporciona Matlab, para la creación de redes,
según las caracterı́sticas del problema de Ajuste de Modelos Hidrológicos, para su apli-
cación al rı́o Paraná, la estructura de red más apropiada es la que se crea con la función
newff, backpropagation o retropropagación, lo que permitie una fácil construcción de la
red perceptrón multicapa.
Matlab utiliza una estructura única que dará acceso a todas las propiedades de la red
neuronal, independientemente del tipo que ésta sea, de manera que utilizando esta propie-
dad podremos modificar las entradas, capas , conexiones, pesos, etc.. De esta manera una
vez configurada la red neuronal según las necesidades, se invocarán las funciones de ma-
nipulación de redes neuronales disponibles en Matlab, como: simulación, entrenamiento,
inicialización, pasándole como parámetro la estructura de la red neuronal.

122
 La variable red neuronal se puede dividir en cinco secciones:

1. Arquitectura: Define las caracterı́sticas básicas de la red neuronal, número de entra-

das, capas, conexiones de vias, etc.

2. Subobjetos: Contiene referencias a las subestructuras de la red neuronal, que per-

mitirá configurar las propiedades de los distintos componentes que forman la red
(capas, entradas, salidas, etc.).

3. Funciones: Funciones principales de la red neuronal, utilizadas para ejecutar las

operaciones de inicialización, entrenamiento o simulación.

4. Parámetros: Configuración de los parámetros asociados a las funciones seleccionadas

en el bloque de funciones.

5. Valores: Aquı́ se definen las matrices con los valores de los pesos de entrada, cone-
xiones entre capas y vı́as.

Funciones

Una vez creada la red neuronal, para trabajar con la misma, podremos utilizar las
siguientes funciones para realizar las operaciones tı́picas:

1. Inicialización (net = init(net)): Mediante la función de inicialización, se obtiene

una red neuronal con los valores de los pesos y vias actualizados según las funciones
de inicialización que le hayamos asociado a la red.

2. Entrenamiento ([net, tr, Y, E, P f, Af ] = train(net, P, T, P i, Ai, V V, T V ); ): Realiza

el entrenamiento de la red neuronal, modificando los pesos asociados a las conexio-
nes entre las diferentes capas y neuronas de la misma. Para esto, debemos indicar
unos patrones de entrada a la red (P , matriz de dimensiones M xN siendo M la
suma de los tamaños de las capas de entrada de la red neuronal y N el número de
patrones que se desea aplicar en el entrenamiento). En caso de ser un entrenamiento
supervisado también indicaremos los targets (T , matriz de M xN ), con estos datos
la matriz de patrones se aplica a la red neuronal y el toolbox utilizando las funciones
de entrenamiento que se han indicado en las propiedades ”trainFcn”se encargará de
actualizar los pesos asociados a las conexiones de la red. Los resultados del entre-
namiento se obtendrán en la variable de retorno Y y los errores para cada patrón
de entrada respecto a la salida esperada en la variable de retorno E.

3. Simulación ([Y, P f, Af, E, perf ] = sim(net, P, P i, Ai, T )): Función parecida a la

anterior pero que no actualizará los pesos de la red neuronal. Una vez que se tiene
entrenada la red neuronal y que ésta ofrezca unos resultados válidos, se utilizará esta
función para analizar nuevos patrones de entrada.

5.3.2. Modificación de la Función de Error

Generalmente las redes neuronales artificiales minimizan una suma de errores al cua-
drado, tanto para su estimación como para la evaluación de sus pronósticos por dentro y
fuera de muestra.

123
 Los problemas de pronósticos requieren de medidas alternativas del error y por lo
tanto para su evaluación se minimizará una función de costos asimétrica que no penalice
de igual forma cuando el pronóstico se ubique por encima o por debajo del dato observado,
como ocurre en la realidad, [Crone, 2002a] y [Crone, 2002b].
Esta situación es concretamente el caso bajo estudio de pronosticar la altura del rı́o en
un perı́odo de inundación, resulta mucho más costoso en términos de seguridad, credibili-
dad y costos, cuando dentro de su esquema de alerta de inundación se anuncia una meta
inferior a la que posteriormente se registra, que cuando ocurre lo contrario. Como tam-
poco es la misma situación que el pronóstico tenga un error de 0, 15m cuando el rı́o tiene
una altura de cauce normal de 3, 50m, que cuando el rı́o esta con alerta de inundación
de 7, 00 m, o cuando esta en un pico de inundación de 8, 80m, porque las consecuencias,
tanto en costo social como económico será mayor cuando mayor sea la altura del rı́o.

5.4. Función de Penalización Propuesta

Se propone una función de error modificada, que penalice los errores cuando el rı́o
alcanza una altura mayor a 5m, que es la altura de rı́o previa a una alerta de posible
inundación, se descartarán los errores por debajo de 5m, porque la modificación de la
función de error de la red neuronal incorpora penalización a los errores grandes y penali-
zarlos más cuando la altura del rı́o es más alta.
En la Ecuación (5.1), se presenta la función de penalización de error propuesta, en
el cuadro comparativo de la Figura (5.7), puede observarse como la función propuesta
penaliza el error más que la función cuadrática en los valores de altura mayor a 5m,
que son los valores de riesgo, también puede observarse como a mayor altura del rı́o se
incrementa la penalización del error.

EP = (e.2 + e. ∗ (e > 0)). ∗ (h − 5). ∗ (h > 5) (5.1)

donde:

e.2 es el error cuadrático

h es la altura real del rı́o
e. ∗ ((e > 0)). ∗ (h − 5). ∗ (h > 5) es la penalización donde:
• (e > 0) penaliza los errores
• (h > 5) penaliza los errores cuando la altura del rı́o por encima a 5m, se toma
esta cota de altura por ser previa al alerta de posible inundación
• (h − 5) penaliza mas los errores cuando mas supera la altura del rı́o los 5m.

En el gráfico de la Figura (5.8), puede observarse el comportamiento de la función de

penalización propuesta, gráficamente puede observarse como la penalización se comienza a
aplicar a partir de los 5m, y como crece la penalización en forma proporcional al incremen-
to de altura del rı́o. En el gráfico de la Figura (5.9), puede observarse el comportamiento
de la función de error Cuadrática, que es la función estandar que tienen implementadas
las redes neuronales en Matlab, puede observarse claramente al comparar ambas gráficas
que a las mismas alturas del rı́o la función de penalización propuesta, penaliza el error en
mayor grado que la función cudrática.

124
Figura 5.7: Tabla comparativa de la penalización de Errores con la Función Cuadrática y
la Función de Penalización Propuesta.

Figura 5.8: Gráfico de la función de Penalización, que penaliza los errrores cuando mayor
es la altura del rı́o.

5.5. Redes Neuronales con Función de Penalización

Propuesta

5.5.1. Generación y Entrenamiento

Se define la red neuronal con la función de Matlab newf f , que nos genera una red
neuronal de retropropagación, que es el tipo de red que más se adapta a las series tempo-
rales como los datos del rı́o Paraná, del que se busca aprender su comportamiento, como
se puede observar en la siguiente lı́nea de código:

red1=newff(entred,salred,5);

125
 Figura 5.9: Gráfico de la función Cuadrática.

donde:

entred : es el archivo de entrada para el entrenamiento o ajuste de la red neuronal,

salred : es el archivo con las salidas que debe aprender la red neuronal en el entre-
namiento o ajuste en base al archivo de entrada,

5 : con la cantidad de neuronas en la capa oculta.

Cuando la red neuronal ya ha sido creada, se procede al entrenamiento pero antes

de realizar el entrenamiento, se establece la función de entrenamiento a usarse, en este
caso de fija trainbfg, lo cual hará que en la red neuronal utilice CuasiNewton en vez de
Levenberg-Marquardt, como puede observarse en la siguiente lı́nea de código:

red1.trainFcn=’trainbfg’;

También antes de realizar el entrenamiento se indica, que se usará la función de pena-

lización que se ha definido, en lugar de usar la funcion estandar de redes neuronales que
es la funcion cuadrática, lo cual se visuliza en la siguiente lı́nea, donde se indica que la
función a usar es errorcons:

red1.performFcn=’errorcons’;

Para realizar el entrenamiento de la red neuronal se usa la función train con los
siguientes parámetros:

redaj=train(red1,entred,salred,[],[],VV,TV);

126
 donde:

redaj : red neuronal que será entrenada,

red1 : estructura de red neuronal que ha sido definida y que se usará en el entrena-
miento,

entred : es el archivo de entrada para el entrenamiento o ajuste de la red neuronal,

salred : es el archivo con las salidas que debe aprender la red neuronal en el entre-
namiento en base al archivo de entrada.

VV : es el archivo de validación, que se usará para la validación del entrenamiento

de la red neuronal,

TV : es el archivo de test, que se usará para el testeo del entrenamiento de la red

neuronal.

5.5.2. Aplicación de la Red Neuronal generada a los datos del

rı́o Paraná

Una vez que la red neuronal ya ha sido entrenada puede usarse para pronosticar o
estimar los datos que se están analizando, si el aprendizaje de la red fue aceptable nos
dará resultados que se acercan a la realidad que se está modelizando, lo cual se implementa
de la siguiente manera:

Corred=sim(redaj,P98entred);

donde:

Corred : son los resultados que da la red neuronal, luego de aplicar el aprendizaje a
los datos que se le presentan en una situación en particular.

redaj : es la red neuronal que se usará para pronosticar, que ha sido entrenada
anteriormente.

P98entred : son los datos que se dan a la red neuronal, de un momento determi-
nado para que la red haga el pronóstico, en este caso se le estan dando valores
correspondientes a la inundación de 1998.

En la Tabla de la Figura (5.10), pueden observarse los resultados obtenidos con la Red
Neuronal con Función de Penalización, puede observarse que los errores en la predicción
a 3 dı́as se han reducido en algunos casos manteniéndo alto en otros, como se observa en
los valores obtenidos de error promedio de 0, 21m, 0, 10m, 0, 13m, y 0, 87m.

127
Figura 5.10: Errores obtenidos al implementar la RN con la Función de Penalización
propuesta.

5.6. Combinación de Archivos

Del análisis de los resultados obtenidos al ingresar datos de Alturas y Caudales en
las redes neurorales que se implementaron con NNTool, en la Sección (5.2.1), en los
que se denotaba que las variables de caudales de las distintas estaciones no aportaban
información sobre la altura del rı́o Paraná en la estación de Corrientes, en esta etapa
no serán consideradas. Se trabajara con las alturas del rı́o en las estaciones de Puerto
Iguazú,con un retardo de 7 dı́as, Posadas, con un retardo de 5 dı́as, Itatı́ y Corrientes
con retardos de 3 dı́as, y las diferencias de alturas de 1 o 3 dı́as en las estaciones de
Posadas, Itati y Corrientes, incoporándose la variable tiempo, la cual es presentada con
las funciones seno y coseno del tiempo, se busca con la trasformación del tiempo en grados
que luego del 31 de diciembre viene el 1 de enero, reflejando la continuidad de los datos
de un año en el siguiente, siendo las variables utilizadas las siguientes:

1. ACorr3 : Corrientes con 3 dı́as de retardo

2. ACorrdif1 : Diferencia de Corrientes entre dı́as 3 y 4

3. ACorrdif2 : Diferencia de Corrientes entre dı́as 4 y 5

128
 4. AItati3 : Itatı́ con 3 dı́as de retardo

5. AItatidif1 : Diferencia de Itatı́ entre dı́as 3 y 4

6. AItatidif2 : Diferencia de Itatı́ entre dı́as 4 y 5

7. APosadas5 : Posadas con 5 dı́as de retardo

8. APosadasdif1 : Diferencia de Posadas entre dı́as 5 y 6

9. APosadasdif2 : Diferencia de Posadas entre dı́as 6 y 7

10. AIguazu7 : Puerto de Iguazú con 7 dı́as de retardo

11. At1 : seno del tiempo

12. At2 : coseno del tiempo

13. ACorrpred : Altura de Corrientes a ser pronosticada

Para obtener un mejor aprendizaje del comportamiento del rı́o Paraná, se ingresan
las Alturas de las estaciones combinando los datos de 4 años, los cuales corresponden a
las inundaciones de 1991-1992 y de 1997-1998, en la imagen de la Figura (5.11), puede
observarse con distintos colores como fue realizada la combinación de los datos de estos
años.
Esta combinación de archivos se utiliza para generar los archivos de Entrenamiento,
Validación y Testeo , que se utilizan en el entremamiento de la Red Neuronal Modificada,
buscando mejorar el aprendizaje de los perı́odos de inundación.

Figura 5.11: Archivo con datos combinados de 2 perı́odos de inundaciones.

129
5.7. Resultados de Redes Neuronales con Función de
Penalización entrenada con Archivos Combina-
dos
En la Tabla de la Figura (5.12), pueden observarse los resultados obtenidos con la Red
Neuronal con función de penalización, que se detalló en la Sección (5.5) y los archivos
combinados que se analizaron en la Sección (5.6).

Figura 5.12: Errores obtenidos al implementar la RN con la Función de Penalización

propuesta y entrenada con Archivos Combinados.

En las cuatro primeras columnas se presentan los resultados que se obtuvieron con
estos archivos combinados de distintas inundaciones, en los cuales los datos faltantes han
sido generados en relación a los datos existentes y se pronostican 20 dı́as de crecidas en
los perı́odos de inundación de abril de 1998 y junio de 1992, con una antelación de 3 dı́as.

Para abril de 1998 : se obtuvo que el error promedio es de un 0, 12m, que el 70 %

de los pronósticos superan un error de 0, 10m y que el 15 % de los pronósticos están
por debajo de la altura real del rı́o.
Para junio de 1992 : se tiene que el error promedio es de un 0, 11m, que el 45 % de
los pronósticos superan un error de 0, 10m y que el 20 % de los pronósticos están
por debajo de la altura real del rı́o.

En las cuatro últimas columnas se presentan los resultados que se obtuvieron con estos
archivos combinados de distintas inundaciones, pero eliminando los datos imcompletos y
se pronostican 20 dı́as de crecidas en los perı́odos de inundacion de abril de 1998 y junio
de 1992, con una antelación de 3 dı́as.

Para abril de 1998 : se observa que el error promedio es de un 0, 12m, que el 70 %

de los pronósticos superan un error de 0, 10m y que el 5 % de los pronósticos están
por debajo de la altura real del rı́o.

130
 Para junio de 1992 : se aprecia que el error promedio es de un 0, 12m, que el 35 %
de los pronósticos superan un error de 0, 10m y que el 20 % de los pronósticos están
por debajo de la altura real del rı́o.

5.8. Resultados Comparativos de Predicciones a Cor-

to Plazo
En el cuadro compartivo de la Figura (5.13), pueden observarse los errores en valor
absoluto que se fueron obteniendo aplicando Modelos de Redes Neuronales, para hacer
predicciones a 3 dı́as en perı́odos de inundación, comparánadose también con los resultados
de predicción a 3 dı́as que se obtuvieron con los modelos de Series Temporales que ser
analizaron en el Capı́tulo (4).
Puede observarse que en la predicción a 3 dı́as, la Red Neuronal con Función de
Penalización Modificada y entrenada con los Archivos Combinados con datos de ambas
inundaciones, presenta un error promedio en valor absoluto de 0, 12m, que el error por
defecto de mayor riesgo se presenta solo en el 15 % y el error por exceso de menor riesgo
se presenta en el 85 %.
Puede observarse que al predecir a tres dı́as las magnitudes de los errores son menores
que en la predicción a Mediano Plazo que se detalla en la sección (6.8), en el Capı́tulo
(6).

Figura 5.13: Errores Comparativos de Predicción a 3 dı́as en perı́odos de Inundación.

Estas aportaciones y conclusiones analizadas en este capı́tulo de la Tesis Doctoral

fueron presentadas en:

Conferencia Internacional sobre Matemáticas Aplicadas y Informática - ICAMI

2010 : bajo la Ponencia: Paraná River Water Level Prediction with Neural Networks
- (Predicción de Alturas del rı́o Paraná con Redes Neurales). Con Publicación con
Referato: ISBN 978-958-670-843-2. San Andrés, Colombia. Año: 2010.

IX Encuentro Cientı́fico Tecnológico E.C.T. 2012 : bajo la Ponencia: Predicción de

Alturas del Rı́o Paranà con Redes Neruronales. Facultad Politécnica, Universidad
Nacional del Este, Ciudad del Este, República del Paraguay. Año: 2012.

131
132
Capı́tulo 6

Aplicación de Modelos de Redes

Neuronales para Predicción a
Mediano Plazo

6.1. Introducción
En este Capı́tulo se detallan las Aplicaciones de Modelos de Redes Neuronales para
Predicción a Mediano Plazo, iniciando en la Sección (6.2) Implementación en Matlab,
describiendo como se desarrollaran los modelos en Matlab, en la Sección (6.3) Imple-
mentaciones con Redes Neuronales con estructura NAR, se presentan diferentes modelos
de redes neuronales con esta arquitectura, en la Sección (6.4) Implementaciones con Re-
des Neuronales con arquitectura NARX, se implementan diferentes modelos NARX y se
comparan sus resultados, en la Sección (6.5) Redes Neuronales con estructura NARX
Multicapa, se implementan y testean diferentes modelos de redes neuronales con esta ar-
quitectura NARX Multicapa, en la Sección (6.6) Combinación de Redes FTDNN, NAR
y NARX Multicapa, se describe la construcción y testeo de una red que integra redes con
estas arquitecturas, en la Sección (6.7) Combinación de Redes NLP y NARX Multicapa
se detalla la estructura y chequeo de redes que integran estos tipos de arquitectura de
redes y en la Sección (6.8) Resultados Comparativos de Predicciones a Mediano Plazo
se presenta un analisis de los resultados obtenidos con diferentes modelos implementa-
dos en este capı́tulo. Todas las implementaciones se aplican para predicción de alturas
hidrométricas del rı́o Paraná en la localidad de Corrientes en perı́odos de Inundación.

6.2. Implementación en Matlab

En este capı́tulo se realiza un pronóstico a siete dı́as de las Alturas Hidrométricas del rı́o
Paraná en la localidad de Corrientes, partiendo de los análisis realizados para el pronóstico
de tres dı́as, descriptos en el Capı́tulo (5), se trabaja con los datos de alturas hidrométricas
de la estación de Corrientes y las estaciones rı́o arriba de las localidades de Iguazú, Posadas
e Itatı́, para los perı́odos de Inundación de los años 1990, 1991-1992 y de 1997-1998, por
ser las crecidas que se han presentado luego de la entrada en funcionamiento de la represa
de Yacyretá.
Se aplicarán diferentes modelos de redes neuronales en busca de mejorar el aprendizaje

133
del comportamiento del rı́o Paraná en perı́odos de inundación que permita hacer una
predicción a siete dı́as, la cual es necesaria para realizar con la antelación suficientes las
medidas preventivas, para la llegada del pico de una inundación a la ciudad de Corrientes,
siendo siete dı́as los que tarda en llegar la onda de crecida desde la localidad de Puerto
Iguazú aproximadamente 650km rı́o arriba, a la ciudad considerada en este trabajo.
Las diferentes redes neuronales se implementan en Matlab, trabajando tanto con la
Herramienta de redes neuronales - NNStart, como ralizando Programación en Matlab,
para el desarrollo de redes neuronales mas especı́ficas.

6.2.1. Procedimiento de Chequeo de las Redes Generadas

Para chequear las redes que se generan en esta etapa de investigación se seguirán los
siguientes pasos:

1. Generar una red con la estructura que se chequea.

2. Iniciar el proceso de predicción:

a) Se fija un dı́a de partida.

b) Se realiza la predicción a 7 dı́as.
c) Se avanza un dı́a más desde el tomado como partida.
d ) Se vuelve a repetir la predicción a 7 dı́as.
e) Se repiten los pasos c) y d), hasta hacer la predicción de 11 dı́as consecutivos.

3. Repetir los puntos 1 y 2 hasta tener 10 redes chequeadas.

6.2.2. Matlab - Herramienta de Redes Neuronales - NNStart

La Herramienta de redes neuronales de Matlab, NNStart, consiste en un entorno de

trabajo con ventanas, que presentan diferentes opciones para la generación de redes neu-
ronales, reconocimiento de patrones, agrupaciones y series temporales dinámicas, ofrece
enlaces a las listas de conjuntos de datos, que permite generar redes y entrenarlas, como
se observa en la Figura (6.1).
Al seleccionar la opción series temporales dinámicas se presenta la ventana de la Figura
(6.2), donde se selecciona la estructura de la red neuronal que se generará, pudiendo optar
por una de las siguientes:

NARX

NAR

Entrada / Salida no lineal.

134
 Figura 6.1: Matlab - Herramienta de Redes Neuronales - NNStart.

Figura 6.2: Matlab - Herramienta de Redes Neuronales - NNStart.

6.3. Implementaciones con Redes Neuronales con Es-

tructura NAR
En el análisis con redes neuronales de estructura NAR, las cuales son Redes Dinámicas
recurrente con conexiones de realimentación de la misma serie de datos, se implementa
usando las alturas hidrométricas de la localidad de Corrientes, donde la información de
salida vuelve a realimentar la red neuronal, realizando la predicción de las alturas en esta

135
localidad, con los datos de la misma estación.

6.3.1. Análisis de redes NAR con Matlab NNStart

Se implementa con la toolbox de Matlab NNStart, la cual con diferentes ventanas
va permitiendo la configuración y generación de la red neuronal, como puede observarse
en las ventanas de la Figura (6.3), en la ventana de la izquierda se indica el ingreso del
nombre del archivo que contiene la serie de datos de alturas hidrométricas de la ciudad
de Corrientes y en la ventana de la derecha se fijan los porcentajes de los datos que serán
usados para entrenamiento, testeo y validación.

Figura 6.3: Matlab-NNStart-NAR: Izq.:Ingreso archivo de datos de alturas de la Ciudad de

Corrientes. Dcha.: Selección de porcentaje de datos de Entremiento, Testeo y Validación.

En la Figura (6.4), en la imagen izquierda se presenta la configuración de la red

neuronal indicándose la cantidad de neuronas en la capa oculta, en este caso se indican
10 neuronas y los retardos de tiempo que se usarán para la realimentación de la red, se
fija en 6, en base a los resultados del análisis de las series temporales que se obtuvo en
el Capı́tulo (4), lo que se observa en detalle en la Fórmula (4.2), estos parámetros se han
analizado y determinado los valores indicados, para las diferentes series que se procesan.
También se visualiza la estructura de la red que se genera con los parámetros ingresados.
En la Figura (6.4), imagen derecha se presenta la ventana con la opción de realizar
entrenamiento o reentrenamiento, en la cual luego del entrenamiento se presentan los
resultados y opciones de visualizarlos graficamente, lo que también se presenta con mas
detalle en la Figura (6.5).
En la ventana que se visualiza en la Figura (6.5), puede seguirse el proceso de ajuste
de la red al visualizarse las iteraciones y los errores de ajustes que se están dando, también
se presentan opciones que permiten visualizar graficamente los siguientes resultados:

Rendimiento del Entrenamiento, ver Figura (6.6),

Instancias del Entrenamiento,
Histograma de los Errores de Entrenamiento, ver Figura (6.7),

136
Figura 6.4: Matlab-NNStart-NAR: Izq.: Determinación de las neuronas de la capa oculta
y el retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados obtenidos.

Gráficos de Regresión, ver Figura (6.8),

Gráficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.9),

Autocorrelación de Error, ver Figura (6.10).

137
Figura 6.5: Red neuronal NAR: Visualización del Entrenamiento y Resultados.

138
 Figura 6.6: Red neuronal NAR: Rendimiento del Entrenamiento.

Figura 6.7: Red neuronal NAR: Histograma de Errores de Entrenamiento.

139
 Figura 6.8: Red neuronal NAR: Gráficos de Regresión.

Con esta herramienta de Matlab se analizan las series correspondientes a las dos últi-
mas inundaciones que han superado los 8, 00m, correspondientes a las años de 1991-1992
y de 1997-1998, se entrena la red con datos de una inundación y la red generada se uti-
liza para predecir valores del pico máximo de inundación de la otra crecida, haciendo
verificación cruzada, para lo cual se trabaja con los siguientes redes NAR y archivos:

NARPIR: entrenada con datos de la Inundación de 1991-1992:

• PICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de

Corrientes, correspondiente a los años de inundación de 1991-1992, con las
cuales la red es entrenada.
• PSICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de
Corrientes, correspondiente al pico de la inundación de los meses de abril y
mayo de 1998, con lo cual la red es probada una vez entrenada.

NARSIR: entrenada con datos de la Inundación de 1997-1998:

• SICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de

Corrientes, correspondiente a los años de inundación de 1997-1998, datos que
se utilizarán para el entrenamiento de la red.

140
Figura 6.9: Red neuronal NAR: Gráficos de Resultados y Errores por tiempo de entrena-
miento.

Figura 6.10: Red neuronal NAR: Autocorrelación de Error.

• PPICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de

Corrientes, correspondiente al pico de la inundación del mes de junio de 1992,
con los cuales la red es probada una vez entrenada.

Resultados de Predicción a 7 dı́as con NARPIR

Los resultados pueden observarse en la tabla de la Figura (6.11), la cual ha sido

generada siguiendo los pasos del Procedimiento de Chequeo enumerados en (6.2), donde
se detallan los errores obtenidos al predecir la altura hidrométrica en la localidad de
Corrientes en el perı́odo de inundación de los meses de abril y mayo de 1998.

141
 Se obtiene que en las 110 predicciones realizadas se tiene un error promedio de 0, 3690m,
presentándose un error por exceso en 68 predicciones lo que representa el 61, 82 % de los
casos y un error por defecto en 42 pronósticos que significa un 38, 18 %, este último tipo
de error se indica en la tabla con valores en rojo, por ser el error de mayor riesgo.
Posteriormente se realizaron cinco pruebas con datos de la crecida de 1990 y el error
promedio en valor absoluto se incremento a 0, 5476m, lo que indica que cada inundación
presenta caracterı́sticas diferentes.

Resultados de Predicción a 7 dı́as con NARSIR

Los resultados que se presentan en la tabla de la Figura (6.12), detallan los errores
obtenidos al predecir a 7 dı́as, durante 11 dı́as consecutivos, en el perı́odo de inundación
del mes de junio de 1992, con 10 redes diferentes, resultantes estas redes de entrenamientos
distintos de la red NARSIR, como se indica en los pasos del Procedimiento de Chequeo
enumerados en (6.2).
Se presenta en las 110 predicciones realizadas un error promedio de 0, 5251m, un error
por exceso en 29 predicciones, que representa el 26, 36 % de los casos y un error por defecto
en 81 pronósticos que significa un 73, 64 %, este último tipo de error se indica en la tabla
con valores en rojo.

142
Figura 6.11: Red neuronal NARPIR: Errores de Predicción a 7 dı́as.

143
Figura 6.12: Red neuronal NARSIR: Errores de Predicción a 7 dı́as.

144
6.3.2. Análisis de redes NAR con Programación en Matlab

En una segunda etapa del análisis con redes de estrutura NAR, se utiliza programa-
ción en Matlab, lo que da mayor flexibilidad en la generación y entrenamiento de la red
neuronal, permitiendo entrenar la red con los datos de ambas inundaciones, 1991-1992
y 1997-1998, buscando mejorar el aprendizaje de la red sobre el comportamiento de rı́o,
posteriormente la red será probada con un perı́odo de crecida correspondiente a los meses
de enero-febrero de 1990.

Concatenación de Archivos

Previo al entrenamiento de la red las series de datos deben ser concatenadas, para sal-
var la discontinuidad al trabajar con series de datos correspondientes a perı́odos de inun-
dación no continuos en el tiempo, al considerarse las inundaciones de los años 1991-1992
y 1997-1998, los cuales se encuentran en archivos separados I-1991-1992 y I-1997-1998
respectivamente, que serán enlazados con la siguiente codificación de Matlab, donde se in-
dica el encadenamiento de los datos de alturas hidrométricas y sus pesos correspondientes,
de ambos perı́odos de inundación:

%Carga los datos de las 2 inundaciones para entrenar NAR

% (Inundación 1991-1992 Inundación 1997-1998)
%Se unen las 2 series de las inundaciones

% Archivos de Excel: I-1991-1992 y I-1997-1998

C1=[PICorrientes];
P1=[PIPesoCtes];

C2=[SICorrientes];
P2=[SIPesoCtes];

CP=tonndata(C1,false,false);

CS=tonndata(C2,false,false);

%CONCATENA LOS DATOS DE LAS DOS SERIES

targetSeries = catsamples(CP,CS,’pad’);

w1=con2seq(P1’-0.7);
w2=con2seq(P2’-0.7);

ew=catsamples(w1,w2,’pad’,0);

145
Configuración y Creación de la Red con Estructura NAR

Se especifica en estas lineas de código la configuración y creación de la red nuronal

con estructura NAR, se indica el retardo de retroalimentación que tendrán las alturas
hidrométricas, que será del dı́a 1 al 6, la cantidad de neuronas de la capa oculta, que
en este caso tendrá 10 neuronas, se define que la red creada será de estructura NAR
y se establecen los porcentajes de datos que serán destinados a entrenamiento, testeo y
validación. Posteriormente se entrena la red, se testean los resultados y una vez terminado
el entrenamiento se cierra el ciclo de retroalimentación de la red.

% Create a Nonlinear Autoregressive Network

feedbackDelays = 1:6;
hiddenLayerSize = 10;
net = narnet(feedbackDelays,hiddenLayerSize);

% Preparación de los datos

[inputs,inputStates,layerStates,targets]
= preparets(net,{},{},targetSeries);

% División de los datos para Entrenamiento, Validación\index{validación} y Testeo

net.divideParam.trainRatio = 80/100;
net.divideParam.valRatio = 20/100;
net.divideParam.testRatio = 0/100;

% Entrenamiento de la Red
[net,tr] = train(net,inputs,targets,inputStates,layerStates);

% Testeo de la Red
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs);

% Cierre del ciclo de retroalimentación de la red

NARIR = closeloop(net);

Resultados de Predicción a 7 dı́as con NARIR

Los resultados que se presentan en la tabla de la Figura (6.13), han sido generados
siguiendo los pasos del Procedimiento de Chequeo enumerados en (6.2), se detallan los
errores obtenidos al predecir la altura hidrométrica en la localidad de Corrientes en el
perı́odo de inundación de los meses de enero y febrero de 1990.
En las 110 predicciones realizadas se presenta un error promedio de 0, 5879m, que no
presenta ningún error por exceso y que tiene un error por defecto en los 110 pronósticos,
lo que significa el 100, 00 %, este último tipo de error se indica en la tabla con valores en
rojo, por ser el error con mayor coste, que indica que siempre estima por debajo del valor
real del rı́o.

146
6.3.3. Análisis Comparativo de Redes NAR
En la tabla de la Figura (6.14), pueden verse los resultados comparativos de las redes
de arquitectura NAR, NARPIR, NARSIR y NARIR, puede observarse que al comparar los
resultados de los tres redes NAR, es notable que los mejores resultados son los obtenidos
con las red NARPIR, que es la red entrenada con los datos de la inundación de 1991-1992,
que presenta un error promedio de 0, 3690m, presentando tambien el mayor porcentaje
de errores por exceso de 61, 82 %, el cual es el error de menor coste, también es relevante
que la red que ha sido entrenada con las dos inundaciones NARPIR, tienen los error
es mas altos al presentar un error promedio de 0, 5879 % y también que el 100 % de las
predicciones presentan errores por defectos que son los error es que tienen un coste mayor,
al hacer pronósticos que quedan por debajo de los valores que alcanza el hidrométro. En
el gráfico de la de la Figura (6.15), puede observarse una predicción con la red NARIR.

6.4. Implementaciones con Redes Neuronales con Es-

tructura NARX
Las redes neuronales de estructura NARX, son redes de dinámica recurrente con co-
nexiones de realimentación de las salidas de la misma serie de datos y de las entradas
externas. Para su análisis se implementan usando las alturas hidrométricas de la locali-
dad de Corrientes que es la estación a predecir la altura hidrométrica y como entradas
exógenas se consideraran los datos de las estaciones rı́o arriba de Iguazú, Posadas e Itatı́.
En este tipo de redes la información de salida vuelve a realimentar la red neuronal, como
las entradas externas y se analiza si al contar con los datos de la estación, mas informa-
ción de las estaciones anteriores en ubicación en las márgenes del rı́o que la localidad a
predecir, mejora la predicción de las alturas hidrométricas en la localidad de Corrientes.

6.4.1. Análisis de redes NARX con Matlab NNStart

Se implementa con la toolbox de Matlab NNStart, la cual con diferentes ventanas va
permitiendo la configuración y generación de la red neuronal, como puede observarse en
las ventanas de la Figura (6.16), en la ventana de la izquierda se indica el ingreso del
nombre del archivo que contiene la serie de datos de alturas hidrométricas de la cuidad de
Corrientes (Targets) y el archivo que contiene la información de las estaciones de Iguazú,
Posadas e Itatı́ (Imputs). En la ventana de la derecha se fijan los porcentajes de datos
que serán usados para entrenamiento, testeo y validación.
En la Figura (6.17), en la imagen de la derecha se presenta la configuración de la red
neuronal indicándose la cantidad de neuronas en la capa oculta, en este caso se indican 10
neuronas y los retardos de tiempo que se usaran para la realimentación de la red, el cual
se fija en 6, en base a los resultados del análisis de las series temporales que se obtuvo en
el Capı́tulo (4), estos parámetros se han analizado y determinado los valores indicados,
para las diferentes series que se procesan. También se visualiza la estructura de la red
que se genera con los parámetros ingresados. Asimismo se presenta la opción de realizar
entrenamiento o reentrenamiento, también en esta ventana se mostrarán los resultados y
se activan las opciones de visualizar graficamente los mismos.
En la ventana que se visualiza en la Figura (6.18), puede seguirse el proceso de ajuste

147
de la red porque se visualizan las iteraciones y los errores de ajustes que se están dan-
do, también se presentan opciones que permiten visualizar graficamente los siguientes
resultados:

Rendimiento del Entrenamiento, ver Figura (6.19),

Instancias del Entrenamiento,

Histograma de los Errores de Entrenamiento, ver Figura (6.20),

Gráficos de Regresión, ver Figura (6.21),

Gráficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.22),

Error de Autorregresión, ver Figura (6.23).

Correlación de Error y Entrada.

148
Figura 6.13: Red neuronal NARIR: Error de Predicción a 7 dı́as
149
 Figura 6.14: Errores de predicción comparados entre redes de estructura NAR.

Figura 6.15: Resultados de predicción con NARIR.

Figura 6.16: Matlab-NNStart-NARX:: Izq.:Ingreso archivo de datos de alturas de la Ciu-

dad de Corrientes. Dcha.: Selección de porcentaje de datos de Entremiento, Testeo y
Validación.

150
Figura 6.17: Matlab-NNStart: Izq.: Determinación de las neuronas de la capa oculta y el
retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados obtenidos.

151
Figura 6.18: Red neuronal NARX: Visualización del Entrenamiento y los Resultados.

152
 Figura 6.19: Red neuronal NARX: Rendimiento del Entrenamiento.

Figura 6.20: Red neuronal NARX: Histograma de los Errores de Entrenamiento.

153
 Figura 6.21: Red neuronal NARX: Gráficos de Regresión.

Con las opciones que presenta esta herramienta de Matlab se analizan las series tem-
porales correspondientes a las dos últimas inundaciones que han superado los 8, 00m,
correspondientes a las años de 1991-1992 y de 1997-1998, se entrena la red con datos de
una inundación con los datos correspondientes a la estación de Corrientes y las estaciones
de Puerto Iguazú, Posadas e Itatı́.
La red generada se utiliza para predecir valores del pico máximo de inundación de la
otra crecida, para la localidad de Corrientes, haciendo verificación cruzada, trabajándose
con los siguientes archivos:

NARXPIR: entrenada con datos de la Inundación de 1991-1992:

• PICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de

Corrientes, correspondiente a los años de inundación de 1991-1992, con el cual
la red es entrenada.
• PIOE : Archivo de alturas hidrométricas del rı́o Paraná en las localidades de
Puerto Iguazú, Posadas e Itatı́, correspondiente a los años de inundación de
1991-1992, con el cual la red es entrenada.
• PSICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de
Corrientes, correspondiente al pico de la inundación meses de abril y mayo de
1998, con el cual la red es probada una vez entrenada.

154
Figura 6.22: Red neuronal NARX: Gráficos de Resultados y Errores por tiempo de entre-
namiento.

Figura 6.23: Red neuronal NARX: Error de Autoregersión.

155
 NARXSIR: entrenada con datos de la Inundación de 1997-1998:

• SICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de

Corrientes, correspondiente a los años de inundación de 1997-1998, con el cual
la red es entrenada.
• SIOE : Archivo de alturas hidrométricas del rı́o Paraná en las localidades de
Puerto Iguazú, Posadas e Itatı́, correspondiente a los años de inundación de
1997-1998, con los cuales la red es entrenada.
• PPICtes: Archivo de alturas hidrométricas del rı́o Paraná en la localidad de
Corrientes, correspondiente al pico de la inundación mes de junio de 1992, con
el cual la red es probada una vez entrenada.

Resultados de Predicción a 7 dı́as con NARXPIR

Los resultados de la predicción a siete dı́as con la red neuronal NARXPIR puede
observarse en la tabla de la Figura (6.24), que ha sido generada siguiendo los pasos
del Procedimiento de Chequeo enumerados en (6.2), se detallan los errores obtenidos al
predecir la altura hidrométrica en la localidad de Corrientes en el perı́odo de inundación
de los meses de abril y mayo de 1998 con una antelación de 7 dı́as.
En las 110 predicciones realizadas se tiene un error promedio de 0, 6950m, presentándo-
se un error por exceso en 88 predicciones lo que representa el 80, 00 % de los casos y un
error por defecto en 22 pronósticos que significa un 20, 00 %, este último tipo de error se
indica en la tabla con valores en rojo.

Resultados de Predicción a 7 dı́as con NARXSIR

Los resultados de predicción a 7 dı́as con la red neural NARXSIR, con los valores de
la inundación del mes de junio de 1992, con 10 redes diferentes, resultantes estas redes
de entrenamientos distintos de la red NARXSIR, se presentan en la tabla de la Figura
(6.25).
Se observa que en las 110 predicciones realizadas se presenta un error promedio de
0, 4924m, un error por exceso en 11 predicciones, que representa el 10, 00 % de los casos y
un error por defecto de 99 pronósticos que significa un 90, 00 %, este último tipo de error
se indica en la tabla con valores en rojo.

6.4.2. Análisis de redes NARX con Programación en Matlab

En una segunda etapa del análisis con redes de estrutura NARX, se utiliza progra-
mación en Matlab, para la generación y entrenamiento de la red neuronal en manera
manual, permitiendo entrenar la red con los datos de ambas inundaciones, 1991-1992 y
1997-1998, buscando con ello mejorar el aprendizaje sobre el comportamiento de rı́o en
perı́odos crı́ticos de inundación, porteriormente la red será probada con un perı́odo de
crecida correspondiente a los meses de enero-febrero de 1990.

156
Concatenación de Archivos

Al trabajar con series de datos de las inundaciones de 1991-1992 y de 1997-1998, las

series deben ser concatenadas, para salvar la discontinuidad de fechas y se encuentan en
diferentes archivos, I-1991-1992 y I-1997-1998. Con la siguiente codificación de Matlab,
se indica el encadenamiento de los datos de las alturas hidrométricas de las estaciones de
Corrientes que es la estación a estimar y que corresponde a los targets de la red, como
de las estaciones de Puerto Iguazú, Posadas e Itatı́, que serán las entradas exógenas de la
red y sus pesos correspondientes, en ambos perı́odos de inundación:

%Carga los datos de las 2 inundaciones

% para entrenar NARX
%(Inundación 1991-1992 Inundación 1997-1998)
%Se unen las 2 series de las inundaciones

% Inundación 1991-1992
I11=[PIIguazu];
I12=[PIPosadas];
I13=[PIItati];
C1=[PICorrientes];
P1=[PIPesoCtes];

% Inundación 1997-1998
I21=[SIIguazu];
I22=[SIPosadas];
I23=[SIItati];
C2=[SICorrientes];
P2=[SIPesoCtes];

IP=tonndata([I11 I12 I13],false,false);

IS=tonndata([I21 I22 I23],false,false);

CP=tonndata(C1,false,false);

CS=tonndata(C2,false,false);

%CONCATENA LOS DATOS DE LAS DOS SERIES

inputSeries=catsamples(IP,IS,’pad’);
targetSeries = catsamples(CP,CS,’pad’);

w1=con2seq(P1’-0.7);
w2=con2seq(P2’-0.7);

ew=catsamples(w1,w2,’pad’,0);

157
Configuración y Creación de la Red con Estructura NARX

Se especifica es estas lı́neas de código la generación de la red neuronal con estructura

NARX, se indica el retardo de retroalimentación que tendran las alturas hidrométricas
de la ciudad de Corrientes, que será del dı́a 1 al 6, el retardo que tendran las entradas
externas que son los datos de las estaciones de Puerto Iguazú, Posadas e Itatı́, la cual
será también del dı́a 1 al 6, que la capa oculta tendra 10 neuronas y que la red creada sera
de estructura NARX, se establecen además los porcentajes de datos que serán destinado a
entrenamiento, testeo y validación, posteriosmente se entrena la red, se testean los resulta-
dos y una vez terminada la etapa de entrenamiento se cierra el ciclo de retroalimentación
de la red.

% Crea una red con estructura NARX con entradas externas

inputDelays = 1:6;
feedbackDelays = 1:6;
hiddenLayerSize = 10;
net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize);

% Prepara los datos para el proceso

[inputs,inputStates,layerStates,targets] =
preparets(net,inputSeries,{},targetSeries);

% Division de datos para Entrenamiento, Validación y Testeo

net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% Entrenamiento de la red
[net,tr]=train(net,inputs,targets,inputStates,layerStates);

% Testeo de la red
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs)

% Cierre para la retroalimentación de la Red

NARXIR = closeloop(net);

Resultados de Predicción a 7 dı́as con NARXIR

Los resultados de predicción a 7 dı́as con NARXIR se presentan en la tabla de la

Figura (6.26), la cual ha sido generada siguiendo los pasos del Procedimiento de Che-
queo enumerados en (6.2), donde se detallan los errores obtenidos al predecir la altura

158
hidrométrica en la localidad de Corrientes en el perı́odo de inundación de los meses de
enero y febrero de 1990.
Se detallan que en las 110 prediccioens realizadas se presenta un error promedio de
0, 4798m, que presenta un error por exceso en 77 predicción, lo que significa el 70, 00 % y
un error por defecto en 33 pronósticos que significa un 30, 00 %, este último tipo de error
se indica en la tabla con valores en rojo, por ser el error con mayor coste.

6.4.3. Análisis Comparativo de Redes NARX

En la tabla de la Figura (6.27), pueden observarse los resultados comparativos de las

redes de arquitectura NARX NARXPIR, NARXSIR y NARXIR, puede observarse que al
comparar los resultados de los tres redes NARX, donde la red NARXPIR, entrenada con
los datos de la inundación de 1991-1992, presenta el mayor error promedio con un error
de 0, 6950m, presentando un porcentaje de errores por exceso del 80, 00 %, el cual es el
error de menor coste y un porcentaje de error por defecto del 20, 00 %.
La red NARXSIR entrenada con los datos de la inundación de 1997-1998, presenta un
error promedio de 0, 4924m, presentando un porcentaje de errores por exceso del 10, 00 %
y un error por defecto del 90, 00 %.
La red NARXIR entrenada con los datos de ambas inundaciones, presenta un error
promedio de 0, 4798m, presentando un porcentaje de errores por exceso del 70, 00 %, y un
error por defecto del 30, 00 %.
Se puede apreciar que la red NARXIR, entrenada con información de dos inundaciones
está dando mejores resultados en las predicciones, que las redes NARXPIR y NARXSIR,
no sólo por presentar el menor error promedio, sino porque presenta un porcentaje alto de
errores por exceso y porcentaje bajo de error por defecto. En el gráfico de la de la Figura
(6.28), puede observarse una predicción con la red NARXIR.

6.5. Red Neuronal con Estructura NARX Multicapa

Con las opciones que brinda la programación de Matlab, se desarrolla una red neuronal
con estructura NARX, con varias capas, lo que la diferencia de las redes generadas con la
herramienta NNStart de Matlab, que tienen una sola capa oculta, se genera en este caso
una red con cuatro capas ocultas, con la siguientes cantidad de neuronas en cada capa:

1. capa oculta con 16 neuronas

2. capa oculta con 8 neuronas

3. capa oculta con 5 neuronas

4. capa oculta con 3 neuronas.

159
6.5.1. Configuración y Creación de la Red con estructura NARX
Multicapa

La red NARX Multicapa se entrena con las alturas hidrométricas de las inundaciones
de 1991-1992 y 1997-1998, por lo cual las serı́es de datos serán concatenadas, como se
detalla en (6.4.2) y se entrena la red con los datos de ambas inundaciones porque los
resultados obtenidos en (6.4.3), indican que la red entrenada de esta manera, predice con
más precisión, posteriormente la red se prueba con el perı́odo de crecida correspondiente
a los meses de enero-febrero de 1990.
La red que se genera tiene retroalimentación tanto de la serie que predice, alturas
hidrométricas en la ciudad de Corrientes, como de las entradas externas que corresponden
a las alturas del rı́o en las estaciones de Puerto Iguazú, Posadas e Itatı́, tendrán todas las
series un retardo del dı́a 1 al 6.
También se especifican las funciones que se implementarán en cada capa de la red y se
indican los porcentajes de datos que serán destinado a entrenamiento, testeo y validación.
Posteriormente se entrena la red, se testean los resultados y una vez terminado el
entrenamiento se cierra el ciclo de retroalimentación de la red y se generan reportes por
serie de datos, en este caso se generan los reportes para cada perı́odo de inundación
utilizado en el entrenamiento.
La definición de la red neuronal NARXMulti, con las caracterı́sticas que se detallaron
pueden analizarse en la siguiente sección de código:

% Crea una red neuronal con retroalimentación con entrada externa

% Retardo de las entradas externas
% Alturas hidrométricas de Pto. Iguazú, Posadas e Itatı́

% Retardo de las Serie que se predice

inputDelays = 1:6;

% Alturas hidrométricas de Corrientes

feedbackDelays = 1:6;

% Crea la red con estructura NARX con 4 capas

redRP = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);

% Define funciones para cada capa

redRP.layers{1}.transferFcn=’logsig’;
redRP.layers{2}.transferFcn=’logsig’;
redRP.layers{3}.transferFcn=’logsig’;
redRP.layers{4}.transferFcn=’logsig’;

% Prepara los archivos para la red neuronal

[inputs,inputStates,layerStates,targets] =
preparets(redRP,inputSeries,{},targetSeries);

% Divide los datos para Entrenamiento , Validación y Testeo

160
redRP.divideParam.trainRatio = 85/100;
redRP.divideParam.valRatio = 15/100;
redRP.divideParam.testRatio = 0/100;

% Entrena la Red
[redRP,tr]=train(redRP,inputs,targets,inputStates,layerStates);

% Testea la Red
outputs = redRP(inputs,inputStates,layerStates);
performance = perform(redRP,targets,outputs);
errors = gsubtract(targets,outputs);

% Grafica los resultados del entrenamiento por cada serie

salida1=getsamples(outputs,1);
salida2=getsamples(outputs,2);
target1=getsamples(targets,1);
target2=getsamples(targets,2);
plotresponse(target1,salida1)
plotresponse(target2,salida2)

% Cierra la red para generar la retropropagación

NARXMultiCtes = closeloop(redRP);

En la ventana que se visualiza en la Figura (6.29), puede seguirse el proceso de ajuste

de la red porque se visualizan las iteraciones y los errores de ajustes que se dan en
cada iteración, también se presentan opciones para visualizar graficamente los siguientes
resultados:

Rendimiento del Entrenamiento, ver Figura (6.30),

Instancias del Entrenamiento,

Histograma de los Errores de Entrenamiento, ver Figura (6.31),

Gráficos de Regresión, ver Figura (6.32),

Gráficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.33),

Error de Autorregresión, ver Figura (6.34),

Correlación de Error y Entrada.

161
Figura 6.24: Red neuronal NARXPIR: Error de Predicción a 7 dı́as.

162
Figura 6.25: Red neuronal NARXSIR: Error de Predicción a 7 dı́as.
163
Figura 6.26: Red neuronal NARXIR: Error de Predicción a 7 dı́as

164
Figura 6.27: Errores de Predicción comparados entre redes de estructura NARX.

Figura 6.28: Resultados de predicción con la red NARXIR.

165
Figura 6.29: Red neuronal NARXMultiCtes: Evolución del Entrenamiento y Resultados.

166
 Figura 6.30: Red neuronal NARXMultiCtes: Rendimiento del Entrenamiento.

Figura 6.31: Red neuronal NARXMultiCtes: Histograma de los Errores de Entrenamiento.

167
Figura 6.32: Red neuronal NARXMultiCtes: Gráficos de Regresión.

168
Figura 6.33: Red neuronal NARXMultiCtes: Gráficos de Resultados y Errores por tiempo
de entrenamiento.

6.5.2. Resultados de Predicción a 7 dı́as con NARXMultiCtes

Los resultados de predicción a 7 dı́as con la red neuronal NARXMultiCtes se pre-
sentan en la tabla de la Figura (6.35), la cual ha sido generada siguiendo los pasos del
Procedimiento de Chequeo enumerados en (6.2), donde se detallan los errores obtenidos al
predecir la altura hidrométrica en la localidad de Corrientes en el perı́odo de inundación
de los meses de enero y febrero de 1990, en la Figura (6.36), puede observarse el resultado
de una de esas predicciones.
Analizando las 110 predicciones realizadas se observa un error promedio de 0, 5839m,
que presenta 34 predicciones con error por exceso que representan el 30, 91 % y que tiene
un error por defecto en los 76 pronósticos, lo que significa el 69, 09 %, este último tipo de
error se indica en la tabla con valores en rojo, por ser el error con mayor coste.

6.6. Combinación de Redes FTDNN, NAR y NARX

Multicapa
La estructura de esta red neuronal, combina redes de diferentes arquitecturas, para
realizar la predicción, combinándolas de la siguiente manera:

FTDNN-Redes neuronales con retardo de tiempo: Se utilizarán para ingresar con

retardos de tiempo las alturas hidrométricas de las estaciones de Puerto Iguazú,
Posadas e Itatı́.

NAR-Redes neuronales con retroalimentación: Se usarán para ingresar la informa-

ción de la alturas hidrométricas de la localidad de Corrientes Capital.

169
 Figura 6.34: Red neuronal NARXMultiCtes: Autocorrelación de Error.

NARX Multicapa-Redes neuronales con retroalimentación: Integrará la información

de red FTDNN que corresponde a las alturas hidrométricas de las estaciones rı́o
arriba de Puerto Iguazú, Posadas e Itatı́ con la información de la red NAR que
proporciona datos de la localidad de Corrientes, luego integrando la información
que le proporcionan ambas redes realizará la predicción de alturas para la ciudad
de Corrientes.

El entrenamiento se realiza con los archivos de las inundaciones de 1991-1992 y de

1997-1998, para lo cual las series correspondientes a los perı́odos de inundación serán
concatenamos para salvar la discontinuidad de la serie temporal, como ya se explicó en
las redes anteriores y para el chequeo de la red se utiliza la crecida de los meses de enero
y febrero de 1990.

6.6.1. Configuración y Creación de la Red integrando diferentes

arquitecturas de redes

FTDNN-Redes neuronales con retardo de tiempos

Con las siguientes lı́neas de código se genera la red con retardo de tiempos, que será en-
trenada con las alturas hidrométricas de las estaciones de Puerto Iguazú, Posadas e Itatı́,
esta aporta la información de las estaciones que se encuentra rı́o arriba, en territorio
argentino.

170
Figura 6.35: Red neuronal NARXMultiCtes: Error de Predicción a 7 dı́as

171
 Figura 6.36: Red neuronal NARXMultiCtes: Resultados de Predicción.

%%% PRIMERA RED %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%
% FTDNN-Red neuronal con retardo de tiempos
%
% Datos de Otras Estaciones con Red de Retardo de Tiempo
%
% Entrenada con: Alturas de Pto. Iguazú, Posadas e Itatı́

X = inputSeries;

% Define los target, Alturas de Corrientes

T = targetSeries;

% Crea la Red con retardos de tiempos

net = timedelaynet(2:8,5);

% Prepara los datos

[Xs,Xi,Ai,Ts] = preparets(net,X,T);

% Entrena la Red
net = train(net,Xs,Ts,Xi,Ai);
view(net);
Y = net(Xs,Xi,Ai);

% Evalua la red
perf = perform(net,Ts,Y);

NRTOtEst= net;

172
 En la Figura (6.37), puede observarse la estructura de la red con retardo de tiempo
generada y en la Figura (6.38) los resultados luego de realizar su entrenamiento.

Figura 6.37: Red neuronal FTDNN: Alturas Hidrométricas Pto. Iaguazú, Posadas e Itatı́.

NAR-Redes neuronales con retroalimentación

El código siguiente genera una red neuronal con retroalimentación con estructura NAR,
que será entrenada con las alturas hidrométricas de la localidad de Corrientes.

%%% SEGUNDA RED %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%
% NAR-Redes neuronales con retroalimentación
%
% Entrenada con: Alturas de Corrietnes
%
%% Create la NAR
feedbackDelays = 1:3;
hiddenLayerSize = 3;
net = narnet(feedbackDelays,hiddenLayerSize);

% Prepara los datos

[inputs,inputStates,layerStates,targets] =
preparets(net,{},{},targetSeries);

% División de datos para entrenamiento, validación y testeo

net.divideParam.trainRatio = 80/100;
net.divideParam.valRatio = 20/100;
net.divideParam.testRatio = 0/100;

% Entrena la NAR
[net,tr] = train(net,inputs,targets,inputStates,layerStates);

% Testea la NAR
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs);

NARCtes=net;

173
 Figura 6.38: Red neuronal FTDNN: Resultados del Entrenamiento.

En la Figura (6.39), puede observarse la estructura de la red con retardo de tiempo

de estructura NAR generada y en la Figura (6.40) los resultados luego de realizar su
entrenamiento.

174
 Figura 6.39: Red neuronal NAR: Alturas Hidrométricas de Corrientes.

NARX Multicapa-Redes neuronales con retroalimentación

El código siguiente genera una red neuronal con retroalimentación y estructura NARX
Multicapa, que será entrenada con las salidas de las redes creadas en los pasos anteriores
NRTOtEst, con la información de las demas estaciones y NARCtes, con los datos de la
ciudad de Corrientes, localidad donde será estimada la altura, por lo cual las capas de la
nueva red tomaran como valores iniciales de los pesos, los datos de las salidas de las redes
NRTOtEst y NARCtes, organizándose de la siguiente manera:

Capa 1: toma los pesos de la red NRTOtEst, datos de las demas estaciones de Puerto
Iguazú, Posadas e Itatı́.

Capa 2: toma los pesos de la red NARCtes, información de la estación de Corrientes.

Luego de indicar por cada capa el origen de los datos, se preparan los datos para la
red y se realiza el entrenamiento de la misma, lo cual se observa en la Figura (6.41).

%%% TERCERA RED %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%
% NARX Multicapa-Redes neuronales con retroalimentación
%% Integra:
% NRTOtEst: Alturas Pto Iguazú, Posadas e Itatı́
% NARCtes: Alturas de Corrietnes
inputDelays = 2:8;
feedbackDelays = 1:3;

redRP3 = narxnet(inputDelays,feedbackDelays,[5 3 1 3]);

redRP3.inputConnect(1,2)=0;
redRP3.inputConnect(2,2)=0;
redRP3.inputConnect(2,1)=0;
redRP3.inputConnect(2,2)=1;

redRP3.layerConnect(3,1)=1;
redRP3.layerConnect(3,2)=0;
redRP3.layerConnect(2,1)=0;

175
Figura 6.40: Red neuronal NAR: Resultados del Entrenamiento.

176
redRP3.layerConnect(4,2)=1;

redRP3.inputWeights{1,1}.delays=inputDelays;
redRP3.inputWeights{2,2}.delays=feedbackDelays;

%Prepara los archivos como los necesita NARX

[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP3,inputSeries,{},targetSeries,ew);

% División datos para entrenamiento, validación y testeo

redRP3.divideParam.trainRatio = 90/100;
redRP3.divideParam.valRatio = 10/100;
redRP3.divideParam.testRatio = 0/100;

% Se configura la estructura de la red

redRP3=configure(redRP3,inputs,targets);

% Capas 1 se toman de NRTOtEst y

% Capas 2 se toman de NARCtes
redRP3.IW{1,1}=NRTOtEst.IW{1,1};
redRP3.inputWeights{1,1}.learn=false;
redRP3.LW{3,1}=NRTOtEst.LW{2,1};
redRP3.layerWeights{3,1}.learn=false;

redRP3.IW{2,2}=NARCtes.IW{1,1};

redRP3.b{1}=NRTOtEst.b{1};
redRP3.biases{1}.learn=false;
redRP3.b{3}=NRTOtEst.b{2};
redRP3.biases{3}.learn=false;
redRP3.b{2}=NARCtes.b{1};
%redRP3.biases{2}.learn=false;

% Se prepara los datos para la Red

[inputs,inputStates,layerStates,targets] =
preparets(redRP3,inputSeries,{},targetSeries);

% Se entrena la Red
[redRP3,tr] = train(redRP3,inputs,targets,inputStates,layerStates);

Terminado el primer entrenamiento de la red, se realiza el cierre del lazo de retro-

alimentación y se precede nuevamente a entrenar la red con lazo cerrado, este es un
entrenamiento con mayor coste computacional y que demora mayor tiempo, el código
correspondiente se detalla a continuación.

% Cierre del lazo de retroalimentación

DLNI = closeloop(redRP3);

177
Figura 6.41: Red neuronal NARX Multicapa: Red cuyas entradas son las salidas de las
redes NRTOtEst y NARCtes, estructura y resultados de la primer etapa de entrenamiento.

178
% Preparación de los Archivos
[inputs,inputStates,layerStates,targets] =
preparets(DLNI,inputSeries,{},targetSeries);
DLNI.divideParam.trainRatio = 80/100;
DLNI.divideParam.valRatio = 20/100;
DLNI.divideParam.testRatio = 0/100;

% Entrenamiento de la Red con lazo de retroalimentación cerrado

[redRP3,tr] = train(DLNI,inputs,targets,inputStates,layerStates);

% Test de la Red
outputs3 = redRP3(inputs,inputStates,layerStates);
performance3 = perform(redRP3,targets,outputs3);
errors3 = gsubtract(targets,outputs3);

% Graficas con resultados del entrenamiento

salida1=getsamples(outputs3,1);
salida2=getsamples(outputs3,2);
target1=getsamples(targets,1);
target2=getsamples(targets,2);
plotresponse(target1,salida1)
plotresponse(target2,salida2)

FtdnnNarNarxMCtes = redRP3;

En la ventana de la Figura (6.42), puede seguirse el proceso de este segundo ajus-

te de la red, porque se visualizan las iteraciones y los errores de ajustes que se están
dando, también se presentan opciones que permiten visualizar graficamente los siguientes
resultados:

Rendimiento del Entrenamiento, ver Figura (6.43),

Instancias del Entrenamiento,

Histograma de los Errores de Entrenamiento, ver Figura (6.44),

Gráficos de Regresión, ver Figura (6.45),

Gráficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.46),

Error de Autorregresión, ver Figura (6.47),

Correlación de Error y Entrada.

179
Figura 6.42: Red neuronal FtdnnNarNarxMCtes: Red cuyas entradas son las salidas de
las redes NRTOtEst y NARCtes, detalle de la estructura con lazo de retroalimentación
cerrado y los resultados de la segunda etapa de entrenamiento.

180
 Figura 6.43: Red neuronal FtdnnNarNarxMCtes: Rendimiento del Entrenamiento.

Figura 6.44: Red neuronal FtdnnNarNarxMCtes: Histograma de los Errores de Entrena-

miento.

181
 Figura 6.45: Red neuronal FtdnnNarNarxMCtes: Gráficos de Regresión.

6.6.2. Resultados de Predicción a 7 dı́as con FtdnnNarNarxM-

Ctes
Los resultados de la predicción a 7 dı́as con FtdnnNarNarxMCtes se presentan en la
tabla de la Figura (6.56), la cual ha sido generada siguiendo los pasos del Procedimiento
de Chequeo enumerados en (6.2), donde se detallan los errores obtenidos al predecir la
altura hidrométrica en la localidad de Corrientes en el perı́odo de inundación de los meses
de enero y febrero de 1990, en la Figura (6.49), puede observarse el resultado de una de
esas predicciones.
En las 110 predicciones realizadas se presenta un error promedio de 0, 5609m, que
presenta 95 predicciones con error por exceso que representan el 86, 36 % y que tiene un
error por defecto en los 15 pronósticos, lo que significa el 13, 64 %, este último tipo de
error se indica en la tabla con valores en rojo, por ser el error con mayor coste.

6.7. Combinación de Redes NLP y NARX Multicapa

Buscando verificar la validez de los resultados publicados recientemente con Redes
Profundas, se han aplicado a este caso. Se ha utilizado una inicialización de la red mediante
autocodificadores. Ası́, la primera capa se ajusta intentando reproducir las entradas, la

182
Figura 6.46: Red neuronal FtdnnNarNarxMCtes: Gráficos de Resultados y Errores por
tiempo de entrenamiento.

Figura 6.47: Red neuronal FtdnnNarNarxMCtes: Autocorrelación de Error.

183
Figura 6.48: Red neuronal FtdnnNarNarxMCtes: Error de Predicción a 7 dı́as

184
 Figura 6.49: Red neuronal FtdnnNarNarxMCtes: Resultados de Predicción.

segunda capa intentando reproducir la primera, cuyos pesos se han congelado y lo mismo
sucesivamente en las siguientes. Finalmente se añaden las tres redes con estructura NARX
Multicapa y se realiza un ajuste completo de la red, partiendo de los pesos obtenidos en
los autocodificadores para las capas precedentes que son pasados a las capas de las redes
NARX Multicapa.
Esta red neuronal combina dos tipos de arquitecturas de redes, para realizar la pre-
dicción integrándolas de la siguiente manera:

NLP-Redes neuronales de aprendizaje profundo: Por las caracterı́sticas de estas re-

des de tener más capas que le permite aprender las relaciones subyacentes de la
información. En una primera etapa se ingresarán las alturas hidrométricas de las
estaciones de Puerto Iguazú, Posadas, Itatı́ y Corrientes, dejando que los autocodi-
ficadores procedan a establezcer los pesos iniciales que luego se pasarán a las demás
redes NARX Multicapa.

NARX Multicapa-Redes neuronales con retroalimentación: Se tendran tres redes con

esta estructura de capas y de neuronas por capa:

• redRP1 : Las entradas serán las alturas hidrométricas de las estaciones de Puer-
to Iguazú, Posadas, Itatı́ y Corrientes, pero los pesos iniciales serán pasados
por los autocodificadores.
• redRP2 : Las entradas serán las alturas hidrométricas de las estaciones de Puer-
to Iguazú, Posadas, Itatı́ y Corrientes, pero los pesos iniciales serán pasados
por los autocodificadores.
• redRP3 : Las entradas serán las alturas hidrométricas de las estaciones de Puer-
to Iguazú, Posadas, Itatı́ y Corrientes y en su estructura toma 2 capas de
redRP1 y las otras dos capas las toma de redRP2.

185
 El entrenamiento se realiza con los archivos de las inundaciones de 1991-1992 y de
1997-1998, para lo cual las series correspondientes a los perı́odos de inundación serán
concatenados para salvar la discontinuidad de la serie temporal, como ya se explicó en las
redes anteriores y para el chequeo de la red se utiliza la crecida de los meses de enero y
febrero de 1990.
La estrategia trabajada es construir una red en la que los valores iniciales son los del
autocodificador, que son pasados a las siguientes redes que luego se reajusta.
En el proceso de reajuste los valores pasados por los autocodificadores pueden perma-
cer congelados o fijos si se especifica la opción false o podran ser modificados si se indica
la opción true, como se detalla a continuación.

Opción false: Se congelan o fijan los valores pasados de los autocodificadores:

redRP1.LW{2,1}=autocod.ae{2}.W{1};
redRP1.layerWeights{2,1}.learn=false;
redRP1.b{2}=autocod.ae{2}.b{1};
redRP1.biases{2}.learn=false;

Opción true: Se permiten modificar los valores pasados de los autocodificadores:

redRP1.LW{2,1}=autocod.ae{2}.W{1};
redRP1.layerWeights{2,1}.learn=true;
redRP1.b{2}=autocod.ae{2}.b{1};
redRP1.biases{2}.learn=true;

6.7.1. Configuración y Creación de la Red integrando diferentes

arquitecturas de redes
NLP-Redes neuronales de aprendizaje profundo

Con las siguientes lı́neas de código se genera la red NLP de aprendizaje profundo la
cual tendrá 4 capas, que será entrenada con las alturas hidrométricas de las estaciones de
Puerto Iguazú, Posadas, Itatı́ y Corrientes, con los mismos retardos que se utilizarán en
las redes con estructura NARX Multicapa, para poder hacer luego el traspaso de pesos,
como se detalla en las primeras lı́neas de código.
La estructura de la red NLP será de 4 capas , con las siguientes cantidades de neuronas
por capa:

1. capa con 16 neuronas

2. capa con 8 neuronas

3. capa con 5 neuronas

4. capa con 3 neuronas.

186
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% PRIMERA RED (Red NLP)
%
%Ingreso de datos para la red Profunda

datos=[CorrientesH1,CorrientesH2,CorrientesH3,CorrientesH4,
CorrientesH5,CorrientesH6,PtoIguazuH1,PosadasH1,ItatiH1,
PtoIguazuH2,PosadasH2,ItatiH2,PtoIguazuH3,PosadasH3,
ItatiH3,PtoIguazuH4,PosadasH4,ItatiH4,PtoIguazuH5,
PosadasH5,ItatiH5,PtoIguazuH6,PosadasH6,ItatiH6];

objet=[CorrientesH];

% Se Preparan los datos para la red NLP

p=datos’;
t=objet’;

maxt=max(t);

% PARA QUE LOS VALORES QUEDEN ENTRE 0 Y 1

maxp=max(p,[],2);
minp=min(p,[],2);
dp=maxp-minp;
dmin=repmat(minp,1,1449);
ddp=repmat(dp,1,1449);

pesc=(p-dmin)./ddp;

opc.batchsize=23;

opc.numepochs=67;

paj=pesc;

% Se determinan las neuronas por capa

autocod=saesetup([24 16 8 5 3]);
autocod.ae{1}.learningRate=1;
autocod.ae{2}.learningRate=1;
autocod.ae{3}.learningRate=1;
autocod.ae{4}.learningRate=1;

% Se entrena la red NLP

autocod=saetrain(autocod,paj’,opc);

187
NARX Multicapa-Redes Neuronales con Retroalimentación

Se generan redes con la misma estructura, para que sean compatibles y poder inte-
grarlas y cruzar las capas, por lo cual las redes redRP1, redRP2 y redRP3 tendran los
mismos retardos que serán del dı́a 1 al 6 y cuatro capas con las siguientes neuronas en
cada una de ellas:

1. capa con 16 neunoras

2. capa con 8 neunoras

3. capa con 5 neunoras

4. capa con 3 neunoras.

La tres redes con estructura NARX Multicapa se entrena con las alturas hidrométri-
cas de las inundaciones de 1991-1992 y 1997-1998, estos archivos además de las alturas
hidrométricas diarias contienen el peso que se le ha asignado a cada altura, dando mayor
peso a las mayores alturas.
Las dos serı́es de datos serán concatenadas, como se detalló en (6.4.2) y se entrena
la red con los datos de ambas inundaciones porque los resultados obtenidos en (6.4.3),
indican que la red entrenada de esta manera, predice con mas precisión, posteriormente
la red se prueba con el perı́odo de crecida correspondiente a los meses de enero-febrero de
1990.
La redes redRP1 y redRP2 se crean con procesos similares, ambas redes son creadas con
la estructura de redes NARX Multicapa y con un retardo de 6 dı́as, tanto en los datos de
la serie como en los entradas externas, luego se realiza un primer entrenamiento, se pasan
los pesos de los autocodificadores, posteriormente se realiza un segundo entrenamiento
con los pesos inicializados con los valores de los autocodificadores, luego se realiza un
testeo del rendimiento de la red.

%%% SEGUNDA RED %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%
% Crea primera red con estructura NARX Multicapa
% con entradas externar

% Especificación de los retardos

inputDelays = 1:6;
feedbackDelays = 1:6;

% Crea la Red con estructura NARX Multicapa

redRP1 = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);

redRP1.layers{1}.transferFcn=’logsig’;
redRP1.layers{2}.transferFcn=’logsig’;
redRP1.layers{3}.transferFcn=’logsig’;
redRP1.layers{4}.transferFcn=’logsig’;

188
% Prepara los datos para la red NARX
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP1,inputSeries,{},targetSeries,ew);

% Establece porcentaje de datos para entrenamiento,

% validación y testeo
redRP1.divideParam.trainRatio = 90/100;
redRP1.divideParam.valRatio = 10/100;
redRP1.divideParam.testRatio = 0/100;

% Entrena la red para configurarla y luego asignar los pesos

% correspondiente a los autocodificadores
[redRP1,tr] =
train(redRP1,inputs,targets,inputStates,layerStates,ew1);

% Asigna los pesos de los autocodificadores

RotrasEst=autocod.ae{1}.W{1}(:,7:24);
RCtes=autocod.ae{1}.W{1}(:,1:6);

redRP1.IW{1,1}=RotrasEst;
redRP1.inputWeights{1,1}.learn=false;
redRP1.IW{1,2}=RCtes;
redRP1.inputWeights{1,2}.learn=false;

redRP1.LW{2,1}=autocod.ae{2}.W{1};
redRP1.layerWeights{2,1}.learn=true;
redRP1.LW{3,2}=autocod.ae{3}.W{1};
redRP1.layerWeights{3,2}.learn=true;
redRP1.LW{4,3}=autocod.ae{4}.W{1};
redRP1.layerWeights{4,3}.learn=true;
redRP1.b{1}=autocod.ae{1}.b{1};
redRP1.biases{1}.learn=false;
redRP1.b{2}=autocod.ae{2}.b{1};
redRP1.biases{2}.learn=true;
redRP1.b{3}=autocod.ae{3}.b{1};
redRP1.biases{3}.learn=true;
redRP1.b{4}=autocod.ae{4}.b{1};
redRP1.biases{4}.learn=true;

% Prepara los datos para el entrenamiento

[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP1,inputSeries,{},targetSeries,ew);

% Entrena la red iniciando con los pesos pasados de

% los autocodificadores
[redRP1,tr] =
train(redRP1,inputs,targets,inputStates,layerStates,ew1);

189
% Test the Network
outputs1 = redRP1(inputs,inputStates,layerStates);

performance1 = perform(redRP1,targets,outputs1);

errors1 = gsubtract(targets,outputs1);

%%% TERCERA RED %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%
% Crea segunda red con estructura NARX Multicapa
% con entradas externar

% Especificación de los retardos

inputDelays = 1:6;
feedbackDelays = 1:6;

% Crea la Red con estructura NARX Multicapa

redRP2 = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);

redRP2.layers{1}.transferFcn=’logsig’;
redRP2.layers{2}.transferFcn=’logsig’;
redRP2.layers{3}.transferFcn=’logsig’;
redRP2.layers{4}.transferFcn=’logsig’;

% Prepara los datos para la red NARX

[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP2,inputSeries,{},targetSeries,ew);

% Establece porcentaje de datos para entrenamiento,

% validacion y testeo
redRP2.divideParam.trainRatio = 90/100;
redRP2.divideParam.valRatio = 10/100;
redRP2.divideParam.testRatio = 0/100;

% Entrena la red para configurarla y luego asignar los pesos

% correspondiente de los autocodificadores
[redRP2,tr] =
train(redRP1,inputs,targets,inputStates,layerStates,ew1);

% Asigna los pesos de los autocodificadores

RotrasEst=autocod.ae{1}.W{1}(:,7:24);
RCtes=autocod.ae{1}.W{1}(:,1:6);

redRP2.IW{1,1}=RotrasEst;
redRP2.inputWeights{1,1}.learn=false;
redRP2.IW{1,2}=RCtes;
redRP2.inputWeights{1,2}.learn=false;

190
redRP2.LW{2,1}=autocod.ae{2}.W{1};
redRP2.layerWeights{2,1}.learn=true;
redRP2.LW{3,2}=autocod.ae{3}.W{1};
redRP2.layerWeights{3,2}.learn=true;
redRP2.LW{4,3}=autocod.ae{4}.W{1};
redRP2.layerWeights{4,3}.learn=true;
redRP2.b{1}=autocod.ae{1}.b{1};
redRP2.biases{1}.learn=false;
redRP2.b{2}=autocod.ae{2}.b{1};
redRP2.biases{2}.learn=true;
redRP2.b{3}=autocod.ae{3}.b{1};
redRP2.biases{3}.learn=true;
redRP2.b{4}=autocod.ae{4}.b{1};
redRP2.biases{4}.learn=true;

% Prepara los datos para el entrenamiento

[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP2,inputSeries,{},targetSeries,ew);

% Entrena la red iniciando con los pesos pasados

% de los los autocodificadores
[redRP2,tr] =
train(redRP2,inputs,targets,inputStates,layerStates,ew1);

% Test the Network

outputs2 = redRP2(inputs,inputStates,layerStates);

performance2 = perform(redRP2,targets,outputs2);

errors2 = gsubtract(targets,outputs2);

La red redRP3 se crea con la estructura de redes NARX Multicapa y con un retardo
de 6 dı́as, tanto en los datos de la serie como en los entradas externas, luego se realiza un
primer entrenamiento y a continuación los pesos de sus capas se importan de la siguiente
manera:

Capas 1 y 2 se toman de redRP1

Capas 3 y 4 se toman de redRP2

%%% CUARTA RED %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%
% Crea tercera red con estructura NARX Multicapa
% con entradas externar

191
% Especificación de los retardos
inputDelays = 1:6;
feedbackDelays = 1:6;

% Crea la Red con estructura NARX Multicapa

redRP3 = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);

redRP3.layers{1}.transferFcn=’logsig’;
redRP3.layers{2}.transferFcn=’logsig’;
redRP3.layers{3}.transferFcn=’logsig’;
redRP3.layers{4}.transferFcn=’logsig’;

% Prepara los datos para la red

[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP3,inputSeries,{},targetSeries,ew);

% Se fija porcentaje de datos para entrenamiento, validación y test

redRP3.divideParam.trainRatio = 90/100;
redRP3.divideParam.valRatio = 10/100;
redRP3.divideParam.testRatio = 0/100;

% Primer entrenamiento de inicializacion de la red

[redRP3,tr] =
train(redRP3,inputs,targets,inputStates,layerStates,ew1);

% Capas\index{redes neuronales!capas} 1 y 2 se toman de redRP1

% Capas\index{redes neuronales!capas} 3 y 4 se toman de redRP2
redRP3.IW{1,1}=redRP1.IW{1,1};
redRP3.inputWeights{1,1}.learn=false;
redRP3.IW{1,2}=redRP1.IW{1,2};
redRP3.inputWeights{1,2}.learn=false;

redRP3.LW{2,1}=redRP1.LW{2,1};
redRP3.layerWeights{2,1}.learn=true;
redRP3.LW{3,2}=redRP2.LW{3,2};
redRP3.layerWeights{3,2}.learn=true;
redRP3.LW{4,3}=redRP2.LW{4,3};
redRP3.layerWeights{4,3}.learn=true;
redRP3.b{1}=redRP1.b{1};
redRP3.biases{1}.learn=false;
redRP3.b{2}=redRP1.b{2};
redRP3.biases{2}.learn=true;
redRP3.b{3}=redRP2.b{3};
redRP3.biases{3}.learn=true;
redRP3.b{4}=redRP2.b{4};
redRP3.biases{4}.learn=true;

% Preparación de los archivos

192
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP3,inputSeries,{},targetSeries,ew);

% Segundo entrenamiento de la red con los pesos inicializados

[redRP3,tr] =
train(redRP3,inputs,targets,inputStates,layerStates,ew1);

% Test de la Red
outputs3 = redRP3(inputs,inputStates,layerStates);
performance3 = perform(redRP3,targets,outputs3);
errors3 = gsubtract(targets,outputs3);

% Graficos de resultados
salida1=getsamples(outputs3,1);
salida2=getsamples(outputs3,2);
target1=getsamples(targets,1);
target2=getsamples(targets,2);
plotresponse(target1,salida1)
plotresponse(target2,salida2)

NlpNarxMCtes = closeloop(redRP3);

En la ventana de la Figura (6.50), puede seguirse el proceso de este segundo ajus-

te de la red, porque se visualizan las iteraciones y los errores de ajustes que se están
dando, también se presentan opciones que permiten visualizar graficamente los siguientes
resultados:

Rendimiento del Entrenamiento, ver Figura (6.51),

Instancias del Entrenamiento,

Histograma de los Errores de Entrenamiento, ver Figura (6.52),

Gráficos de Regresión, ver Figura (6.53),

Gráficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.54),

Error de Autorregresión, ver Figura (6.55),

Correlación de Error y Entrada.

193
Figura 6.50: Red neuronal NlpNarxMCtes: Red resultante de la integración de una red
NLP y tres redes NARX Multicapa, visualización de estructura final y resultados del
entrenamiento

194
 Figura 6.51: Red neuronal NlpNarxMCtes: Rendimiento del Entrenamiento.

Figura 6.52: Red neuronal NlpNarxMCtes: Histograma de los Errores de Entrenamiento.

195
Figura 6.53: Red neuronal NlpNarxMCtes: Gráficos de Regresión.

196
Figura 6.54: Red neuronal NlpNarxMCtes: Gráficos de Resultados y Errores por tiempo
de entrenamiento.

6.7.2. Resultados de Predicción a 7 dı́as con FtdnnNarNarxM-

Ctes
Los resultados que se obtienen al realizar la predicción a 7 dı́as con FtdnnNarNarxM-
Cte se presentan en la tabla de la Figura (6.56), la cual ha sido generada siguiendo los
pasos del Procedimiento de Chequeo enumerados en (6.2), donde se detallan los errores
obtenidos al predecir la altura hidrométrica en la localidad de Corrientes en el perı́odo de
inundación de los meses de enero y febrero de 1990, en la Figura (6.57), puede observarse
el resultado de una de esas predicciones.
Al analizar las 110 predicciones realizadas se presenta un error promedio de 0, 2218m,
que presenta 65 predicciones con error por exceso que representan el 59, 09 % y que tiene
un error por defecto en los 45 pronósticos, lo que significa el 40, 91 %, este último tipo de
error se indica en la tabla con valores en rojo, por ser el error con mayor coste.

6.8. Resultados Comparativos de Predicciones a Me-

diano Plazo
En el cuadro compartivo de Predicciones a Mediano Plazo de la Figura (6.58), pueden
observarse los errores en valor absoluto que se fueron obteniendo con las diferentes redes
neuronales, que se fueron aplicando, puede observarse que al predecir a siete dı́as las
magnitudes de los errores son mayores que en la predicción a Corto Plazo que ser detallan
en la sección (5.8), en el Capı́tulo (5.
Puede observarse que en la predicción a 7 dı́as, la red FtdnnNarNarxMCtes, que
integra redes FTDNN NAR y NARX Multicapa, es la red presenta mayor pocentaje

197
 Figura 6.55: Red neuronal NlpNarxMCtes: Autocorrelación de Error.

errores por exceso con un porcentaje del 86, 36 %, siendo este el error de menor coste y la
red NARIR: con estructua NAR con 1 capa oculta con 10 neuronas, es la que presenta el
mayor pocentaje de error por defecto, al presentarlo en el 100, 00 % en las predicciones,
siendo este el error de mayor coste, por estar siempre estimando por debajo de los errores
reales del rı́o.
La red que presenta el menor error promedio en valor absoluto es la red NlpNarxMCtes
que integra una red NLP y tres redes NARX Multicapa, presentando además un error por
exceso en el 59, 09 % de la predicciones y un error por defecto en el 40, 91 % de los casos.

198
Figura 6.56: Red neuronal NlpNarxMCtes: Error de Predicción a 7 dı́as

199
 Figura 6.57: Red neuronal NlpNarxMCtes: Resultados de Predicción.

Figura 6.58: Errores Comparativos de Predicción a 7 dı́as con diferentes Redes Neuronales

200
Capı́tulo 7

Análisis de los Resultados Obtenidos

7.1. Pulso 2
El software Pulso 2 fue diseñando y desarrollado por Juan Jose Neiff Director del
Centro de Ecologı́a Aplicada del Litoral CECOAL-CONICET, de la Universidad Nacional
del Nordeste, Argentina y Matias Neiff desde 2003 hasta la fecha, con actualizaciones
sucesivas disponible gratuitamente para uso académico en (www.neiff.com.ar), es una
herramienta novedosa y de mucha utilidad para el análisis de procesos fluviales recurrentes,
que permite explorar algunas relaciones cuantitativas entre las caracterı́sticas ecológicas
de áreas anegables e inundables, por ejemplo distribución y abundancia de poblaciones y
las diferencias en las fases de inundación y de suelo seco en cada zona del paisaje.
Pulso 2 estudia fenómenos que se repiten según una función sinusoidal a lo largo
del tiempo, como puede ser el conjunto de fluctuaciones hidrométricas de un rı́o, las
lluvias en un perı́odo y localidad determinada o los eventos de fuego en las sabanas. Se
establece en la serie un valor de intensidad (valor de referencia), el cual define la presencia
de determinado elemento del sistema o la ocurrencia de algún proceso que queremos
investigar en el sistema, como podrı́a ser la ocurrencia de suelo inundado. Ası́, si se fija la
cota de alerta de inundación en 5m, los valores que se encuentran por encima de esta lı́nea
virtual son tomados como positivos e indican la ocurrencia de la fase de inundación y por
debajo del nivel de referencia, los valores son tomados por el modelo como negativos y
señalan la ausencia potencial del elemento o proceso investigado, como serı́a la inundación.
A partir de datos hidrométricos o de caudal, diarios, semanales o anuales, es posible
conocer el número de pulsos, el número de fases de inundación y de sequı́a, la estación del
año en que ocurren, la duración y magnitud que alcanzaron y la regularidad del régimen.
Siendo de gran utilidad para determinar las situaciones de riesgo que deben considerar
las obras de defensa contra inundaciones de las ciudades, en base el análisis de serie de
datos hidrométricos históricos disponibles, [Neiff, 1999].

7.2. Predicción con Pulso 2

La versión Pulso 2, cuenta con un módulo de predicción denomidado Prisma, el cual
esta desarrollado aplicando modelos de algoritmos genéticos para realizar predicción de
alturas hidrométricas del rı́o Paraná, el cual es usado para comparar los resultados obte-

201
nidos en la presente tesis.
En Pulso 2 se importa la serie completa de alturas hidrométricas en la localidad de
Corrientes, desde 1989 hasta 2009, analizada durante el desarrollo de la presente tesis,
en la Figura (7.1) puede observarse en rojo la gráfica de las alturas del rı́o, en verde el
valor de alerta de inundación a los 5m y en bordo la tendencia aproximada con algoritmos
genéticos.

Figura 7.1: Pulso: alturas hidrométricas de la localidad de Corrientes, perı́odo de 1989 a

2009.

El programa detecta los Pulsos de crecida de las alturas hidrométricas en la localidad

de Corrientes, del perı́odo de tiempo que se ha ingresado dando información sobre cada
pulso como puede observarse en la Tabla de la Figura (7.3) y grafica cada pulso como
puede apreciarse, en la Figura (7.2).
En la Figura (7.4), se observa la ventana Prisma, donde se presentan las opciones para
realizar la predición de alturas hidrométricas con algoritmos genéticos y en la Figura (7.5)
se visualiza la graficamente los resultantes de la predicción.

7.3. Comparación de Resultados con Pulso 2

Se comparan en la tabla de la Figura (7.6), los errores obtenidos en la Predicción a
Corto Plazo (a 3 dı́as) y a Mediano Plazo ( a 7 dı́as), que se han obtenidos en la presente
tesis, con los errores de predicción del modelo de algoritmos genéticos Prima de Pulso
2. Puede observarse que tanto en la predicción a 3 dı́as, como a 7 dı́as, son menores
los errores en las prediccion con redes neuronales desarrolladas en la tesis, tambien es
relevante que estos modelos presentan mayores porcentajes de error por exceso, que es el
error de menos coste, mientras que las predicciones con algoritmos genéticos presentan

202
Figura 7.2: Pulso: alturas hidrométricas de la localidad de Corrientes, perı́odo de 1989 a
2009.

mayores porcentajes de errores por defecto, siendo estos últimos errores los de mayor coste
en perı́odos de inundaciones.
Es oportuno mencionar que el programa Prisma 2, hace predicciones a corto y mediano
plazo, siendo su principal objetivo y fortaleza realizar predicción a largo plazo de las
tendencias de comportamiento de la serie analizada, en este caso en particular las alturas
hidrométricas del rı́o Paraná en la localidad de Corrientes, haciendo predicción con buenos
resultados de los meses con probables crecidas o sequias.

203
Figura 7.3: Pulsos detectados en el perı́odo de años de 1989 a 2009.
204
Figura 7.4: Pulso - Prisma: Alturas Hidrométricas de la localidad de Corrientes, perı́odo
de 1989 a 2009.

Figura 7.5: Pulso: Alturas Hidrométricas de la localidad de Corrientes, perı́odo de 1989 a

2009.

205
Figura 7.6: Comparación de Errores de Predición.

206
Conclusiones

El presente trabajo incorpora algunas innovaciones al utilizar Sistemas Inteligentes

para el ajuste de Modelos Hidrológicos y aplicarlos en la Predicción de las alturas hi-
drométricas del rı́o Paraná en la localidad de Corrientes, Argentina.
La conclusión fundamental, cara a la gestión correcta de las emergencias de inundación,
es que estos modelos permiten una predicción con resultados aceptables y útiles ya que
22 cm de precisión con 7 dı́as de antelación puede ser la diferencia entre tomar medidas
adecuadas o sufrir cuantiosas pérdidas.
En el desarrollo del trabajo puede apreciarse que se comenzó con un primer análisis con
series temporales que se presentaron en el Capı́tulo (4); se obtenian errores significativos
en los pronósticos, pero permitió conocer la dependencia de la Altura del rı́o a predecir
respecto a los distintos datos, descartando las variables meteorológicas y de caudales que
no tenian incidencia directa en la altura del rı́o.
De ello también esta tesis ha permitido obtener otra conclusión, que la conducta del
rı́o Paraná en su paso por Corrientes está dominada por su propia dinámica en ese tramo
y sólo en menor medida por la evolución de tramos anteriores.
En la Predicción a Corto Plazo los mejores resultados se obtuvieron con redes neuro-
nales en las que se ha implementado la Función de Penalización del Error que se propone,
que se ha detallado en el Capı́tulo(5) en las Secciones (5.4), (5.6) y (5.7) y han sido en-
trenadas con archivos de varias inundaciones, obteniéndose en la predicción a tres dı́as los
siguientes valores, los cuales son útiles en general y permiten mejorar los resultados obte-
nidos con los otros modelos por presentar un error en valor absoluto bajo y un porcentaje
de errores por defecto del 20, 00 %:

Error Promedio en Valor Absoluto de: 0, 12m

Presenta Error por Exceso en el 80, 00 % de las predicciones

Presenta Error por Defecto en el 20, 00 % de las predicciones.

207
 En la Predicción a Mediano Plazo se analizaron estructuras de redes neuronales con
diferentes arquitecturas y criterios de ajuste, obteniéndose los mejores resultados con
una red profunda cuya inicialización se hace en varias fases, tal y como se detalla en el
Capı́tulo(6) en las Secciones (6.7) y (6.8), obteniéndose una predicción a siete dı́as con
los siguientes resultados:

Error Promedio en Valor Absoluto de: 0, 22m

Presenta Error por Exceso en el 59, 09 % de las predicciones

Presenta Error por Defecto en el 40, 91 % de las predicciones.

Con lo cual puede concluirse que al implementar esta inicialización, hay un error
promedio en valor absoluto aceptable, reduciéndolo en un 50, 00 % con respecto a otros
modelos, presentando un error por defecto en el 40, 91 %, lo cual para el caso de predicción
de alturas hidrométricas significa el error de mayor coste, como puede observarse en la
tabla de la Figura (6.58), por lo cual podemos concluir que para esta aplicación han dado
buenos resultados pero podrı́an ser mejorables.
Al comenzar la memoria se presentaron los estudios recientes sobre el comportamiento
del rı́o, en la Sección (1.3.7), el estudio de Flamenco, [Flamenco, 2010], es un pronóstico
de crecida del rı́o Paraná basado en el estudio del fenómeno del Niño, con lo cual puede
predecir con buenos resultados los meses con probables crecidas. En este estudio se basan
los pronósticos de crecidas que actualmente se manejan en la región, el pronóstico publi-
cado por el INTA elaborado por Flamenco, en marzo de 2010, da estimaciones medias de
altura mensuales, estableciendo lı́mites inferiores y superiores con un intervalo de ampli-
tud variando de 0,50 m a 1,00 m, [INTA and Flamenco, 2010], manifestando claramente
en su artı́culo, [Flamenco, 2010], que: No existen antecedentes de pronóstico estacional
para este rı́o, y el mismo puede ser muy útil en complemento con modelos de alerta en el
Corto Plazo.
Teniendo presente lo mencionado por Wyffels, que el realizar una buena predicción
del futuro permite que los gobiernos, puedan planificar sus inversiones, la producción y
otras necesidades y que ello demanda de buena técnicas de previsión que motiva a muchos
investigadores, [Wyffels and Schrauwen, 2010], humildemente considero que el aporte de
este trabajo es un primer paso, en una investigación mayor para mejorar el pronóstico del
comportamiento del rı́o Paraná, en especial en perı́odos de inundaciones, lo cual pueda
beneficiar a la región de la cuenca del rı́o Paraná, en Argentina.

208
Bibliografı́a

J. C. Abril. Modelos para el Análisis de las Series de Tiempo. Ediciones Cooperativas,

Argentina, 2004.

C. Alberola López. Probabilidad, Variables Aleatorias y Procesos Estocásticos: una in-

troduccion orientada a las telecomunicaciones. Valladolid: Universidad de Valladolid,
Secretariado de Publicaciones, España, 2004.

G. Anthes. Deep learning, comes of age. Communications of the ACM, june 2013.

C. Ball. Meditando sobre el Análisis Técnico y los Gráfico Aleatorios.

http://www.rankia.com/foros/bolsa/temas/559249-meditando-analisis-tecnico-grafico-
aleatorios?page=9, Consultado: 4 de febrero de 2013.

P. y. P. D. y. L. H. Bengio, Y. y Lamblin. Greedy Layer-Wise Training of Deep Networks.

Universite de Montreal Montreal, Quebec, Canada, Consultado: 8 de abril de 2013.

V. T. Chow. Hidráulica de Canales Abiertos. McGraw-Hill, Colombia, 2004.

J. L. Crespo. Redes Neuronales Artificiales para Ingenieros. Santander, Santander, Es-

paña, 1996.

S. Crone. Trainning Artificial Neural Networks for Time Series Prediction using Asym-
metric Cost Functions. 2002a.

S. Crone. Prediction of White Noise Time Series using Artificial Neural Networks and
Asymmetric Cost Functions. 2002b.

H. Demuth and M. Beale. Neural Network Toolbox, for use with Matlab. The Math-
Worrks.Inc., U.S., 1998.

DesEnredando. Red de Estudios Sociales en Prevención de Desastres en América Latina.

http://www.desenredando.org/, Consultado: 4 de abril de 2010.

DesInventar. Sistema de Inventario de Desastres. http://www.desinventar.org/, Consul-

tado: 4 de abril de 2010.

EFN-UNCOR. Propuesta para la Confección de Planes de Emer-

gencia por Rotura de Presas en la Provincia de Córdoba. Aplica-
ción al Dique San Roque - Universidad de Córdoba - Argentina.
http://www.efn.uncor.edu/posgrado/rrhh/asignaturaspdf/Tesis/Labaque/4-
%20Tr %C3 %A1nsito %20de %20Crecidas.pdf, Consultado: 10 de febrero de 2013.

209
C. Europea. Investigación Innovación: Inundaciones-Estar alertados significa estar mejor.
http://ec.europa.eu/research/leaflets/floods/page 94 es.html, Consultado: 5 de enero
de 2013.
L. Fausett. Fundamentals of Neural Networks: arquitectures, algorithms, and applications.
Dehli: Pearson Education, 2006.
R. Fiszelew, A. y Garcı́a-Martı́nez. Generación Automática de Redes Neurona-
les con Ajuste de Parámetros Basado en Algoritmos Genéticos. Universidad
de Buenos Aires, Buenos Aires, Argentina, Consultado: 25 de febrero de 2013.
http://laboratorios.fi.uba.ar/lsi/R-ITBA-26-rrnn-ags.pdf.
E. A. Flamenco. Modelo de Pronóstico de Inundaciones en el Rı́o Paraná en Corrientes,
basado en el Fenómeno ENSO - El Niño /Oscilación del Sur, EVARSA-Evaluación
de Recursos Hı́dricos S.A. http://www.unesco.org.uy/phi/libros/enso/flamenco.html,
Consultado: 6 de febrero de 2010.
F. J. Girón González-Torre. Determinismo, Caos, Azar e Incertidumbre - Real Academia
de Ciencias. http://www.rac.es/ficheros/doc/00327.pdf, Consultado: 1 de febrero de
2013.
J. M. Gutiérrez. Introducción a las Redes Neuronales. Univer-
sidad de Cantabria, España, Consultado: 23 de febrero de 2013.
http://personales.unican.es/gutierjm/docs/tut RedesNeuro.pdf.
J. y. A. R. Gutiérrez Serret, Ramón M. y Lozano Pedroch. Los Modelos Fı́sicos a Escala
Reducida y la Simulación de Maniobras de Buques. Herramientas para el Diseño Por-
tuario. Organización de los Estados Americanos-Comisión Interamericana de Puertos,
Consultado: 9 de febrero de 2013.
S. Haykin. Neural Networks. A Comprehensive Foundation. Prentice Hall-University of
Michigan Press-Second Edition, Ann Arbor,USA, 1999.
G. E. Hinton. Connectionist Learning Procedures. Artificial Intelligence, vol. 40, pp.
185-234, 1989.
J. Holland. Adaptation in Natural and Artificial Systems. University of Michigan Press,
Ann Arbor,USA, 1992.
INTA. Instituto Nacional de Tecnologı́a Agropecuaria. http://www.inta.gov.ar/index.asp,
Consultado: 4 de abril de 2010.
INTA and E. A. Flamenco. Pronóstico Rı́o Paraná en Corrientes.
http://www.inta.gov.ar/index.asp, Consultado: 6 de febrero de 2010.
W. F. Laqui Vilca. Aplicación del Modelo AcquaNet. Master’s thesis,
Maestria en Recursos Hı́dricos-Universidad Nacional Agraria La Molina, Peru,
http://usuarios.multimania.es/lcastillonavarro/Aplicacion %20labsid.pdf, junio 2007.
E. Mateos de Cabo, Ruth y Olmedo Fernández. Implicaciones del
Caos Determinista en la Economı́a y la Gestión Empresarial, Univer-
sidad San Pablo-CEU -Universidad de Sevilla. http://www.encuentros-
multidisciplinares.org/Revistan %BA11/Ruth %20Mateos %20y %20Elena %20Olmedo.pdf,
Consultado: 1 de febrero de 2013.

210
Matlab. Matlab Versión 7.11.0 R2010b. The MathWorks, 2010.

L. Mediero Orduña. Pronóstico Probabilı́stico de Caudales de Avenida Mediante Redes

Bayesianas Aplicadas sobre un Modelo Hidrológico Distribuido. PhD thesis, Universidad
Politécnica de Madrid, España, 2007.

J. J. Merelo Guervós. Informática Evolutiva. Universidad de Granada, España, Consul-

tado: 30 de marzo de 2013. http://geneura.ugr.es/ jmerelo/ie/intro.htm.

Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. Springer-

Verlag, Berlin Heidelberg, Germany, 1992.

J. J. Neiff. El régimen de pulsos en rı́os y grandes humedales de Sudamérica. In: Malvárez

AI (ed) Tópicos sobre humedales subtropicales y templados de Sudamérica. Universidad
de Buenos Aires, 1999.

P. y. C. J. y. M. S. y. C. S. Ogallo, L. y Bessemoulin. Boletin - Adaptación a la variabilidad

del clima y al cambio climático: el sistema de Foros sobre la evolución probable del
clima. Revista de la Organización Meteorológica Mundial, Consultado: 3 de enero de
2013.

OMM. Organización Meteorológica Mundial, Programa Mundial sobre

el Clima - Servicios de Información y Predicción del Clima (SIPC).
http://www.wmo.int/pages/prog/wcp/wcasp/documents/wcasp sp.pdf, Consulta-
do: 22 de enero de 2013.

E. Parliament. Directive 2007/60/EC on the assessment and management of flood risks.

Official Journal of the European Union, october 2007.

D. Peña Sánchez de Rivera. Análisis de Series Temporales. Alianza Editorial, España,

2005.

X. L. Pham, D.T. Neural Networs for Identi?cation, Prediction and Control. Springer-
Verlag, London, Great Britain, 1995.

H. Poincaré. Science and Method. Cosimo Classics, Estados Unidos, 2009.

K. R. Popper. The Logic of Scientific Discovery. Routledge, Gran Bretania, 2002.

I. Prigogine. El Fin de las Certidumbres. Andres Bello-Quinta Edición, Chile, 1997.

R. E. Sierra. Meteorologista argentino prevê El Niño para 2012-2013.

http://www.vetagro.com.br/informativo le.php?idinfo=772, Consultado: 22 de
enero de 2013.

SMN. Servicio Meteorológico Nacional, Subsecretarı́a de Planeamiento, Ministerio de

Defensa, Rep. Argentina. http://www.smn.gov.ar/, 2008 a 2013.

J. Sánchez Fernández. Introducción a la Estadı́stica Empresarial. Capı́tulo 4- Series Tem-

porales. http://www.eumed.net/cursecon/libreria/2004/jsf/4.pdf, julio 2004.

SNIH. Sistema Nacional de Información Hı́drica de la Subsecretarı́a de Recursos Hı́dricos,

Secretarı́a de Obras Públicas, Ministerio de Planificacion Federal, Inversión Pública y
Servicios, Rep. Argentina. http://www.hidricosargentina.gov.ar/, 2008 a 2013.

211
M. R. Spiegel. Estadı́stica - Serie de Compendios Schaum - Teorı́a y Problemas. McGraw-
Hill, Cali, Colombia, 1978.

G. Tkacz and S. Hu. Forecasting GDP growth using Artificial Neural Networks. Working
Paper 99-3. Bank of Canada. 1999.

Tutoriales. Tutoriales Ingenieria Civil - Algunos Parametros de Forma y Drea-

naje de la Cuenca Hidrográfica y su relación con el Tiempo de Concen-
tración. http://ingenieriacivil.tutorialesaldia.com/algunos-parametros-de-forma-y-
drenaje-de-la-cuenca-hidrografica-y-su-relacion-con-el-tiempo-de-concentracion/, Con-
sultado: 19 de febrero de 2013.

G. d. E. d. A. e. d. M. A. UDC. Modelización del Estuario Superior

del Rı́o Oka. Reserva de la Biosfera de Urdaibai-Universidade da Coruña.
http://www.ingurumena.ejgv.euskadi.net/contenidos/plan programa proyecto /restau-
racion estuario oka/es doc/adjuntos/ANEJO4.pdf, julio 2011.

UNICAN. Grupo de Emisarios Submarinos e Hidraulica Ambiental - Estudio de Recursos

Hı́dricos - Anejo2. UNICAN, Santander, España, diciembre 2004.

UNNE, N. I. Basterra, M. A. Valiente, and G. Glibota. Evaluación del riesgo ambiental

por inundación con SIG del valle fluvial del Rı́o Paraná próximo a los núcleos urbanos
de Resistencia y Corrientes-Centro de Gestión Ambiental y Ecologı́a - CEGAE - Uni-
versidad Nacional del Nordeste. http://www.unne.edu.ar/, Consultado: 6 de febrero de
2010.

J. P. M. Vide. Modelos Fı́sicos de Rı́os en lecho fi-

jo y móvil - Universidad Politécnica de Cataluña.
http://www.imta.gob.mx/potamologia/images/docs/evento/JuanPedroMartinVide2.
pdf, Consultado: 8 de febrero de 2013.

Wikipedia. Wikipedia. http://es.wikipedia.org/wiki/, 2013.

F. Wyffels and B. Schrauwen. A comparative study of Reservoir Computing strategies

for monthly time series prediction. Neurocomputing, march 2010.

M. E. Zorrilla Pantaleón. Procesamiento Paralelo y Distribuido aplicado al Almacenamien-

to y Recuperación de Información Documental. PhD thesis, Universidad de Cantabria,
España, 2001.

212
Índice de figuras

1. Atardecer en el rı́o Paraná. . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2. Atardecer en el rı́o Paraná. . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3. Ubicación de la Provincia de Corrientes en la República Argentina. . . . . 10
4. Imagen satelital de la región mesopotámica donde se ubica la provincia de
Corrientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5. Rı́o Paraná en la Costanera de Corrientes, Foto Izq.: con altura y caudal
normal y Foto Drcha.: con altura y caudal en una gran inundación. . . . . 11

1.1. Caracterı́sticas comparativas de los fenómenos de El Niño y La Niña. . . . 18

1.2. Una cuenca de drenaje es la zona de tierra drenada por una corriente y sus
afluentes. Las divisorias son los lı́mites que separan las cuencas de drenaje.
Fuente: AGUSUP-21. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3. Representación esquemática del comportamiento hidrológico de una cuenca. 22
1.4. Formas de Cuencas y Coeficiente de Compacidad asociados. . . . . . . . . 23
1.5. Mapa de la Cuenca del Plata, que comprende territorios pertenecientes a
Argentina, Bolivia, Brasil y Uruguay y la totalidad del territorio de Paraguay. 24
1.6. Ubicación de las Represas de Itaipú y de Yacyretá, en el curso del rı́o Paraná. 26
1.7. Fuente: Oficina de asistencia al exterior en casos de desastres OFDA de los
EE.UU./ Centro de Investigaciones sobre la epidemiologı́a de los desastres
CRED; IFRC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.8. Valle fluvial Rı́o Paraná aledaño a Corrientes, Foto Izq.:imagen Land-
sat 5 TM del 04/05/1998. Altura Rı́o Paraná en Puerto Corrientes =
8.38m. Fuente: www.conae.gov.ar. Foto Dcha.: imagen Landsat 5 TM del
02/09/2007. Altura Rı́o Paraná en Puerto Corrientes = 2.63m. Fuente:
www.inpe.br. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.1. Ejemplo de Procesos Estocásticos: Temperaturas Máximas y Mı́nimas dia-

rias de la ciudad de Corrientes en el año 1998. . . . . . . . . . . . . . . . . 34
2.2. Clasificación de Procesos Estocásticos. . . . . . . . . . . . . . . . . . . . . 35
2.3. Procesos Estocásticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4. Ejemplo de Procesos Deterministas Caóticos: Comportamiento de Merca-
dos. Fuente: [Ball, 2013]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

213
2.5. Modelo Fı́sico del rı́o Mero, (La Coruña-España), con el objetivo de hidro-
dinámica (flujo complejo) y altura de inundación. Fuente: [Vide, 2013]. . . 39
2.6. Series Temporales: Gráfica de la Evolución del paro en España. Fuente:
[Sánchez Fernández, 2004]. . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.7. Series Temporales: Tabla de datos de la Evolución del paro en España.
Fuente: Servidor Web INE, en [Sánchez Fernández, 2004]. . . . . . . . . . 50
2.8. Series Temporales: Gráfica de la Evolución del paro en España conjunta-
mente con la Tendencia de la serie. Fuente: [Sánchez Fernández, 2004]. . . 51
2.9. Descripción de una neurona natural. . . . . . . . . . . . . . . . . . . . . . 54
2.10. Comparación entre neurona natural y neurona artificial. . . . . . . . . . . . 55
2.11. La función logı́stica de 0 a 1. . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.12. La función tangente hiperbólica de −1 a 1. . . . . . . . . . . . . . . . . . . 56
2.13. Descripción de una Neurona Artificial. . . . . . . . . . . . . . . . . . . . . 57
2.14. Descripción de una Red Neuronal Artificial. . . . . . . . . . . . . . . . . . 58
2.15. Arquitecturas de redes neuronales artificiales. . . . . . . . . . . . . . . . . 58
2.16. Ejemplo de una red neuronal que realiza un diagnostico médico. . . . . . . 59
2.17. Conexiones hacia delante. . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.18. Conexiones laterales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.19. Conexiones hacia atrás o recurrentes. . . . . . . . . . . . . . . . . . . . . . 61
2.20. Sobreajuste de Redes Neuronales. Fuente: [Gutiérrez, 2013]. . . . . . . . . 63
2.21. Ilustración de la regla de detención temprana basada en la validación cru-
zada. Fuente: [Fiszelew, 2013]. . . . . . . . . . . . . . . . . . . . . . . . . 64
2.22. Descripción de una red neuronal artificial multicapa. . . . . . . . . . . . . 69
2.23. Estructura del Perceptrón. . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.24. Capas de un Perceptrón. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.25. Aprendizaje Hebbiano del Perceptrón. . . . . . . . . . . . . . . . . . . . . 71
2.26. Red de Hopfield. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.27. Arquitectura de las Redes FTDNN, donde TDL son retardos asociados. . . 74
2.28. Red neuronal FTDNN: Alturas Hidrométricas Pto. Iaguazú, Posadas e Itatı́. 74
2.29. Red neuronal NAR: Alturas Hidrométricas de Corrientes. . . . . . . . . . . 74
2.30. Red neuronal NARXIP: Serie Alturas Hidrométricas de Corrientes, siendo
las entradas asociadas las Alturas Hidrométricas Pto. Iaguazú, Posadas e
Itatı́. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.31. Diagrama de las Redes NARX, donde TDL son retardos asociados a varia-
bles de entrada y otros asociados a la propia respuesta de la red. . . . . . . 76
2.32. Arquitectura de las Redes NARX, donde TDL son retardos asociados. . . . 76
2.33. Redes Profundas: Estructura con varias capas ocultas. . . . . . . . . . . . . 77
2.34. Redes Profundas: Autocodificador. . . . . . . . . . . . . . . . . . . . . . . 78

214
2.35. Cadena de ADN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.36. Descripción del Algoritmo Genético. . . . . . . . . . . . . . . . . . . . . . . 81
2.37. Descripción de un Cruce en los Algoritmos Genéticos. . . . . . . . . . . . . 81
2.38. Detalle de Cromosona, Gen y Alelo. . . . . . . . . . . . . . . . . . . . . . . 82
2.39. Operación de Cruce. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.40. Operación de Mutación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.41. Diagrama del Algoritmo Genético Simple o Canónico. . . . . . . . . . . . . 84

3.1. Variaciones de alturas hidrométricas del rı́o Paraná en la localidad de Co-

rrientes en el perı́odo 1989-2008. . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2. Comparacion de alturas hidrométricas del rı́o Paraná en la localidad de
Corrientes en perı́odos normales y de inundaciones. . . . . . . . . . . . . . 91
3.3. Comparación de alturas hidrométricas del rı́o Paraná en la localidad de
Corrientes en los perı́odos de picos de inundación. . . . . . . . . . . . . . . 92
3.4. Representación esquemática de las fases de aguas altas y bajas en el rı́o
Paraná. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.5. Variaciones hidrométricas del rı́o Paraná en el Puerto de Corrientes desde
enero de 1998 hasta enero de 2006, [Neiff, 1999]. . . . . . . . . . . . . . . 94
3.6. Representación esquemática de un Pulso de Inundación del rı́o Paraná,
[Neiff, 1999]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.7. Alturas hidrométricas del rı́o Paraná en la localidad de Corrientes en el
perı́odo 1989-2008 y lı́nea de tendencia aproximada por medias móviles de
orden 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.8. Alturas hidrométricas del rı́o Paraná en el Puerto de Corrientes en el
perı́odo de Inundación de 1991-1992 y lı́nea de tendencia aproximada por
medias móviles de orden 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.9. Alturas hidrométricas del rı́o Paraná en el Puerto de Corrientes en el
perı́odo de Inundación de 1991-1992 y lı́nea de tendencia aproximada por
medias móviles de orden 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.10. Recurrencia de Inundaciones según Alturas Hidrométricas Máximas. . . . . 97
3.11. Histograma mensual de alturas hidrométricas del rı́o Paraná en a localidad
de Corrientes en el perı́odos de 1989 a 2008. . . . . . . . . . . . . . . . . . 98
3.12. Histograma anual de alturas hidrométricas del rı́o Paraná en la localidad
de Corrientes en el perı́odos de 1989 a 2008. . . . . . . . . . . . . . . . . . 99
3.13. Frecuencias de alturas hidrométricas del rı́o Paraná en la localidad de Co-
rrientes en el perı́odos de 1989 a 2008. . . . . . . . . . . . . . . . . . . . . 100
3.14. Alturas y Cuadales de perı́odos de Inundaciones en la localidad de Corrientes.100
3.15. Cuadro Comparativo de Estadı́sticos de las Alturas Hidrométricas del rı́o
Paraná en la localidad de Corrientes. . . . . . . . . . . . . . . . . . . . . . 101

215
4.1. FreeFore: Datos Meteorológicos y Alturas Hidrommétricas del rı́o en la
localidad de Corrientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2. FreeFore: Errores del modelo generado, al pronosticar la Altura del rı́o en
Corrientes con 7 dı́as de antelación. . . . . . . . . . . . . . . . . . . . . . . 108
4.3. Herramienta de Identificación de Sistemas de Matlab-Datos Meteorológicos
y Altura Hidrométricas del rı́o en la localidad de Corrientes y el modelo
Autorregresión seleccionado, que será aplicado. . . . . . . . . . . . . . . . . 109
4.4. Errores de predicción de Altura del Rı́o: Gráfico Izq.: a 3 dı́as y Gráfico
Dcho.: a 5 dı́as. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.5. FreeFore: Datos de Alturas y Cuadales en las estaciones de Puerto Iguazú,
Posadas, Itatı́ y Corrientes. . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.6. FreeFore: Errores del modelo generado, al pronosticar la Altura del rı́o en
Corrientes con 7 dı́as de antelación. . . . . . . . . . . . . . . . . . . . . . . 112
4.7. Herramienta de Identificación de Sistemas de Matlab-Datos de Alturas y
Cuadales en las estaciones de Puerto Iguazú, Posadas, Itatı́ y Corrientes. . 114
4.8. Errores de predicción de Altura del Rı́o: Gráfico Izq.: a 3 dı́as y Gráfico
Dcho.: a 5 dı́as. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

5.1. Matlab-NNTool: Ventana de NNTool, con la RN y los datos usados en la

generación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.2. Matlab-NNTool: Ventana de Creación de la red neuronal, donde se indican
datos y se configuran las funciones y la estructura de la red neuronal. . . . 119
5.3. Matlab-NNTool: Estructura de a Red Neuronal. . . . . . . . . . . . . . . . 120
5.4. Matlab-NNTool: Entrenamiento de la Red Neuronal, indicando los archivos
de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.5. Matlab-NNTool: gráficas con los resultados del entrenamiento de la RN,
función de entrenamiento Trainbr. . . . . . . . . . . . . . . . . . . . . . . . 121
5.6. Resultados y errores al realizar pronóstico a 3 dı́as de Altura del rı́o en
Corrientes, con RNH643, entrenada con datos de Alturas Hidrométricas y
RNHQ643, entrenada con datos de Alturas y Caudales del rı́o. . . . . . . . 122
5.7. Tabla comparativa de la penalización de Errores con la Función Cuadrática
y la Función de Penalización Propuesta. . . . . . . . . . . . . . . . . . . . 125
5.8. Gráfico de la función de Penalización, que penaliza los errrores cuando
mayor es la altura del rı́o. . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.9. Gráfico de la función Cuadrática. . . . . . . . . . . . . . . . . . . . . . . . 126
5.10. Errores obtenidos al implementar la RN con la Función de Penalización
propuesta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.11. Archivo con datos combinados de 2 perı́odos de inundaciones. . . . . . . . 129
5.12. Errores obtenidos al implementar la RN con la Función de Penalización
propuesta y entrenada con Archivos Combinados. . . . . . . . . . . . . . . 130
5.13. Errores Comparativos de Predicción a 3 dı́as en perı́odos de Inundación. . . 131

216
6.1. Matlab - Herramienta de Redes Neuronales - NNStart. . . . . . . . . . . . 135
6.2. Matlab - Herramienta de Redes Neuronales - NNStart. . . . . . . . . . . . 135
6.3. Matlab-NNStart-NAR: Izq.:Ingreso archivo de datos de alturas de la Ciu-
dad de Corrientes. Dcha.: Selección de porcentaje de datos de Entremiento,
Testeo y Validación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6.4. Matlab-NNStart-NAR: Izq.: Determinación de las neuronas de la capa ocul-
ta y el retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados
obtenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
6.5. Red neuronal NAR: Visualización del Entrenamiento y Resultados. . . . . 138
6.6. Red neuronal NAR: Rendimiento del Entrenamiento. . . . . . . . . . . . . 139
6.7. Red neuronal NAR: Histograma de Errores de Entrenamiento. . . . . . . . 139
6.8. Red neuronal NAR: Gráficos de Regresión. . . . . . . . . . . . . . . . . . . 140
6.9. Red neuronal NAR: Gráficos de Resultados y Errores por tiempo de entre-
namiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.10. Red neuronal NAR: Autocorrelación de Error. . . . . . . . . . . . . . . . . 141
6.11. Red neuronal NARPIR: Errores de Predicción a 7 dı́as. . . . . . . . . . . . 143
6.12. Red neuronal NARSIR: Errores de Predicción a 7 dı́as. . . . . . . . . . . . 144
6.13. Red neuronal NARIR: Error de Predicción a 7 dı́as . . . . . . . . . . . . . 149
6.14. Errores de predicción comparados entre redes de estructura NAR. . . . . . 150
6.15. Resultados de predicción con NARIR. . . . . . . . . . . . . . . . . . . . . . 150
6.16. Matlab-NNStart-NARX:: Izq.:Ingreso archivo de datos de alturas de la Ciu-
dad de Corrientes. Dcha.: Selección de porcentaje de datos de Entremiento,
Testeo y Validación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.17. Matlab-NNStart: Izq.: Determinación de las neuronas de la capa oculta
y el retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados
obtenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.18. Red neuronal NARX: Visualización del Entrenamiento y los Resultados. . . 152
6.19. Red neuronal NARX: Rendimiento del Entrenamiento. . . . . . . . . . . . 153
6.20. Red neuronal NARX: Histograma de los Errores de Entrenamiento. . . . . 153
6.21. Red neuronal NARX: Gráficos de Regresión. . . . . . . . . . . . . . . . . . 154
6.22. Red neuronal NARX: Gráficos de Resultados y Errores por tiempo de en-
trenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.23. Red neuronal NARX: Error de Autoregersión. . . . . . . . . . . . . . . . . 155
6.24. Red neuronal NARXPIR: Error de Predicción a 7 dı́as. . . . . . . . . . . . 162
6.25. Red neuronal NARXSIR: Error de Predicción a 7 dı́as. . . . . . . . . . . . 163
6.26. Red neuronal NARXIR: Error de Predicción a 7 dı́as . . . . . . . . . . . . 164
6.27. Errores de Predicción comparados entre redes de estructura NARX. . . . . 165
6.28. Resultados de predicción con la red NARXIR. . . . . . . . . . . . . . . . . 165

217
6.29. Red neuronal NARXMultiCtes: Evolución del Entrenamiento y Resultados. 166
6.30. Red neuronal NARXMultiCtes: Rendimiento del Entrenamiento. . . . . . . 167
6.31. Red neuronal NARXMultiCtes: Histograma de los Errores de Entrenamiento.167
6.32. Red neuronal NARXMultiCtes: Gráficos de Regresión. . . . . . . . . . . . 168
6.33. Red neuronal NARXMultiCtes: Gráficos de Resultados y Errores por tiem-
po de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.34. Red neuronal NARXMultiCtes: Autocorrelación de Error. . . . . . . . . . 170
6.35. Red neuronal NARXMultiCtes: Error de Predicción a 7 dı́as . . . . . . . . 171
6.36. Red neuronal NARXMultiCtes: Resultados de Predicción. . . . . . . . . . 172
6.37. Red neuronal FTDNN: Alturas Hidrométricas Pto. Iaguazú, Posadas e Itatı́.173
6.38. Red neuronal FTDNN: Resultados del Entrenamiento. . . . . . . . . . . . 174
6.39. Red neuronal NAR: Alturas Hidrométricas de Corrientes. . . . . . . . . . . 175
6.40. Red neuronal NAR: Resultados del Entrenamiento. . . . . . . . . . . . . . 176
6.41. Red neuronal NARX Multicapa: Red cuyas entradas son las salidas de las
redes NRTOtEst y NARCtes, estructura y resultados de la primer etapa
de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
6.42. Red neuronal FtdnnNarNarxMCtes: Red cuyas entradas son las salidas de
las redes NRTOtEst y NARCtes, detalle de la estructura con lazo de retro-
alimentación cerrado y los resultados de la segunda etapa de entrenamiento.180
6.43. Red neuronal FtdnnNarNarxMCtes: Rendimiento del Entrenamiento. . . . 181
6.44. Red neuronal FtdnnNarNarxMCtes: Histograma de los Errores de Entre-
namiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
6.45. Red neuronal FtdnnNarNarxMCtes: Gráficos de Regresión. . . . . . . . . . 182
6.46. Red neuronal FtdnnNarNarxMCtes: Gráficos de Resultados y Errores por
tiempo de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
6.47. Red neuronal FtdnnNarNarxMCtes: Autocorrelación de Error. . . . . . . . 183
6.48. Red neuronal FtdnnNarNarxMCtes: Error de Predicción a 7 dı́as . . . . . . 184
6.49. Red neuronal FtdnnNarNarxMCtes: Resultados de Predicción. . . . . . . . 185
6.50. Red neuronal NlpNarxMCtes: Red resultante de la integración de una red
NLP y tres redes NARX Multicapa, visualización de estructura final y
resultados del entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.51. Red neuronal NlpNarxMCtes: Rendimiento del Entrenamiento. . . . . . . . 195
6.52. Red neuronal NlpNarxMCtes: Histograma de los Errores de Entrenamiento. 195
6.53. Red neuronal NlpNarxMCtes: Gráficos de Regresión. . . . . . . . . . . . . 196
6.54. Red neuronal NlpNarxMCtes: Gráficos de Resultados y Errores por tiempo
de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
6.55. Red neuronal NlpNarxMCtes: Autocorrelación de Error. . . . . . . . . . . 198
6.56. Red neuronal NlpNarxMCtes: Error de Predicción a 7 dı́as . . . . . . . . . 199

218
6.57. Red neuronal NlpNarxMCtes: Resultados de Predicción. . . . . . . . . . . 200
6.58. Errores Comparativos de Predicción a 7 dı́as con diferentes Redes Neuronales200

7.1. Pulso: alturas hidrométricas de la localidad de Corrientes, perı́odo de 1989

a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
7.2. Pulso: alturas hidrométricas de la localidad de Corrientes, perı́odo de 1989
a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
7.3. Pulsos detectados en el perı́odo de años de 1989 a 2009. . . . . . . . . . . . 204
7.4. Pulso - Prisma: Alturas Hidrométricas de la localidad de Corrientes, perı́odo
de 1989 a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
7.5. Pulso: Alturas Hidrométricas de la localidad de Corrientes, perı́odo de 1989
a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
7.6. Comparación de Errores de Predición. . . . . . . . . . . . . . . . . . . . . 206

219
220
Índice alfabético
algoritmos evolutivos, 33, 80
algoritmos genéticos, 33, 65, 80, 81, 201, 202
altura hidrométrica
media, 111
alturas hidrométricas, 31, 74, 86–88, 90, 95–
98, 105, 117, 133, 135, 136, 140, 141,
145–147, 154, 156–158, 160, 169, 170,
173, 185, 186, 188, 201–203, 207, 208
media, 111
aprendizaje, 133, 145, 156, 185, 186
aproximación, 44, 65, 66, 68, 75
arquitecturas de red, 69, 185
aspectos hidrológicos, 15
capas, 21
caudal
medio, 111
caudales, 9, 20, 21, 30, 40, 42, 43, 98, 99, modelos, 31, 33, 38, 39, 43–48, 52–55, 61,
105, 111, 113–116, 120, 121, 128
cuenca, 15, 19–25, 27, 33, 42, 43, 46, 47, 52,
98, 99, 208
del Paraná, 23, 24, 28
del Plata, 15, 20, 23, 24
hidrográfica, 15, 20, 21, 23
distribución, 33, 34, 42–44, 53, 87–90, 201
entrenamiento, 60–64, 67, 68, 71, 72, 75, 118,
119, 122, 123, 126, 127, 129, 136,
147, 148, 160
error, 53, 60–68, 71, 73, 78, 108, 110, 113,
115–121, 123, 124, 130, 131, 136, 137,
141, 142, 146–148, 156, 207, 208
por defecto, 142, 146, 156, 159, 169, 182,
197, 198
por exceso, 142, 146, 156, 159, 169, 182,
197, 198, 202
promedio, 130, 131, 142, 146, 147, 156,
159, 169, 182, 197, 198
estadı́sticos, 18, 86–90, 99
estructuras, 28, 33, 44, 106, 117, 208
frecuencia, 52, 79, 92, 93, 96–98
221
FreeFore, 106, 108, 109
función de activación, 55, 57, 61
función de penalización, 117, 124, 126, 127,
130, 131, 207
inundaciones, 7, 9, 11, 12, 15, 17, 19, 26–30,
38, 39, 44, 52, 86, 87, 89, 90, 92, 93,
95, 96, 98–100, 111, 119, 129–131,
140, 145, 147, 154, 156, 157, 159,
160, 170, 186, 188, 201, 203, 207, 208
Matlab, 114, 115, 121, 122, 124, 125, 133,
134
GUI, 106
NNStart, 134, 136, 147, 159
NNTool, 117, 128
meteorológicas, 17, 19, 30, 106–111, 207
62, 67, 68, 73, 76, 85, 106, 109, 111,
114, 133, 201, 202
hidrológicos, 12
ARIMA, 53
fı́sicos, 33
Hidrológicos, 7
hidrológicos, 17, 33, 43, 46, 122, 207
redes neuronales, 133
series temporales, 31, 61, 105
predicción, 15–19, 27, 29, 31, 36, 49, 73,
75, 105, 111, 117, 121, 131, 133–135,
147, 149, 150, 159, 164, 165, 169,
170, 172, 184, 185, 197, 201, 202,
207, 208
corto plazo, 17, 31, 117, 197, 202, 207,
208
mediano plazo, 12, 18, 31, 131, 133, 202,
208
resultados, 31
predicciones
meteorológicas, 15
Prisma, 201, 202
Procesos Deterministas Caóticos, 33, 37
Procesos Estocásticos, 33–35, 53
Pulso, 202
Pulso 2, 201, 202

rı́o Paraná, 7, 9, 11, 12, 15, 25, 28–31, 52, 73,

85–90, 93, 96, 98–100, 105, 106, 117,
122, 125, 128, 129, 131, 133, 134,
140, 141, 154, 156, 201, 207, 208
recurrencia, 28, 40, 85, 93, 96, 99
redes neuronales, 7, 31, 33, 54, 55, 58–61,
64, 65, 72, 76–78, 117–119, 121–124,
126, 131, 133–135, 147, 169, 170, 185,
197, 202, 207, 208
autocodificadores, 77, 78, 182, 185, 186,
188
capas, 58, 59, 61, 69, 75–78, 117, 121–
123, 159, 175, 185, 186, 188, 191
dinámicas, 33, 72, 135
estáticas, 33, 68
FTDNN, 33, 75, 133, 169, 170, 197
modificadas, 7
NAR, 33, 73–75, 133–135, 140, 146, 147
NARX, 33, 75, 133, 147, 156, 158, 159
NARX Multicapa, 133, 160, 170, 175,
185, 186, 188, 191, 197, 198
neurona, 54, 55
NLP, 133, 185, 186, 198
perceptrón, 16, 33, 58, 63, 67, 69, 71,
122
profundas, 76–78, 182

series temporales, 7, 31, 33, 48–50, 53, 61,

73, 105, 125, 134, 136, 147, 154, 207
Sistemas Inteligentes, 7, 12, 17, 207

tendencia, 49–52, 62, 85, 93–95, 202

testeo, 85, 129, 133, 136, 146, 147, 158, 160,
188

validación, 29, 31, 63, 64, 85, 107, 109, 111,

114, 127, 129, 136, 146, 147, 158, 160

222