Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Presentada en el:
................................................................... ........................................
Presidente: Nombres y Apellidos
................................................................... ......................................
Secretario: Nombres y Apellidos
................................................................... .......................................
Vocal: Nombres y Apellidos
Calificación:
.......................................
Agradecimientos 5
Resumen 7
Prólogo 9
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
2
II Implementación y Validación de las Aportaciones Propues-
tas 103
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
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.
5
6
Resumen
7
8
Prólogo
9
Figura 3: Ubicación de la Provincia de Corrientes en la República Argentina.
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.
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
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.
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.
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/.
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).
18
1.2.3. Predicciones Meteorológicas Estacionales Regionales
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]:
19
1.3. Aspectos Hidrológicos de la Región
Exorreicas: drenan sus aguas al mar o al océano. Un ejemplo es la cuenca del Plata,
en Argentina.
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.
P
Kc = 0, 28 √ (1.1)
A
donde:
22
Figura 1.4: Formas de Cuencas y Coeficiente de Compacidad asociados.
B A
Kf = √ = √ (1.2)
Lc Lc2
donde:
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.
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.
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 .
Superior o Alto Paraná: desde el nacimiento hasta la confluencia del rı́o Paraguay,
1.550 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.
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 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.
27
ello, las medidas estructurales para la reducción del riesgo de inundación presentan
normalmente un doble papel.
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.
2. Evaluación del riesgo ambiental por inundación con SIG del valle fluvial del rı́o
Paraná próximo a los núcleos urbanos de Resistencia y Corrientes
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
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
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.
33
en la gráfica de la Figura (2.1).
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.
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:
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 ].
35
Figura 2.3: Procesos Estocásticos.
36
El saber cómo se comportan las trayectorias.
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 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.
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:
Estructura Interna: depende del tipo de modelo y permite definir una correspon-
dencia entre entrada y salida, pudiendo ser:
37
Figura 2.4: Ejemplo de Procesos Deterministas Caóticos: Comportamiento de Mercados.
Fuente: [Ball, 2013].
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]:
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.
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:
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:
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:
t tiempo,
41
y cota de la superficie de la lámina de agua (m),
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]:
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] :
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.
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.
43
Modelos Hidrodinámicos
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.
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]:
Presión hidrostática
Fuerza de Coriolis
TUFLOW : Modelo distribuido por Scientific Software Group con una interfaz simi-
lar a la del paquete Riverine.
45
Modelos de Cuencas y Redes Fluviales
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.
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.
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.
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].
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.
1. Análisis: El objetivo del análisis es resumir las propiedades de una serie y remarcar
sus caracterı́sticas salientes, pudiendo hacerse tanto:
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]:
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.
Modelo Aditivo
y t = T t + V E t + C t + Rt
52
Modelo Multiplicativo
yt = (Tt ) ∗ (V Et ) ∗ (Ct ) ∗ (Rt )
53
2.4.3. Redes Neuronales
Redes Neuronales Artificiales
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.
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):
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.
57
Figura 2.14: Descripción de una Red Neuronal Artificial.
Arquitecturas de Red
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.
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.
60
Figura 2.19: Conexiones hacia atrás o recurrentes.
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].
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.
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
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]:
62
Figura 2.20: Sobreajuste de Redes Neuronales. Fuente: [Gutiérrez, 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.
63
Figura 2.21: Ilustración de la regla de detención temprana basada en la validación cruzada.
Fuente: [Fiszelew, 2013].
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.
dn+1
i = −gin+1 + βdni (2.12)
donde:
P
gjn+1 (gjn+1 − gjn )
β= P (2.13)
dnj (gjn+1 − gjn )
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
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:
H = J T J + µI (2.16)
donde
d = −H̃g (2.17)
donde:
g, es el vector gradiente
d = pn − pn−1 (2.18)
1
A= (2.19)
d(gn − gn−1 )
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]:
Que todos los puntos de la muestran tengan su error por debajo de un umbral.
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]:
donde:
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:
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:
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.
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.
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)
1 X p bp 2
E(w) = bi − bi (2.25)
2 i,p
∂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
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].
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
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
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.
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.
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.
76
Figura 2.33: Redes Profundas: Estructura con varias capas ocultas.
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).
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),
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].
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.
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.
80
Figura 2.36: Descripción del Algoritmo Genético.
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.
82
El Algoritmo Genético Simple
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
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.
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.
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.
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
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.
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
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.
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
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.
3.4. 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]:
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.
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].
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.
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.
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.
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.
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.
99
Figura 3.13: Frecuencias de alturas hidrométricas del rı́o Paraná en la localidad de Co-
rrientes en el perı́odos de 1989 a 2008.
100
Figura 3.15: Cuadro Comparativo de Estadı́sticos de las Alturas Hidrométricas del rı́o
Paraná en la localidad de Corrientes.
101
102
Parte II
103
104
Capı́tulo 4
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.
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.
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.
Precipitacion (mm)
Temperatura Máxima (o C)
Temperatura Mı́nima (o C)
Temperatura Media (o C)
Humedad Relativa ( %)
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.
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):
107
Figura 4.2: FreeFore: Errores del modelo generado, al pronosticar la Altura del rı́o en
Corrientes con 7 dı́as de antelación.
T , es el tiempo,
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.
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):
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:
t, es el tiempo,
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.
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:
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.
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)
t, es el tiempo,
u, es cada una de las variables de Altura y Caudal de Puerto Iguazú, Posadas, Itatı́ y
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
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
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.
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.
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.
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.
120
Figura 5.5: Matlab-NNTool: gráficas con los resultados del entrenamiento de la RN, fun-
ción de entrenamiento Trainbr.
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)
3. Radiales: newgrnm(P, T )
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:
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:
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.
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.
red1=newff(entred,salred,5);
125
Figura 5.9: Gráfico de la función Cuadrática.
donde:
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,
red1.trainFcn=’trainbfg’;
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:
red1 : estructura de red neuronal que ha sido definida y que se usará en el entrena-
miento,
salred : es el archivo con las salidas que debe aprender la red neuronal en el entre-
namiento en base al archivo de entrada.
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.
128
4. AItati3 : Itatı́ con 3 dı́as de retardo
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.
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).
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.
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.
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.
131
132
Capı́tulo 6
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.
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.
Para chequear las redes que se generan en esta etapa de investigación se seguirán los
siguientes pasos:
NARX
NAR
134
Figura 6.1: Matlab - Herramienta de Redes Neuronales - NNStart.
135
localidad, con los datos de la misma estación.
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.
137
Figura 6.5: Red neuronal NAR: Visualización del Entrenamiento y Resultados.
138
Figura 6.6: Red neuronal NAR: Rendimiento del 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:
140
Figura 6.9: Red neuronal NAR: Gráficos de Resultados y Errores por tiempo de entrena-
miento.
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.
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:
C1=[PICorrientes];
P1=[PIPesoCtes];
C2=[SICorrientes];
P2=[SIPesoCtes];
CP=tonndata(C1,false,false);
CS=tonndata(C2,false,false);
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
% 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);
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.
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:
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.
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.
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:
154
Figura 6.22: Red neuronal NARX: Gráficos de Resultados y Errores por tiempo de entre-
namiento.
155
NARXSIR: entrenada con datos de la Inundación de 1997-1998:
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.
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.
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
% 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];
CP=tonndata(C1,false,false);
CS=tonndata(C2,false,false);
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
inputDelays = 1:6;
feedbackDelays = 1:6;
hiddenLayerSize = 10;
net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize);
% 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)
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.
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:
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:
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);
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.
165
Figura 6.29: Red neuronal NARXMultiCtes: Evolución del Entrenamiento y Resultados.
166
Figura 6.30: Red neuronal NARXMultiCtes: Rendimiento del 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.
169
Figura 6.34: Red neuronal NARXMultiCtes: Autocorrelación de Error.
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.
X = inputSeries;
% 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.
El código siguiente genera una red neuronal con retroalimentación con estructura NAR,
que será entrenada con las alturas hidrométricas de la localidad de Corrientes.
% 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.
174
Figura 6.39: Red neuronal NAR: Alturas Hidrométricas de Corrientes.
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.
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).
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;
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 entrena la Red
[redRP3,tr] = train(redRP3,inputs,targets,inputStates,layerStates);
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;
% Test de la Red
outputs3 = redRP3(inputs,inputStates,layerStates);
performance3 = perform(redRP3,targets,outputs3);
errors3 = gsubtract(targets,outputs3);
FtdnnNarNarxMCtes = redRP3;
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.
181
Figura 6.45: Red neuronal FtdnnNarNarxMCtes: Gráficos de Regresión.
182
Figura 6.46: Red neuronal FtdnnNarNarxMCtes: Gráficos de Resultados y Errores por
tiempo de entrenamiento.
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:
• 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.
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:
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];
maxt=max(t);
pesc=(p-dmin)./ddp;
opc.batchsize=23;
opc.numepochs=67;
paj=pesc;
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:
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.
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);
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;
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP1,inputSeries,{},targetSeries,ew);
189
% Test the Network
outputs1 = redRP1(inputs,inputStates,layerStates);
performance1 = perform(redRP1,targets,outputs1);
errors1 = gsubtract(targets,outputs1);
redRP2.layers{1}.transferFcn=’logsig’;
redRP2.layers{2}.transferFcn=’logsig’;
redRP2.layers{3}.transferFcn=’logsig’;
redRP2.layers{4}.transferFcn=’logsig’;
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;
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP2,inputSeries,{},targetSeries,ew);
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:
191
% Especificación de los retardos
inputDelays = 1:6;
feedbackDelays = 1:6;
redRP3.layers{1}.transferFcn=’logsig’;
redRP3.layers{2}.transferFcn=’logsig’;
redRP3.layers{3}.transferFcn=’logsig’;
redRP3.layers{4}.transferFcn=’logsig’;
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;
192
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP3,inputSeries,{},targetSeries,ew);
% 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);
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.
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.
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
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].
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.
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.
205
Figura 7.6: Comparación de Errores de Predición.
206
Conclusiones
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:
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
G. Anthes. Deep learning, comes of age. Communications of the ACM, june 2013.
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.
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.
X. L. Pham, D.T. Neural Networs for Identi?cation, Prediction and Control. Springer-
Verlag, London, Great Britain, 1995.
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.
212
Índice de figuras
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
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
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
219
220
Índice alfabético
221
Procesos Estocásticos, 33–35, 53
Pulso, 202
Pulso 2, 201, 202
222