Medición y Toma de datos (campañas de toma de datos)

- Estimación de variables hidrodinámicas

 Información a emplear
- Variables de interés: (primero se describen cuales variables pueden ser sujetas a
medición). (Capítulo 2). Ejemplos para el caso de ríos:
o Nivel (interfaz agua-aire)
o Bajos (interfaz agua-tierra)
o Márgenes
o Velocidades
o Estelas
o Rugosidad

Para el caso costero:

o Altura de ola
o Periodo
o Dirección
o Corrientes longitudinales
o corrientes transversales
o Run up
o Tensor de radiación

Se debe entonces desarrollar una metodología para la toma de datos que permita
cuantificar, cada una de estas variables, a una escala espacio-temporal adecuada en
función de las características del fenómeno físico que se desea estudiar. El problema
de cuantificar estas variables se convierte en un problema de tratamiento digital que
busca fundamentalmente detectar objetos, contornos y flujo en movimiento. Las
técnicas implementadas desarrolladas e implementadas son encaminadas hacia la
toma de datos que permita, de manera segura, detectar flujo en movimiento, medir
velocidades superficiales de flujo en el caso de los ríos y celeridad de la onda y periodo
en el caso costero.

Una Consideración adicional sobre la toma de datos, es la frecuencia de toma de

datos, que depende de las características topológicas del cauce objeto de estudio y de
la respuesta de este ante un evento fuerte de precipitación. Si el nivel del río cambia
rápidamente, sería necesario tomar datos a una mayor frecuencia de modo tal que sea
posible detectar la evolución de estos cambios en el tiempo y cuantificar
adecuadamente las velocidades y los caudales máximos presentados durante el
evento.

- Componentes del sistema de toma de datos: Se describir los distintos elementos que
constituyen un sistema de toma de datos y que fueron usados en el proceso de
 medición y otros componentes requeridos para la funcionalidad del sistema, los cuales
dependen de las características físicas y ambientales del sitio.
o Técnicas DOPPLER y técnicas radar
 Tecnología ADCP (Acoustic Doppler Current Profiler)
 Tecnología Radar UHF (Ultra Hight Frequency)
o Técnicas de medición basadas en sistemas de videos

- Información a emplear y datos medidos: Finalmente se presentan los datos obtenidos

en las diferentes campañas de toma de datos, efectuadas tanto en ambiente de
laboratorio, como de campo (directamente en los ríos). Los datos medidos serán de
gran utilidad para la aplicación y validación de los algoritmos desarrollados, cuyos
fundamentos teóricos deben ser presentados. (Capítulo 3).

Se deben presentar las características del sitio, y los datos recogidos en la campaña de
campo, especificando las medidas de caudales y velocidades, obtenidas a partir de las
técnicas utilizadas (en campañas de Campo y Laboratorio).
o Descripción del sitio
o Datos medidos en campo y resultados del Aforo
o Toma de imágenes de video y puntos de control sobre la imagen Diseño del
sistema
Ver: http://www.bdigital.unal.edu.co/2007/1/71379851.2010.pdf Pagina 56 - 85
 http://www.metropol.gov.co/recursohidrico/Informes/INFORMES
%20EJECUTIVOS/INFORME%20EJECUTIVO%20REDR%C3%8DO%20FASE%20III
%202009-2011.pdf
Características técnicas - Dispositivos Móviles de Medición de Caudales – Software
para tratamiento y visualización de los datos. http://www.ott.com/es-
la/productos/download/catalogo-caudal-dispositivos-moviles-de-medicion/

series temporales

Una serie de tiempo es un conjunto de datos obtenidos a partir de la observación de un

fenómeno determinado durante periodos de tiempos iguales, representando el cambio de
una variable especifica de tipo económico, físico, químico, financiero, biológico, entre otros.

Cuando se trabaja con series temporales, una de las tareas más importantes es la de
predecir los datos futuros de la serie, es decir, a partir de los datos del pasado proyectar
los valores que tomará la variable determinada. Para llevar a cabo esta actividad se
construye un modelo matemático que capture, total o parcialmente las características de
esta, por ejemplo, los modelos ARIMA. Estos, son modelos auto-regresivos integrados de
medios móviles y han demostrado gran utilidad en la predicción a corto plazo de series de
alta frecuencia. En contraste a los modelos ARIMA y métodos estadísticos, las redes
neuronales artificiales son consideradas más robustas, especialmente en la representación
de relaciones complejas que exhiben comportamientos no lineales.

Las Redes Neuronales Artificiales (RNA) son sistemas de procesamiento de la información

cuya estructura y funcionamiento están inspirados en las redes neuronales biológicas. En
los últimos años se ha masificado el uso de las RNA para la predicción de series temporales
gracias a su capacidad generalizadora por el hecho de aprender a partir de ejemplos, tal y
como lo hace el cerebro humano.

Métodos de predicción de series temporales

La predicción de series temporales es una línea de investigación madura cuyo objetivo es obtener
modelos predictivos a partir de series temporales usando métodos lineales y no lineales. El
método lineal más conocido es ARIMA. Se trata de un modelo simple cuyo funcionamiento está
ampliamente demostrado, pero no funciona muy bien con muchas aplicaciones de series
temporales reales puesto que su ajuste es una tarea compleja que hay que realizarla utilizando
conocimiento experto.

Por otro lado, los modelos no lineales, funcionan mejor ante aplicaciones reales, aunque su uso es
complejo. De ahí que existan propuestas donde se recomienda que se le dé prioridad a la facilidad
de uso frente a otros aspectos más técnicos. Entre los modelos no lineales, destacan varias
técnicas de Soft-Computing, Técnicas Fuzzy, redes neuronales, Regresión, y sistemas expertos.

Por otro lado, existen algunos métodos más complejos, basados en varias meta-heurística. Cabe
destacar entre estos el algoritmo L-Co-R como método no lineal que utiliza redes de base radial
(RBFs) para determinar de forma cooperativa el lag (los datos de entrada de la serie temporal) y la
predicción de la serie temporal a la que se aplique el algoritmo.

Más adelante (subsección V-B) se ofrece una serie de resultados obtenidos usando varias series
temporales con algunos de estos métodos citados disponibles en herramientas de código abierto.

SIPESCA-B: Es un BENCHMARK de series temporales de datos reales para la predicción del trafico.

http://geneura.ugr.es/~pgarcia/papers/2015/paper-benchmark-MAEB-DRAFT.pdf

Predicción de Caudales de Ríos a través de Redes Neuronales

Artificiales
Para la predicción de la afluencia de agua, se utilizan modelos hidrológicos que determinen la
cantidad de agua y el tiempo en que esas aguas llegarán.

El modelo hidrológico debe tener consideraciones con la cantidad de lluvia que caerá en la cuenca,
su distribución y posterior cantidad de volumen que llegará a parar al río.

Existen diversos tipos de modelos hidrológicos y uno de ellos son las Redes Neuronales Artificiales,
que consisten en un modelo de predicción de caudal que se utiliza en varios ámbitos. “Las redes
neuronales artificiales son sistemas utilizados para la predicción de caudales, cuya fuerza o
capacidad permiten encontrar las relaciones entre dos variables; en este caso entre la lluvia y los
caudales, entonces a partir de eso, con la información de lluvia y de caudales anteriores, estas
redes dan una predicción de caudales en un punto considerable”

https://www.itaipu.gov.br/es/sala-de-prensa/noticia/prediccion-de-caudales-de-rios-traves-de-
redes-neuronales-artificiales
Modelo de red neuronal artificial para predecir el caudal del río en un
país en desarrollo

[Artificial neural network model for river flow forecasting in a developing country]

El presente trabajo explora el uso de Redes Neuronales Artificiales (RNA) para pronosticar los
flujos del río Nilo Azul en el Sudán. Cuatro ANN modelos lluvia-escorrentía basado en la
estructura del perceptrón multicapa conocidos son desarrollados. Para ello, utilizan el índice de
precipitaciones como de entrada externo común, con el índice de precipitaciones de ser una
suma ponderada de las lluvias recientes y actuales. Estos modelos difieren en cuanto a las
entradas externas adicionales siendo utilizado por el modelo.

Las entradas adicionales son básicamente las expectativas de la temporada tanto el índice de
precipitaciones y la descarga observado. Los resultados muestran que el modelo, que utiliza
tanto la expectativa de temporada de la descarga observado y el índice de precipitaciones como
entradas adicionales, tiene el mejor rendimiento.

Las descargas estimado de este modelo son más actualizado mediante un modelo no lineal
exógenos-de entrada, Auto-regresiva (NARXM)-ANN caudal de los ríos previsión de salida-la
actualización de procedimiento. De esta manera, un flujo en tiempo real río modelo de
previsión se desarrolla. Los resultados muestran que la actualización de la previsión ha
mejorado significativamente la calidad de las previsiones de descarga. Los resultados también
indican que el RNA tiene un potencial considerable para ser utilizado para predecir el caudal
del río en los países en desarrollo.
Ver documento:
http://hispagua.cedex.es/sites/default/files/hispagua_documento/documentacion/documentos/r
ed_neuronal.pdf

Ejercicio para comparar la Predicción De Series De Tiempo con Redes

neuronales artificiales (RNA), se comparan las siguientes RNA:
- RNA tipo PERCEPTRÓN multicapa (MLP)
Algoritmo de aprendizaje: Se utiliza RESILIENT BACKPROPAGATION

- RNA con funciones de base radial (RBF)

Algoritmo de aprendizaje: Se utiliza una combinación entre el algoritmo de
los K-EMANES y el método de la matriz PSEUDO-inversa para la RBF.

Se implementa un sistema basado en arquitectura cliente-servidor, previendo una futura

integración con aplicaciones en tiempo real para conseguir los resultados de los RNA.

Para la evaluación de las RNA se utilizaron conjuntos de datos de diferentes características

y cantidad de datos. De acuerdo a los resultados obtenidos se concluye que, para la
utilización e integración de técnicas de inteligencia computacional en sistemas web, es
preferible el uso de las RBF, debido a que obtiene mejores tiempos de ejecución. Es
importante resaltar también que en calidad de respuesta los dos tipos de redes neuronales
obtienen resultados similares.
Se desarrolló una plataforma web utilizando el web server apache, el lenguaje de
programación python para implementar los algoritmos de aprendizaje de las redes
neuronales artificiales seleccionadas y ExtJs para la construcción de las interfaces gráficas
de usuario. La plataforma permite importar los datos de entrenamiento y test de la red a
partir de archivos delimitados por comas (CSV) y posterior a la ejecución de la simulación
son desplegados los resultados obtenidos por la RNA (figura 3). También es posible realizar
la representación del error obtenido y de los resultados de la red.

http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-82612015000200011

Algoritmos de minería de datos (Analysis Services: Minería de datos)

Un algoritmo en datos de minería de datos (o aprendizaje automático) es un conjunto de
cálculos y reglas heurísticas que crea un modelo de datos. Para crear un modelo, el
algoritmo analiza primero los datos proporcionados, en busca de tipos específicos de
patrones o tendencias. El algoritmo utiliza los resultados de este análisis sobre el número
de iteraciones para encontrar los parámetros óptimos para crear el modelo de minería de
datos. A continuación, estos parámetros se aplican en todo el conjunto de datos para
extraer patrones procesables y estadísticas detalladas.

Elegir un algoritmo por tipo

SQL Server Minería de datos incluye los siguientes tipos de algoritmos:
 Algoritmos de clasificación, que predicen una o más variables discretas, basándose en los
demás atributos del conjunto de datos.
 Algoritmos de regresión predecir una o más numéricas variables continuas, como
ganancias o pérdidas, en función de otros atributos del conjunto de datos.
 Algoritmos de segmentación, que dividen los datos en grupos, o clústeres, de elementos
que tienen propiedades similares.
 Algoritmos de asociación, que buscan correlaciones entre diferentes atributos de un
conjunto de datos. La aplicación más común de esta clase de algoritmo es la creación de
reglas de asociación, que pueden usarse en un análisis de la cesta de compra.
 Algoritmos de análisis de secuencia Resumen secuencias o frecuentes episodios de datos,
como una serie de clics en un sitio web o una serie de eventos de registro anteriores de
mantenimiento del equipo.
https://msdn.microsoft.com/es-es/library/ms175595.aspx