Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
- 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
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
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.
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
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
http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-82612015000200011