07.-Presentacion Tesis

Introducción Marco Teórico Desarrollo y Metodología Análisis y Resultados Conclusiones y recomendaciones
Predicción de Sequías con Redes Neuronales

Artificiales y Algoritmos Genéticos utilizando
precipitaciones por Percepción Remota
Iván Arturo Ayala Bizarro
Universidad Nacional de Ingeniería

Facultad de Ingeniería Civil
Unidad de Posgrado
21 de julio de 2016
Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Identificación del problema de investigación
Identificación del problema
El fenómeno de la sequía es un factor de-

terminante dentro del desarrollo humano,
siendo la agricultura el primer sector eco-
nómico vinculado a éste. El déficit de agua
ofrece muchos factores limitantes para la
producción de las cosechas.
Como consecuencia del cambio climático,
las sequías se dan con mayor frecuencia en
distintas partes del mundo y Perú no está
ajena a ésta realidad.
Actualmente, California viene atravesando
la peor sequía de la historia, la falta de agua
está llevando a tomar medidas muy extre-
mas.
Justificación e Importancia
Justificación e Importancia
los eventos futuros (predicción) de sequías es fundamental para
encontrar soluciones sostenibles para la problemática de mane-
jo del recurso hídrico y una asesoría adecuada en el riesgo de
sequía.
La sequía a diferencia de otros desastres, evoluciona más len-
tamente a lo largo del tiempo, sus impactos generalmente se
expanden a lo largo de un periodo prolongado de tiempo más
allá de la duración del fenómeno.
Las estimaciones de las precipitaciones por satélite pueden ser
utilizados como una fuente alternativa de información, siendo
calibrados y validados en áreas específicas, debido a su natura-
leza indirecta de la mediciones de la radiación (Masud Cheema
& G., 2012).
Asimismo, la implementación de las técnicas de IA contribuyen
como una herramienta para el cálculos de los indicadores de
sequías.
Problema de la investigación, objetivos e hipótesis
Problema Principal
¿Cuál es el desempeño del modelo RNA-NARX en la predicción de sequía
agrícola regional, utilizando precipitaciones mensuales por percepción remota y
los índices climáticos globales como entradas externas, en la cuenca del
Mantaro?
Objetivo Principal
Determinar el desempeño del modelo RNA-NARX en la predicción de sequía
agrícola regional, utilizando precipitaciones mensuales por percepción remota y
los índices climáticos globales como entradas externas, en la cuenca del
Mantaro.
Hipótesis Principal
El modelo RNA-NARX permite la predicción de la sequía agrícola, utilizando
precipitaciones mensuales por percepción remota y los índices climáticos
globales como entradas externas, en la cuenca del Mantaro.

Variables e Indicadores
Variables e Indicadores
Variable Indicador
Magnitud.
Sequías (Dependiente) Severidad.
Intensidad.
Índice de Precipitación Estandarizada
Precipitaciones mensuales.
SPI (Independiente)
Precipitaciones mensuales.
Índice de Precipitación Evapotranspira-
Temperaturas máximas y mínimas men-
ción Estandarizada SPEI (Independien-
suales.
te)
Parámetro de localización espacial - La-
titud.
Índice de Condición de Vegetación VCI Índices de Vegetación de Diferencia Nor-
(Independiente) malizada NDVI.
Índices Climáticos Globales ICG (Inde- MEI, SOI, ONI, BEST, C, E, PDO, PNA,
pendiente) NIÑO 1+2, NIÑO 3, NIÑO4 y NIÑO 3.4

Instrumentos utilizados
R-Rstudio
Lenguaje de programación código libre para el análisis
estadístico, tratamiento de imágenes satelitales,
Algoritmos Genéticos, etc.
Python
Lenguaje de programación código libre. Cálculos
satelitales alternativos y cálculos de índices de sequía con
GUI.
QGIS
Sistema de Información Geográfica (SIG) de código libre
para plataformas GNU/Linux, Unix, Mac OS, Microsoft
Windows y Android. Para la generación de mapas y
resultados raster y vector.
Matlab
Lenguaje de programación para la construcción de
modelos predictivos mediante Redes Neuronales
Artificiales (RNA).
ICI-RAFT
Programa desarrollado por el Centro Internacional de
Gestión Integrada de recursos Hídricos para el análisis
regional de frecuencias (ARF).
REFRAN-CV
Software escrito en los lenguajes de programación PHP y
R, también para el ARF con ciertas características
adicionales a ICI-RAFT.
Fuentes de Información
Fuentes de Información Primaria y Secundaria
Fuentes Primarias
1 Se ha solicitado a SENAMHI, para obtener las precipitaciones
mensuales de las estaciones pluviométricas de la cuenca Man-

taro.
Fuentes Secundarias
[PRODUCTO MODIS 13A3]: Para obtener los datos NDVI men-
suales con resolución espacial de 1km2 , disponibles en la direc-
ción https://lpdaac.usgs.gov
[CPC-NOAA]: Proporcionan información de las variables globa-
les importantes en la variabilidad climatológica como el ONI,
PDO, SOI, AMO, etc, disponibles en la dirección http://www.
cpc.ncep.noaa.gov/

Fuentes de Información Secundaria

Fuentes secundarias
[PISCO]: Información puesta a disposición en formato raster en
la dirección http://peruclima.pe/ por SENAMHI. La reso-
lución corresponde a celdas de 5km x 5km.
Datos Interpolados del Perú de

las estaciones climatológicas
e hidrológicas del SENAMHI
PISCO
Peruvian Interpolation data of
the SENAMHI’s Climatological
and Hydrological
Observations
Universidad Nacional de Ingeniería Fuente: Dr. Waldo Lavado
Unidad de Posgrado, mención: Ingeniería Hidráulica
Precipitaciones PISCO y TRMM

Análisis de Precipitaciones mensuales PISCO y TRMM
P (mm) 1998/01 PISCO P (mm) 1998/01 TRMM

300
300
250
250
200
200
150
150
100 100
50
50

Sequía
Definición, Características y Clasificación de la Sequía
Definición de la sequía Clasificación de la sequía

Deficiencia de precipitaciones Meteorológica: Ausencia de precipitaciones
durante un periodo de tiempo Agrícola: Escasez del agua en el suelo
relativamente prolongado.
Hidrológica: Escasez del caudal o volumen
de agua superficial y sub superficial
Características de la sequía Socio Económica: Vinculada a las sequías
Duración-Severidad-Intensidad Agrícolas e Hidrológicas

Introducción the
Marco Teórico activation
Desarrollo yfunction essentially
Metodología determinesConclusiones
Análisis y Resultados whether ythe neuron will o
recomendaciones
electrical signal or not, and if so, the signal is transported through the a
Redes Neuronales Artificiales
propagated to other neurons through the axon terminals. These, in turn
the dendrites of neighboring neurons and the electrical signal output be
Definición de Redes Neuronales Artificiales
input to subsequent neural processing.
This description is, Característica

of course, a simplification
de las RNA of what happens in our ne
the goal here is to explain what aspects of the biological process have be
inspire the computationalAprender:
model ofAdquirir
a neuralconocimientos.
network.
Definición de las RNA
Generalizar: Aplicar el aprendizaje.
Son modelos computacionales
The artificialAbstraer:
diseñados para simular el neuron Generan resultados aún con pre-
sencia de ruidos.
Using
funcionamiento del our biological analogy, we can construct a model of a computatio
cerebro
and this model is knownDistribución
humano y la forma cómo éste
de Memoria:
as the McCulloch-Pitts Conexiones
model ro-
of a neuron:
bustas.
procesa información a través
Input
del aprendizaje que se da en la Features xi
etapa de entrenamientos entre x1 Activation
w1 Function
los patrones de entrada x2 Adder
w2 Output
xiwi y
(recepción de datos) y salida w3
y
x3 T
(objetivo del aprendizaje).
Threshold T
xn wn
Weights wi

RNA: Self Organizing Map (SOM)
Self Organizing Map

Se caracterizan por no tener un
maestro o supervisor para el apren-
dizaje.
Son redes que consta de 2 capas, el
primero denominado Neuronas de
Entrada y el segundo Neuronas de
Salida
No existen capas ocultas, por lo
que un conjunto de conexiones
siempre son hacia adelante y cada
neurona tiene asociada a un peso
W entre la entrada y salida.
Son redes competitivas especial-
mente indicadas para trabajar en
problemas de clasificaciones.
Nonlinear autoregressive neural network with external input
RNA-NARX 0.16
Autocorrelation of Error 1
Correlations
0.14 Zero Correlation
Es una red neuronal recurrente pa- 0.12

Confidence Limit
ra modelamientos no lineales y es- 0.1
Correlation
pecíficamente en series de tiempo. 0.08
0.06
Contienen elementos de retro- 0.04
0.02
alimentación con retados (red di- 0
námica), donde la salida, no de- -0.02
pende únicamente de las entradas -20 -15 -10 -5 0

Lag
5 10 15 20
actuales a la red.

Algoritmos Genéticos
Definición de los Algoritmos Genéticos (AG)
Algoritmos Genéticos INICIO
Es un método sistematizado de
Generar
búsqueda que imita la teoría de la población inicial
evolución biológica de Darwin, pa- aleatorio
ra la resolución de problemas.
Evaluar todos los
Los AG usan funciones de costo o individuos
funciones objetivo no derivadas.
Los AG usan métodos probabilísti- Decisión según la Mejores
cos no determinísticos evaluación Individuos
Son algoritmos de búsqueda glo-

RESULTADO
bal, no local. Los métodos basa- Generación Selección FINAL
dos en derivados son mas rápidos del ciclo
ya que evalúan y buscan en una Cruce
sola dirección a la vez.
Los AG no tiene un punto singular Mutación
de búsqueda inicial.
Zona de estudio
Identificación de la zona de estudio

Metodología
Esquema metodológico
TÉCNICA: Algebra de Mapas.
PERCEPCIÓN REMOTA DE
INSTRUMENTO: Software R.
ETAPA 1 VARIABLES CLIMÁTICAS
REGIONALES (VCR) RESULTADOS: Mapas Raster y series de tiempo de precipitaciones y
temperaturas mensuales.
TÉCNICA: Estadística.
ANÁLISIS EXPLORATORIO DE
ETAPA 2 LAS VCR
INSTRUMENTO: Software R.
RESULTADOS: Descripción y caracterización de las variables.
TÉCNICA: Redes Neuronales Artificiales Modelo Self Organizing Map.
AGRUPAMIENTO PRELIMINAR
ETAPA 3 DE ESTACIONES SINTÉTICAS
INSTRUMENTO: Software Matlab.
RESULTADOS: Agrupación de estaciones con características comunes.
TÉCNICA: L‐Momentos.
ANÁLISIS REGIONAL DE
ETAPA 4 SEQUÍAS CON L‐
INSTRUMENTOS: ICI‐RAFT, REFRAN‐CV y Paquetes R.
MOMENTOS RESULTADOS: Mapas de períodos de retorno de sequías regionales e
identificación de la región semiárida considerada como región de análisis.
TÉCNICA: Estadística (SPIMV‐SPEI), Algoritmos Genéticos (SPIAG) y

ESTIMACIÓN DEL ÍNDICE
Sensoramiento Remoto (VCI).
ETAPA 5 REPRESENTATIVO DE
SEQUÍAS INSTRUMENTO: Paquetes R.
RESULTADOS: Índice representativo de la región de análisis.
TÉCNICA: Redes Neuronales Artificiales Modelo NARX.
PREDICCIÓN DE SEQUÍAS CON
INSTRUMENTOS: Software Matlab y R.
ETAPA 6 REDES NEURONALES
ARTIFICIALES RESULTADOS: Predicción de sequías para el periodo 2009‐2015 y
prueba de hipótesis.

Metodología
Esquema metodológico
MEI
NEURONAS DE INGRESO O VARIABLES EXTERNOS
ONI
DEL MODELO NARX (ICG clasificados )
ÍNDICES CLIMATICOS GLOBALES (ICG)
BEST
NEURONA DE SALIDA
representativo en la
CORRELACIÓN ENTRE
región de análisis)
(Índice se sequía
ICG e ÍNDICE
. REPRESENTATIVO ARQUITECTURA
. (se aceptan menores DEL MODELO
. correlaciones entre ICG y RNA – NARX
mayores frente al índice de
sequía representativo)
PNA
SATL
SATL

Índices de sequía
Índices de Precipitación Estandarizada (SPI)
Técnica Numérica (SPIMV) Técnica de Inteligencia Artificial

Máxima Verosimilitud (MV). (SPIAG)
Algoritmo Genético (AG):
consiste en minimizar los pa-
p
1 + 1 + 4A/3
α= (1) rámetros en función de las
4A
distribuciones teóricas y em-
x̄ píricas.
β= (2)
α "P
N 2
#
(O i − Pi )
Siendo A una variable auxiliar M inimizar Pi=1 N
Pnn i=1 (O i − P )2
ln(xi )
A = ln (x̄) − i=1 (3)
nn

Índices de sequía
Índices de sequía SPEI y VCI
Índice de sequía SPEI Índice de sequía VCI

Propuesto por Vicente Se- El VCI, es definido por Ko-
rrano (2010), es multiescalar gan (1993), y es aplicado pa-
basado en la diferencia entre ra la evaluación de sequías
la precipitación mensual y la donde se manifiestan los cam-
Evapotranspiración Potencial bios del proceso de vegeta-
ción, a través de la escala 0
D = P − P ET
a 1, siendo 0 la condición ex-
" β #−1
tremadamente malo y el valor

α
F (x) = 1 + de 1 condiciones óptimas.
x+γ
N DV Ii − N DV Imin
donde α, β y γ son los V CIi =
N DV Imax − N DV Imin
parámetros de escala, forma y
origen respectivamente
Análisis Regional de Frecuencias L Momentos
Análisis Regional de Frecuencias L Momentos (ARFLM)
Procedimiento Hosking y Wallis (1997)

1 Análisis Exploratorio de datos.
2 Identificación de regiones homogéneas.
3 Identificar la función de distribución de
probabilidad
τ4R − τ4DIS
Z DIS = , |Z DIST | ≤ 1.64
σ4
4 Determinar los cuantiles.
(i)
Q(i) (F ) = l1 q(F ) (4)
5 Mapeo del periodo de retorno de eventos

de sequía
L-M-R = A(M AP R)2 + B(M AP R) + C

Análisis de las variables regionales
Análisis de las variables regionales

−13.5 −12.0 −10.5 600 1000 1400 12 16 20 24 80 120 160 200
−74.5
Lon
−0.81 −0.55 0.02 0.23 0.42 −0.13 0.08 0.15
−76.5
Lat
−11.5
0.16 −0.02 0.15 −0.07 0.04 −0.09 −0.19

−13.5
Alt
4000
0.00 −0.71 −0.70 0.20 −0.03 −0.08
1000
Pma
1200
−0.05 −0.04 0.94 0.93 −0.25

600
Tmin
8
0.92 −0.31 −0.07 −0.06
4
0
24
Tmax
18
−0.35 −0.04 −0.01

12
Ia
0.8
0.89 −0.21
0.4
Ifm
140
0.12
80
20
IE
16
12
−76.5 −75.0 1000 3000 5000 0 4 8 12 0.4 0.6 0.8 1.0 12 14 16 18 20

Análisis Regional
Regionalización Self Organizing Map
U-Matrix: Inputs U-Matrix: Output

Las Neuronas de Entrada (NE), Clasificación topológica en 225
son las Precipitaciones mensuales, neuronas de salida (arquitectura
temperaturas mínima y máximas, 15x15). La variación de colores,
altitud, longitud, y latitud de las representa la distancia entre
1145 estaciones sintéticas de la neuronas adyacentes.
cuenca del Mantaro. SOM Neighbor Weight Distances
Weights from Input 1 Weights from Input 2 Weights from Input 3

12
10 10 10
10
5 5 5
8
0 0 0
0 5 10 15 0 5 10 15 0 5 10 15
6
Weights from Input 4 Weights from Input 5 Weights from Input 6 4
10 10 10
2
5 5 5
0
0 0 0
0 5 10 15
0 5 10 15 0 5 10 15 0 5 10 15

Análisis Regional
Clustering SOM Cuenca Mantaro
SOM Raster SOM Vector
200
150
100
50

Análisis Regional
Regionalización
(a) Región 1 (b) Región 2 (c) Región 3 (d) Región 4 (e) Región 5
(f) Región 6 (g) Región 7 (h) Región 8 (i) Región 9 (j) Región 10

Análisis Regional
Regionalización: TR = 5 años T 5 years
−11.0
TR = 5 años
−11.5
Para periodos de 1000
recurrencia de 5
800
años, se
−12.0
600
obtendrán
400
precipitaciones
−12.5
anuales menores 200
a 700 mm, salvo 0

−13.0
las regiones 3 y
7.
−13.5
−76.5 −76.0 −75.5 −75.0 −74.5 −74.0

Análisis Regional
Regionalización: TR = 100 años T 100 years
TR = 100 años
−11.0
Para periodos de
recurrencia de
100 años, las −11.5
1000
precipitaciones 800
−12.0
tienden a 600
distribuirse de 400
manera uniforme
−12.5
200
con
0
precipitaciones
−13.0
menores a 400
mm, salvo las
−13.5
regiones 3 y 7
−76.5 −76.0 −75.5 −75.0 −74.5 −74.0

Índices de sequías en la región de análisis
Índice SPIAG
Comparación AG Vs MV coeficientes de Eficiencia
1.0
GA
SPI Algoritmos Genéticos 6 meses MV
0.8
Población = 500 indiv.
0.6
Generación = 50 ciclos
CE
FEBRERO
0.4
ENERO
0.0
0.0
Fitness value
Fitness value
−0.4
−0.4
0.2
Best Best
−0.8
−0.8
Mean Mean
0.0
0 10 20 30 40 50 0 10 20 1 30
2 3 4 40 5 6 50
7 8 9 10 11 12
Generation Generation
Región_6_1981@Dic 2015
Mes
MARZO ABRIL
4
0.0
0.0
Fitness value
Fitness value
−0.4
2
−0.4
SPI_AG_ 6
Best Best
−0.8
−0.8
0 Mean Mean
0 10 20 30 40 50 0 10 20 30 40 50
−2 Generation Generation
Positvo
Negativo
−4 MAYO Dic 2015 Región_6@0.48 JUNIO
0.0
−0.2
1985 1990 1995 2000 2005 2010 2015

Fitness value
Fitness value
−0.4
−0.6
I. Ayala: ayalabizarro@gmail.com Best Best 05/23/ 2016

−0.8
Universidad Nacional de Ingeniería Mean Unidad de Posgrado,

Mean mención: Ingeniería Hidráulica
0
Índices SPIMV - SPEI

SPI Máxima Verosimilitud 6Región_6_1981@Dic
meses 2015
2
SPI_MV_ 6
−2
Positvo
Negativo
−4 Dic 2015 Región_6@0.548
1985 1990 1995 2000 2005 2010 2015
I. Ayala: ayalabizarro@gmail.com 05/23/ 2016
SPEI 6 meses
Series 1
2
1
SPEI
0
−1
−2
1985 1990 1995 2000 2005 2010 2015

Índice de condición de vegetación (VCI)
El índice VCI, deriva de los valores del NDVI y son distribuidos

en el producto MODIS 13A3 del satélite terra.
Están a disposición desde febrero de 2000 hasta la actualidad.
Los datos corresponden a series mensuales con una resolución
de 1km2
X_2005.01 X_2005.02 X_2005.03 X_2005.04 X_2005.05 X_2005.06
1.0
0.8
0.6
X_2005.07 X_2005.08 X_2005.09 X_2005.10 X_2005.11 X_2005.12

0.4
0.2
0.0

Determinación del índice representativo y escala correspondiente
Determinación del índice representativo

Modelos de Indicadores de Sequía
0.1
0.2
0.3
0.4 SPI1_MV
Diagrama de Taylor
1.2
SPI1_AG
0.5
SPEI1
SPI3_MV
Las variables que se 0.6
C
or
SPI3_AG
re
1.0
la
SPEI3
tio
correlacionan 0.7 SPI6_MV
n
SPI6_AG
corresponden a 0.8
SPEI6
SPI9_MV
0.8
Standard deviation
SPI9_AG
índices SPIMV, SPEI9
SPI12_MV
SPIAG y SPEI, con SPI12_AG
0.6
0.9 SPEI12
sus respectivas 0.5
escalas temporales 0.95
0.4
de 1, 3, 6, 9 y 12
meses, haciendo un
0.2
0.99
total de 15 índices.
0.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2

Selección de datos de ingreso al modelo NARX
Correlación Índices Climáticos Globales (ICG)

−1 1 −6 0 4 −3 0 2 −1 1 3 −1.5 0.0 −1 1 3 −2 0 2
MEI
0.92 0.50 0.13 0.77 0.89 0.76 0.91 0.59 0.74
1
−0.78 −0.06 −0.02 −0.11
−2
2
ONI
0.43 −0.76 −0.06 0.11 0.00 0.66 0.92 0.87 0.99 0.47 0.87 −0.08
−1
PDO
−0.40 −0.31 0.22 0.04 0.36 0.38 0.32 0.40 0.25 0.35 −0.13
−3 0
SOI
0.14 −0.10 0.01 −0.49 −0.66 −0.67 −0.74 −0.32 −0.68 0.04
−6 0
0.4
AMO
0.13 −0.27 0.03 0.05 0.05 −0.03 0.09 −0.06 0.00
−0.4
PNA
1
−0.02 0.15 0.14 0.06 0.11 0.17 0.04 −0.07

−3
NAO
−0.05 −0.04 0.01 −0.01 −0.06 0.02 −0.03
−3 0
NIÑO12
3
0.83 0.40 0.65 0.92 0.29 −0.16

−1
NIÑO3
2
0.71 0.93 0.74 0.67 −0.09
−1
1.0
NIÑO4
0.88 0.12 0.97 −0.02
−1.5
NIÑO34
1
0.46 0.88 −0.07
−2
E
−1 2
0.02 −0.14
1
−0.02
−2
SPEI6
1
−2
−2 0 2 −3 0 2 −0.4 0.2 −3 0 2 −1 1 3 −2 0 2 −2 0 2

Modelo RNA-NARX
Características del Modelo RNA-NARX
Descripción Arquitectura de la red

1 Construcción del Mo- 1 Tipo de Red: NARX
delo: 80 % de los datos 2 Neuronas Ocultas: 5-3-1
(1981-2008).
3 Función de entrenamiento:
2 Capa de Entrada: Ín-
Levenberg-Marquardt
dices Climáticos Globales
clasificados
4 Función de performance: MSE
3 Capa de Salida: Índices
Validez del Modelo
SPEI 6 meses.
1 Datos: 20 % (2009-2015).
4 Cantidad de rezagos: 12
2 Performance: 0.625 (MSE)
5 Número de ciclos: 5000

Modelo RNA-NARX
Resultados Modelo de Predicción RNA-NARX
Aprendizaje RNA-NARX Desempeño RNA-NARX 5-3-1-1

Response of Output Element 1 for Time-Series 1
2.5
2
Training Targets
Training Outputs
Validation Targets
Training: R=0.9159 Validation: R=0.91479
Output ~= 0.77*Target + -0.0066

Validation Outputs
2
Output ~= 0.85*Target + 0.042

1.5
Test Targets
1
Test Outputs 1.5
Data Data
Output and Target
Errors
Response
0.5
0
Fit 1 Fit
Y=T Y=T
-0.5
1
-1
0.5
-1.5
-2
-2.5
0
2
0
Targets - Outputs
-0.5
Error
-2
-1 -1
50 100 150 200 250 300
Time
-1.5
-2 -2
-2 -1 0 1 2 -2 -1 0 1
Target Target
Validación RNA-NARX
Test: R=0.90198 All: R=0.91335
2.5 2

1 Data Data
2
Fit Fit
1.5 0.5 Y=T 1 Y=T
1
0
0.5
-0.5 0
0
-0.5 -1
-1
-1 -1.5
-1.5 SPEIs Histórico
-2 -2
SPEIs Predicción
-2
SPEIs Esperados
-2 -1 0 1 -2 -1 0 1 2
-2.5
0 50 100 150 200 250 300 350 400 450 Target Target

Conclusiones
Conclusiones
Del Objetivo Principal

Aplicando la estadística inferencial, la medida de la evidencia
(p-value) que aporta el resultado en el modelo RNA-NARX es de
0.104, demostrando ser mayor al nivel de confianza igual a 0.05.
Por lo tanto, se acepta el modelo RNA-NARX para la predicción de
la sequía agrícola, utilizando precipitaciones mensuales por
percepción remota y los índices climáticos globales como entradas
externas, en la cuenca del Mantaro.

Conclusiones
Conclusiones
De los Objetivos Secundarios

1 El índice de sequía más representativo en función al crecimiento y desarrollo
de la vegetación dentro de la cuenca del Mantaro es el SPEI de escala
temporal 6 meses, el mismo que presenta 0.58 de coeficiente de correlación
y representa correlación positiva moderada.
2 La relación entre los índices SPIAG y SPIMV, han demostrado ser similares.
El promedio mensual del coeficiente de Nash para los índices SPIAG y
SPIMV es de 0.983 y 0.969 respectivamente. La diferencia de los resultados
entre éstas dos técnicas, numérica (Máxima Verosimilitud) e inteligencia
artificial (Algoritmos Genéticos), es ligera (0.014).
3 Mediante la técnica de L-Momentos, se han identificado los periodos de
recurrencia de 5 años, donde se obtienen precipitaciones anuales menores
a 700 mm, salvo las regiones 3 y 7 y para periodos de recurrencia de
100 años, las precipitaciones tienen a distribuirse de manera uniforme con
precipitaciones menores a 400 mm, excepto las regiones 3 y 7. La región
más afectada corresponde a la región 6 zona sur de la cuenca estudiada.

Recomendaciones
Recomendaciones
De los resultados obtenidos, para grandes volúmenes de información, se

recomienda el uso del índice SPI por Máxima Verosimilitud, debido al alto
esfuerzo computacional por el método de los Algoritmos Genéticos.
Dentro del territorio peruano, se recomienda el uso de las precipitaciones
mensuales del producto PISCO, los mismos que están calibrados y validados
con más de 420 estaciones que controla SENAMHI- Perú. Para otros terri-
torios, las precipitaciones por sensoramiento remoto deberá ser calibrada y
validada mediante las estaciones puntuales de los Servicios Meteorológicos
e Hidrológicos Nacionales propios de cada territorio.
La aplicación del modelo de predicción RNA-NARX, se puede dar en las
distintas regiones dentro del territorio peruano, siguiendo la metodología
propuesta en la tesis, estableciendo la actualización de la arquitectura de
la red y seleccionando de manera adecuada los indicadores de sequía.

Recomendaciones
# GRACIAS "

07.-Presentacion Tesis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

07.-Presentacion Tesis

Cargado por

Copyright:

Formatos disponibles

Introducción Marco Teórico Desarrollo y Metodología Análisis y Resultados Conclusiones y recomendaciones

Predicción de Sequías con Redes Neuronales

Iván Arturo Ayala Bizarro

Universidad Nacional de Ingeniería

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Identificación del problema de investigación

Identificación del problema

El fenómeno de la sequía es un factor de-

Problema de la investigación, objetivos e hipótesis

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Fuentes de Información Primaria y Secundaria

mensuales de las estaciones pluviométricas de la cuenca Man-

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Fuentes de Información Secundaria

Datos Interpolados del Perú de

Precipitaciones PISCO y TRMM

P (mm) 1998/01 PISCO P (mm) 1998/01 TRMM

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Definición, Características y Clasificación de la Sequía

Definición de la sequía Clasificación de la sequía

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

This description is, Característica

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Redes Neuronales Artificiales

RNA: Self Organizing Map (SOM)

Self Organizing Map

Redes Neuronales Artificiales

Nonlinear autoregressive neural network with external input

Es una red neuronal recurrente pa- 0.12

ra modelamientos no lineales y es- 0.1

Contienen elementos de retro- 0.04

námica), donde la salida, no de- -0.02

pende únicamente de las entradas -20 -15 -10 -5 0

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Definición de los Algoritmos Genéticos (AG)

Algoritmos Genéticos INICIO

Son algoritmos de búsqueda glo-

Identificación de la zona de estudio

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

TÉCNICA: Estadística (SPIMV‐SPEI), Algoritmos Genéticos (SPIAG) y

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Índices de Precipitación Estandarizada (SPI)

Técnica Numérica (SPIMV) Técnica de Inteligencia Artificial

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Índices de sequía SPEI y VCI

Índice de sequía SPEI Índice de sequía VCI

Análisis Regional de Frecuencias L Momentos

Análisis Regional de Frecuencias L Momentos (ARFLM)

Procedimiento Hosking y Wallis (1997)

5 Mapeo del periodo de retorno de eventos

L-M-R = A(M AP R)2 + B(M AP R) + C

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Análisis de las variables regionales

Análisis de las variables regionales

0.16 −0.02 0.15 −0.07 0.04 −0.09 −0.19

−0.05 −0.04 0.94 0.93 −0.25

−0.35 −0.04 −0.01

Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica

Regionalización Self Organizing Map

U-Matrix: Inputs U-Matrix: Output

Weights from Input 1 Weights from Input 2 Weights from Input 3