Documentos de Académico
Documentos de Profesional
Documentos de Cultura
21 de julio de 2016
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.
Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica
Introducción Marco Teórico Desarrollo y Metodología Análisis y Resultados Conclusiones y recomendaciones
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
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.
Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica
Introducción Marco Teórico Desarrollo y Metodología Análisis y Resultados Conclusiones y recomendaciones
Instrumentos utilizados
Instrumentos utilizados
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.
Universidad Nacional de Ingeniería Unidad de Posgrado, mención: Ingeniería Hidráulica
Introducción Marco Teórico Desarrollo y Metodología Análisis y Resultados Conclusiones y recomendaciones
Fuentes de Información
Fuentes Primarias
1 Se ha solicitado a SENAMHI, para obtener las precipitaciones
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
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
Introducción Marco Teórico Desarrollo y Metodología Análisis y Resultados Conclusiones y recomendaciones
Fuentes de Información
300
250
250
200
200
150
150
100 100
50
50
Sequía
xiwi y
(recepción de datos) y salida w3
y
x3 T
(objetivo del aprendizaje).
Threshold T
xn wn
Weights wi
RNA-NARX 0.16
Autocorrelation of Error 1
Correlations
0.14 Zero Correlation
Correlation
pecíficamente en series de tiempo. 0.08
0.06
0.02
alimentación con retados (red di- 0
actuales a la red.
Algoritmos Genéticos
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
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.
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 sequía
τ4R − τ4DIS
Z DIS = , |Z DIST | ≤ 1.64
σ4
4 Determinar los cuantiles.
(i)
Q(i) (F ) = l1 q(F ) (4)
−74.5
Lon
−0.81 −0.55 0.02 0.23 0.42 −0.13 0.08 0.15
−76.5
Lat
−11.5
Alt
4000
0.00 −0.71 −0.70 0.20 −0.03 −0.08
1000
Pma
1200
Tmin
8
0.92 −0.31 −0.07 −0.06
4
0
24
Tmax
18
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
10 10 10
10
5 5 5
8
0 0 0
0 5 10 15 0 5 10 15 0 5 10 15
6
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
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
−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
las regiones 3 y
7.
−13.5
Análisis Regional
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
Índice SPIAG
Comparación AG Vs MV coeficientes de Eficiencia
1.0
GA
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
Fitness value
−0.4
−0.6
2
SPI_MV_ 6
−2
Positvo
Negativo
−4 Dic 2015 Región_6@0.548
SPEI 6 meses
Series 1
2
1
SPEI
0
−1
−2
0.8
0.6
0.2
0.0
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
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
NAO
−0.05 −0.04 0.01 −0.01 −0.06 0.02 −0.03
−3 0
NIÑO12
3
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
Modelo RNA-NARX
2
Training Targets
Training Outputs
Validation Targets
Training: R=0.9159 Validation: R=0.91479
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
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
Conclusiones
Conclusiones
Recomendaciones
Recomendaciones
Recomendaciones
# GRACIAS "