Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A-Streamflow Forecasting Using Heuristic Machine Learning Methods - En.es
A-Streamflow Forecasting Using Heuristic Machine Learning Methods - En.es
com
Binquan Li
Anurag Malik Facultad de Hidrología y Agua
Özgur Kisi
Estación de Investigación Regional Recursos
escuela de tecnologia
Universidad Agrícola de Punjab Universidad Hohai,
Universidad Estatal de Ilia
Bathinda-151001, Punjab, INDIA
Tbilisi, Georgia Nankín 210098, China
anuragmalik_swce2014@rediffmail.co
ozgur.kisi@iliauni.edu.ge libinquan@hhu.edu.cn
metro
Abstracto— La previsión de caudales es vital para diseñar y descubrió que ANFIS integrado con modelos difusos de agrupación
gestionar sistemas de recursos hídricos. Este estudio evalúa la de datos C-Means (FCM), partición de cuadrícula (GP) y agrupación
precisión de la predicción de dos métodos heurísticos, el algoritmo sustractiva (SC) podría proporcionar un resultado bastante
genético de red neuronal artificial (ANN-GA) y el algoritmo genético satisfactorio en la predicción de la calidad del agua de los ríos. Los
del sistema de inferencia neurodifusa adaptativo (ANFIS-GA) en la modelos inteligentes también se han aplicado con éxito en procesos
predicción del caudal utilizando datos mensuales del caudal de los altamente impredecibles como el transporte de sedimentos en
ríos Neelum y Kunhar de Pakistán. La capacidad de predicción de dos
suspensión [9]. Como se informa en la literatura, los modelos más
métodos se prueba utilizando diferentes combinaciones de entrada
comúnmente aplicados son los modelos basados en ANFIS. Sin
de retardos de tiempo utilizando indicadores estadísticos y se
embargo, los siguientes modelos: ANFIS combinado con Algoritmo
compara con el modelo de árbol de regresión M5 (M5RT). En los
Genético (GA), Red Neural Artificial (ANN) y Árbol de Regresión
resultados, se encuentra que ANN-GA y ANFIS-GA proporcionaron una
Modelo 5 (M5RT), aunque han mostrado un gran potencial en otros
mejor precisión de predicción que el modelo M5RT. La adición del
temas, todavía han sido poco investigados en cuanto a la predicción
número de meses mostró un efecto positivo de la periodicidad en la
precisión de la predicción de los modelos. de caudales. Rezakazemi, et al. [10] informaron un desempeño
satisfactorio de la aplicación ANFIS-GA para evaluar membranas de
Palabras clave: ANN-GA, previsión de caudales, ANFIS-GA, matriz mixta de H2. Algunos de los pocos estudios que aplicaron
M5RT, río Kunhar, río Neelum ANFIS-GA a la predicción del caudal o temas relacionados son el
estudio de Zamani Sabzi, et al. [11] sobre los sistemas de
yo yoNTRODUCCIÓN(hEADING1) inundaciones, predicción de la radiación solar diaria [12], predicción
La disponibilidad de datos sobre el caudal de los ríos constituye uno de la temperatura del aire [13] y evaluación de la calidad de los ríos
de los temas más desafiantes en la gestión y planificación de los recursos [14]. Mientras tanto, ANN-GA ha mostrado un rendimiento excelente
hídricos. Los registros de datos de caudales a largo plazo se requieren en el caudal mensual [15], la evapotranspiración [16], el transporte
principalmente para la predicción de períodos secos y húmedos de sedimentos [9], la sequía [17] y una predicción sólida de los
relacionados con las necesidades de agua para riego [1], diseño y residuos sólidos.
planificación de plantas hidroeléctricas, asignación de caudales [18]. Finalmente, M5RT, aunque se encuentra entre los modelos
ambientales, evaluación de la alteración hidrológica en ríos alterados [2], inteligentes escasamente aplicados en el campo de los recursos hídricos
predicción de inundaciones. y caracterización geomorfológica de ríos a todavía hay pocas aportaciones esenciales por parte de otros
largo plazo, entre otros [3]. Aunque los avances tecnológicos han investigadores. Kisi [19] aplicó M5RT para la evaluación de la
mejorado significativamente el monitoreo del caudal empleando sensores evapotranspiración de referencia y la predicción de la velocidad del viento
de bajo costo [4], las áreas aún remotas y los países subdesarrollados [20]. Hasta donde sabemos, no existe ningún estudio publicado que
apenas están cubiertos incluso por este tipo de equipos de bajo costo. compare tres de estos modelos entre sí para investigar su potencial y
Aunque, durante décadas, los investigadores han aplicado diferentes precisión en el caso de la predicción del caudal. Por lo tanto, este estudio
métodos empíricos y físicos para predecir el flujo de corrientes en también, apoyado en las conclusiones de trabajos anteriores, pretende
diferentes resoluciones temporales y escalas espaciales. aportar nuevos conocimientos en el campo de los recursos hídricos y la
hidrología; particularmente en el caso de una tarea desafiante como la
predicción del caudal.
Sin embargo, la mayoría de esos modelos son aplicables
principalmente a escala de cuenca o regional y son sensibles a las II. METROETODOLOGÍA
características geomorfológicas de la unidad donde se aplican [5]. En
estas circunstancias, la aplicación del algoritmo inteligente ha mostrado
A. Modelo híbrido de red neuronal artificial-algoritmo
un gran potencial en diferentes subcampos de la hidrología y los recursos
genético (ANN-GA)
hídricos [6]. Razaví Termeh, et al. [7], aplicaron cuatro modelos La aplicación de un modelo ANN simple tiene varias desventajas,
inteligentes para predecir la susceptibilidad a las inundaciones y como (i) el período de entrenamiento consume mucho tiempo, (ii) la
descubrieron que los sistemas de inferencia neurodifusa adaptativa molesta convergencia hacia la solución local en lugar de la solución
(ANFIS) y la optimización del enjambre de partículas (PSO) resultaron ser global óptima, y (iii) requiere una gran cantidad de parámetros. Por
más robustos en términos de producir mapas de susceptibilidad a las lo tanto, la utilización de un algoritmo evolutivo como el Algoritmo
inundaciones de alta precisión. En el estudio de Yaseen, et al. [8], fue Genético (GA) integrado con
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
ANN es el remedio para superar estas desventajas y aumentar el Fig. 2. Modelo híbrido típico de ANFIS-GA
rendimiento de ANN [21]-[22]. La Figura 1 demuestra el modelo
híbrido ANN-GA implementado en esta investigación para el C. Modelo de árbol de regresión M5 (M5RT)
pronóstico mensual del caudal en los ríos Kunhar y Neelum. Los Para resolver problemas complejos, Quinlan {Formatting
parámetros de GA, como la selección (generación aleatoria de la Citation} anunció por primera vez la integración adecuada del
población inicial de cromosomas y evaluación de la función de concepto de modelo de árbol de regresión M5 (M5RT), que es un
aptitud de cada cromosoma), el cruce y la mutación, se modelo jerárquico que depende de un marco de decisión
decidieron mediante el procedimiento de prueba y error (Fig. 1). binario. Emplea el principio de regresiones lineales en los nodos
En las últimas dos décadas, se ha encontrado la plena aplicación terminales (hoja) para construir la relación lineal entre los
de los modelos híbridos ANN-GA en diversos campos de la parámetros de entrada y salida dividiendo el espacio de
ingeniería [23]-[25]. parámetros en subespacios (Fig. 3). En la generación del modelo
M5RT se requieren dos etapas: el proceso (i) la primera etapa
comprende dividir los datos de entrada/salida en subconjuntos y
desarrollar un árbol de decisión basado en la reducción de la
desviación estándar (SDR), y (ii) la segunda etapa incluye la poda
del árbol crecido (muestra). ) ajustando las funciones de
regresión lineal {Formatting Citation}. El DEG se calcula
utilizando la siguiente expresión [31]:
- - ----
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
entradas a los tres métodos, y también se investigó el efecto del Estación Datos Promedio mx Minnesota Sk Calle
neelum Válido
333.0 1319 44.2 1.10 308.9
Río
- - ---- Prueba.
288,9 1064 33,6 1.12 261,9
a. Avg, Mx, Mn, Sk y St denotan la media, el máximo, el mínimo, el coeficiente de asimetría y el estándar
desviación, respectivamente.
entradas
RMa MAE R2 RMa MAE R2
En 1 59,4 45,6 0,618 53.1 40,5 0,618
IV. RESULTADOS Y DISCUSIÓN Promedio 51,8 33,8 0.717 38,9 27.3 0,789
En este estudio, se examina la capacidad de los modelos ANN- En 1 65,4 49,4 0.541 57.1 45.3 0.565
GA, ANFIS-GA y M5RT en la predicción del caudal. Antes de aplicar
En 2 57,9 31,7 0,647 40,8 26,7 0.783
tres métodos, los datos se dividieron en tres partes: entrenamiento,
M5RT
validación y prueba. Se utilizó el mismo algoritmo evolutivo, GA, para En 3 48,8 26.1 0.750 41,5 26.2 0,779
la calibración de los modelos ANN y ANFIS para ver la diferencia de
En4 50.2 27,7 0.745 40,7 25.1 0.821
eficiencia entre ellos. Los resultados de la validación y las pruebas de
los métodos aplicados se dan en la Tabla 2 para el río Kunhar. Como Promedio 55,6 33,7 0,671 45.0 30,8 0,737
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
a 114,4m3/s para la ANN-GA, desde 122,3 m3/s a 118,6 m3/s
para el ANFIS-GA y desde 137,0 m3/s a 121,7 m3/s para el
M5RT. La diferencia entre ANN-GA y ANFIS-GA o ANFIS-GA y
M5RT no es mucha para este río. Para este río, se puede
decir que el M5RT también es una buena alternativa para la
predicción del caudal. La principal ventaja de este método en
comparación con ANN y ANFIS es su capacidad para
proporcionar ecuaciones explícitas que pueden usarse
fácilmente en aplicaciones prácticas.
entradas
RMa MAE R2 RMa MAE R2
En 1 188,5 143,4 0,63 164,4 125 0,61
En 1 195,6 145,6 0,61 176,8 131 0,60 Fig. 5. Diagramas de dispersión temporal de las descargas fluviales
En 2 144,4 94,57 0,78 124,5 82,7 0,79 observadas y previstas por ANN-GA, ANFIS-GA y M5RT en el período
ANFIS-GA
En4 112.2 63,41 0,87 118,6 74.0 0,83 La otra cuestión importante que se debe tener en cuenta es
que el proceso de aprendizaje de ANN-GA y ANFIS-GA lleva
Promedio 146.2 95,64 0,77 135,5 91,4 0,76
mucho más tiempo y requiere más memoria y no tienen
En 1 217.1 148.2 0,54 201.9 143 0,51 ecuaciones explícitas en comparación con M5RT. Esto hace que
En 2 143,7 85.20 0,79 131.1 83,9 0,78 M5RT sea más beneficioso para las aplicaciones prácticas. ANFIS-
GA también tiene una estructura más compleja y más
M5RT
En 3 140.3 83,28 0,81 137.0 83,9 0,78 parámetros para calibrar y requiere mucho más tiempo para el
En4 122,4 71,40 0,84 121,7 81.1 0,82 proceso de capacitación en comparación con ANN-GA. Por lo
tanto, en la práctica puede preferirse este último método.
Promedio 155,8 97.02 0,74 147,9 98.1 0,72
a. RM denota el RMSE.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
[6] Nourani, V.; Hosseini Baghanam, A.; Adamowski, J.; Kisi, O. Aplicaciones
de modelos híbridos wavelet-inteligencia artificial en hidrología: una
revisión. Revista de Hidrología 2014, 514, 358-377, doi: 10.1016/
j.jhydrol.2014.03.057.
[7] Razaví Termeh, SV; Kornejady, A.; Pourghasemi, recursos humanos; Keesstra, S.
Mapeo de susceptibilidad a inundaciones utilizando conjuntos novedosos de
sistemas de inferencia neurodifusos adaptativos y algoritmos metaheurísticos.
Sci Total Environ 2018, 615, 438-451, doi:10.1016/j.scitotenv.2017.09.262.
[8] Yaseen, ZM; Ramal, MM; Diop, L.; Jaafar, O.; Demir, V.; Kisi, O. Modelos
neurodifusos adaptativos híbridos para la estimación del índice de calidad
del agua. Gestión de Recursos Hídricos 2018, 32, 2227-2245, doi:10.1007/
s11269-018-1915-7.
[9] Adib, A.; Mahmoodi, A. Predicción de la carga de sedimentos suspendidos
utilizando el modelo de conjunción ANN GA con el enfoque de cadena de
Higo. 6. Diagramas de dispersión de tiempo de lo observado y predicho. Markov en condiciones de inundación. Revista KSCE de Ingeniería Civil 2016, 21,
Descargas fluviales de ANN-GA, ANFIS-GA y M5RT en el período 447-457, doi:10.1007/s12205-016-0444-2.
de prueba del río Kunhar [10] Rezakazemi, M.; Dashti, A.; Asghari, M.; Shirazian, S. Modelado de
membranas de matriz mixta selectivas para H2 utilizando ANFIS, PSO-
ANFIS, GA-ANFIS. Revista Internacional de Energía del Hidrógeno 2017,
Hadi y Tombul [39] predijeron los caudales mensuales 42, 15211-15225, doi: 10.1016/j.ijhydene.2017.04.044.
aplicando modelos de combinación de ondas continuas de [11] Zamani Sabzi, H.; Humberson, D.; Abudu, S.; King, JP Optimización del
programación genética multigénica y los modelos óptimos controlador de lógica difusa adaptativa utilizando novedosos algoritmos
proporcionados R2cubriendo el rango [0.901-0.955]. evolutivos combinados y su aplicación en el sistema de control de
inundaciones de Diez Lagos, sur de Nuevo México. Sistemas expertos con
Honorato et al. [40] utilizaron ANN única y ANN combinadas
aplicaciones 2016, 43, 154-164, doi: 10.1016/j.eswa.2015.08.043.
con transformada wavelet discreta (NNW) para pronosticar el
[12] Khosravi, A.; Nunes, RO; Assad, MEH; Machado, L. Comparación de métodos
caudal mensual y obtuvieron un coeficiente de correlación (R) de de inteligencia artificial en la estimación de la radiación solar global diaria.
0,945 (y R2: 0,893) en fase de prueba. De las tablas 2 y 3 se Revista de Producción Más Limpia 2018, 194, 342-358, doi: 10.1016/
desprende claramente que los modelos implementados j.jclepro.2018.05.147.
proporcionaron una buena precisión en comparación con [13] Azad, A., Kashi, H., Farzin, S., Singh, VP, Kisi, O., Karami, H. y Sanikhani, H.
Enfoques novedosos para la predicción de la temperatura del aire: una
estudios anteriores.
comparación de cuatro híbridos evolutivos modelos difusos. Aplicaciones
meteorológicas 2020, 27, (1), e1817, doi: 10.1002/met.1817
[14] Seifi, A.; Riahi-Madvar, H. Mejora del modelado unidimensional de
CONCLUSIÓN V dispersión de la contaminación en ríos utilizando modelos optimizados
Se examinó y comparó la capacidad de predicción de dos métodos GA basados en ANFIS y ANN. Environ Sci Pollut Res Int 2019, 26, 867-885.
heurísticos, ANN-GA y ANFIS-GA para predecir el caudal mensual de las [15] Yaghoubi, B.; Hosseini, SA; Nazif, S. Predicción mensual del caudal
utilizando modelos basados en datos. Revista de ciencia del sistema
cuencas de los ríos Neelum y Kunhar y se comparó con el modelo lineal
terrestre 2019, 128, doi:10.1007/s12040-019-1170-1.
convencional, es decir, M5Tree en este estudio. Los modelos ANN-GA,
[16] Wu, L.; Zhou, H.; Mamá, X.; Fan, J.; Zhang, F. Predicción de la
ANFIS-GA y M5RT se evaluaron utilizando cuatro combinaciones de evapotranspiración de referencia diaria basada en un modelo de máquina
entrada de retardos de tiempo diferentes, incluido el número de mes, de aprendizaje extremo hibridado con algoritmos de optimización
para ver el efecto de la periodicidad en la precisión de la predicción. Se bioinspirados: aplicación en climas contrastantes de China. Revista de
encuentra que ambos modelos heurísticos, ANFIS-GA y ANN-GA Hidrología 2019, 577, doi: 10.1016/j.jhydrol.2019.123960.
proporcionaron resultados más precisos que los modelos M5RT. También [17] Kaur, A.; Bueno, marco basado en SK Cloud-Fog para predicción y
pronóstico de sequías utilizando redes neuronales artificiales y
se encuentra que la periodicidad mejora la precisión de la predicción de
algoritmos genéticos. Revista de Inteligencia Artificial Experimental y
los modelos. En este estudio, solo se utilizaron valores de caudal Teórica 2019, 10.1080/0952813x.2019.1647563, 1-17,
anteriores como datos de entrada para predecir el caudal. Sin embargo, doi:10.1080/0952813x.2019.1647563.
para futuros estudios, se pueden utilizar la precipitación, la temperatura y [18] Soni, U., Roy, A., Verma, A. y Jain, V. Previsión de la generación de residuos sólidos
otros datos meteorológicos además de los valores del caudal para municipales utilizando modelos de inteligencia artificial: un estudio de caso en
predecir el caudal. la India. SN Ciencias Aplicadas 2019, 1, (2), 162, doi: 10.1007/s42452- 018-0157-x.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
[24] H. Karimi y F. Yousefi, "Aplicación del algoritmo genético de red neuronal [33] MK Goyal, “Modelado de la predicción del rendimiento de sedimentos utilizando el
artificial (ANN-GA) a la correlación de densidad en nanofluidos". algoritmo de árbol modelo M5 y la regresión Wavelet”, Water Resources
Equilibrios de fase fluida, 2012. Management, vol. 28, núm. 7, págs. 1991-2003, mayo de 2014.
[25] B. Ghorbani, M. Ziabasharhagh y M. Amidpour, “Una red neuronal [34] Adnan, RM, Liang, Z., Heddam, S., Zounemat-Kermani, M., Kisi,
artificial híbrida y un algoritmo genético para predecir la viscosidad O. y Li, B. (2019). Máquina de vectores de soporte de mínimos cuadrados y
de los petróleos crudos iraníes”, Journal of Natural Gas Science and splines de regresión adaptativa multivariada para la predicción de caudales en
Engineering, 2014. cuencas montañosas utilizando datos hidrometeorológicos como entradas.
[26] A. Karkevandi-Talkhooncheh, M. Sharifi y M. Ahmadi, “Aplicación del Revista de Hidrología, 124371.
sistema de inferencia neuro-difuso adaptativo híbrido en la [35] O. Kisi, “Modelado de evaporación en bandeja utilizando una máquina de vectores de
optimización de la ubicación de pozos”, Journal of Petroleum Science soporte de mínimos cuadrados, splines de regresión adaptativa multivariada y árbol
and Engineering, 2018. modelo M5”, Journal of Hydrology, vol. 528, págs. 312–320, 2015.
[27] JSR Jang, “ANFIS: Sistema de inferencia difusa basado en red adaptativa”, [36] Adnan, RM, Liang, Z., Trajkovic, S., Zounemat-Kermani, M., Li,
IEEE Transactions on Systems, Man and Cybernetics, 1993. B. y Kisi, O. (2019). Predicción diaria del caudal de agua utilizando una
[28] [11] IM Alarifi, HM Nguyen, AN Bakhtiyari y A. Asadi, “Viabilidad de los máquina de aprendizaje extremo optimizada. Revista de Hidrología, 577,
modelos ANFIS-PSO y ANFIS-GA para predecir las propiedades 123981.
termofísicas del nanofluido híbrido Al2O3-MWCNT/aceite”, [37] L. Wang, Z. Niu, O. Kisi, C. Li y D. Yu, “Modelado de evaporación en
Materiales, 2019. recipiente utilizando cuatro enfoques heurísticos diferentes”, Computers
[29] HK Yadav, Y. Pal y MM Tripathi, “Un novedoso modelo híbrido GA-ANFIS and Electronics in Agriculture, 2017.
para la previsión de energía solar fotovoltaica a corto plazo en el mercado [38] RC Deo, O. Kisi y VP Singh, “Pronóstico de sequía en el este de Australia utilizando
eléctrico de la India”, Journal of Information and Optimization Sciences, spline de regresión adaptativa multivariada, máquina de vectores de soporte de
2019. mínimos cuadrados y modelo M5Tree”, Atmospheric Research, 2017.
[30] H. Moayedi et al., “Nuevos híbridos de sistema de inferencia neurodifuso
adaptativo (ANFIS) con varios algoritmos metaheurísticos para la evaluación de [39] Honorato, AGSM, Silva, GBL & Santos, CAG, Predicción mensual del caudal
la susceptibilidad espacial de deslizamientos de tierra inducidos por sísmos”, de agua utilizando técnicas de neurowavelet y análisis de entrada,
Geomatics, Natural Hazards and Risk, 2019. Hydroological Sciences Journal, vol. 63, núm. 15-16, 2018.
[31] JR Quinlan, “Aprendizaje con clases continuas”, en la quinta conferencia conjunta [40] Hadi, SJ, Tombul, M, Pronóstico mensual del caudal de agua utilizando
australiana sobre inteligencia artificial, 1992, vol. 92, págs. 343–348. una combinación de ondas continuas y programación genética
[32] A. Rahimikhoob, “Comparación entre el árbol modelo M5 y las redes multigénica, Journal of Hydrology, 561, 674–687, 2018.
neuronales para estimar la evapotranspiración de referencia en un
ambiente árido”, Gestión de recursos hídricos, vol. 28, núm. 3, págs. 657–
669, 2014.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.