Experiences in the development and Application of Mathematical Models in Hydrology and Water Resources in Latin America (Proceedings of the

Tegucigalpa Hvdromath Symposium, September 1983). lHSPubl.No.152.

SIMULACION DE CAUDALES CON LARGA MEMORIA

Ricardo A. Smith

CENTROINTERAMERICANO YDESARROLLO INTEGRAL DE AGUAS Y TIERRAS Mrida, Venezuela

RESUMEN Desde los afios 60 diferentes tcnicas y modelos de simulacin es' tocstica han sido sugeridas en la literatura para el anlisis de series de tiempo hidrologicas y su aplicacin en la generacin de info macin que permita la planificacin, operacin y manejo de sistemas de recursos hidrulicos de una manera mas racional. Estas tcnicas de simulacin estocstica podran dividirse o clasificarse, en forma gene rai, en dos grandes grupos de acuerdo a su capacidad para representar la persistencia prsente en las series de tiempo hidrologicas. El pri mer grupo lo forman los modelos de memoria corta que tratan de representar la persistencia a corto plazo (autocorrelaciones de orden bajo) normalmente prsente en las series hidrologicas. El otro grupo esta formado por los modelos de memoria larga los cuales tratan de repre sentar la persistencia a largo plazo (en general representada por el coeficiente de Hurst), cuya presencia en las series hidrologicas no es tan aparente como la anterior. El propsito principal de este trabajo es hacer una revision de los modelos estocsticos sugeridos en la literatura que preservan per_ sistencias a largo plazo. Inicialmente se prsenta una introduccion a la simulacin estocstica en hidrologa, luego una seccin en donde se discute el coeficiente de Hurst, considerado como el indicdor de la presencia o ausencia de dependencias a largo plazo en series hidrologicas. Luego se presentan una srie de secciones en donde se descri_ ben brevemente los modelos de simulacin estocstica que supuestamen_ te logran preservar, entre otras caractersticas, la persistencia a largo plazo. Finalmente, se prsenta una seccin de discusin, conclu_ siones y recomendaciones sobre los modelos presentados y su potencialidad en hidrologa. INTRODUCCION La posibilidad de usar la teora de probabilidades y estadstica en el anlisis de las secuencias hidrologicas de caudales ya haba s _ i do sugerida desde hace casi 70 afios (Hazen, 1914; Sudler, 1927), pero 267

268 R.Smith

solo hasta 1954 (Barnes, 19S4) se introdujo, de una manera muy preliminary la generacin sinttica de caudales de un ro, usando tablas de numros aleatorios normalmente distribuidos. Es solo hasta los anos 60 cuando se prsenta un desarrollo formal del modelamiento esto_ cstico en hidrologa oon la introduccion y aplicacin de modelos autoregresivos en el modelamiento de series de caudales anuales y pericS dicos (Thomas y Fiering, 1962; Yevjevich, 1963). Desde entonces, en hidrologa se ha realizado un gran esfuerzo para tratar de mejorar los modelos propuestos inicialmente, a fin de desarrollar nuevos modelos, para justificar fsicamente algunos de ellos y para estudiar su impa to en el planeamiento, diseno y operacion de sistemas de recursos hidrulicos. En hidrologa, la literatura en estos aspectos es rica y muy variada (Chiu, 1972; Klemes, 1974; Jackson, 1975; Lawrence y Kottegoda, 1977; McLeod y Hipel, 1978). Supuestamente cada uno de los modelos introducidos para ser usados en hidrologa tienen el proposito de reproducir las principales caractersticas estadsticas de las secuencias histricas, y aunque todos ellos tienen sus mritos han s _ i do criticados por algunas de las siguientes razones (Salas et. al., 1980): por no reproducir persistencias de corto plazo, por no reproducir persistencias de largo plazo, por l dificultad que se puede tener en la estimacion de parmetros, por el numro de parmetros, por no poderse justificar fsicamente, y por las dificultades en generar muestras sintticas de gran tamano. Un procedimiento sistemtico para el modelamiento de series hidro logicas consta de seis pasos (Salas y Smith, 1980): 1. Identificacion de la estructura del modelo, 2. Identificacion del tipo de modelo. 3. Identificacion de la forma del modelo, 4. Estimacion de los parmetros del modelo, 5. Chequeo del modelo, y 6. Evaluacin de las in certidumbres en el modelo. La identificacion de la estructura del mo_ delo consiste en determinar si se va a usar un modelo univariado o multivariado, o la combinacin de un modelo univariado con uno de des_ agregacin, o una combinacin de un modelo multivariado con uno de desagregacin, etc. Esta etapa del modelamiento estocstico dpende de las caractersticas del sistema de recursos hidrulicos, de las ca ractersticas de las series hidrologicas y de la experiencia y conocimiento de la persona encargda del modelamiento. Una vez que la es_ tructura del modelo ha sido definida el siguiente paso es dfinir el tipo de modelo a ser usado, es decir, dfinir, entre los muchos modelos alternatives disponibles en hidrologa, cual es el que debe usar_ se para generar la informacin requerida. Muchos modelos han sido propuestos para su uso en hidrologa y entre ellos se encuentran: los modelos Autoregresivos (Thomas y Fiering, 1962; Yevjevich, 1963; Mata las, 1967), los modelos de Ruido Normal Fraccionado (Mandelbrot y Wallis, 1958; Matalas y Wallis, 1971) los modelos autoregresivos con Promedio Movil (Carlson, et.al, 1970; O'Connell 1971), los modelos de la Lnea Partida (Meja, 1971), los modelos de Desagregacin (Valencia y Schaake, 1973), los modelos de Procesos Intermitentes (Yako_ witz, 1973; Kelman, 1977), y algunos otros. La decision de cul de estos modelos se debe usar dpende de las caractersticas fsicas del proceso hidrologico, las caractersticas de las series hidrologi_ cas, y la experiencia, conocimiento, y preferencias de la persona en cargada del modelamiento.

Simulacios de Caudales con 269 Larga Memoria

Una vez que se ha escogido el tipo de modelo es necesario identificar su forma. Esto incluye entre otras cosas dfinir el orden del modelo si' es del caso, dfinir si la srie hidrologica a ser modelada es asimtrica o no, y si lo es, dfinir si esta asimetra va includa de alguna forma en el modelo, usando una distribucion asime_ trica para este, dfinir para las series periodicas si la correlacrn de perodo a perodo es importante o no, si las caractersticas periodicas- pueden ser ajustadas por funciones como series de Fourier, etc, El proceso de identificacin de la forma del modelo dpende de las caractersticas de las series hidrolgicas y de la experiencia y conocimiento de la persona encargada del modelamiento. Una vez dfi nida la forma del modelo, el siguiente paso es estimar los parmetros del modelo por alguno de los mtodos disponibles. Este modelo identificado y estimado debe verificarse para probar si cumple con las suposicones iniciales que se hicieron para su desarrollo y para ver que tan bien reprsenta la srie hidrologica historica. Las suposiciones iniciales que generalmente se verifican son las de normalidad e independencia de los residuos del modelo, cuando stos pueden ser ob tenidos-, Otra prueba consiste en comparar el correlograma del modelo con el de la srie historica. Por medio de la generacion se puede hacer un anlisis estadstico que permita dfinir si el modelo identificado y estimado reproduce las caractersticas estadsticas historicas que se supone debe reproducir. Si el modelo identificado y estimado no pasa las pruebas anteriores entonces el tipo y forma del modelo, y a lo mejor hasta su estructura deben ser cambiados y el procedimiento anterior debe ser repetido hasta que se encuentre un modelo adecuado. -Una vez que el modelo identificado y estimado se acepta como ade cuado se deben evaluar las incertidumbres inhrentes al modelamiento estocstico que son de dos formas: incertidumbre en el modelo e incertidumbre en los parmetros. La incertidumbre en el modelo es el resultado del desconocimiento del verdadero modelo,y puede ser evalua_ da si hay alguna diferencia en los estadsticos generados con modelos alternatives. La incertidumbre en los parmetros se deben a que estos son estimados con un numro limitado de observaciones, y puede ser determinada encontrando una distribucion para los parmetros y usar el modelo con parmetros muestreados de esta distribucion. Se ha presentado en esta introduccion una sntesis del modelamieri to estocstico en hidrologa. Como se anot anteriormnte el esfuerzo se concentrar ahora en aquellos modelos que logran preservar persistencias de largo plazo, especficamente, los modelos de Ruido Normal Fraccionado, los modelos Autoregresivos con Promedio Movil, y los modelos de la Lnea Partida. El criterio utilizado en la literatura pa_ ra evaluar las persistencias a largo plazo es el conocido con el nombre del coeficiente o fenmeno de Hurst, nombrado en honor a Hurst despues de las investigaciones que este hizo con series de gran longi_ tud (Hurst, 1951) las cuales afios mas tarde impactaran de una forma tremenda los aspectos prcticos y tericos del anlisis de series de tiempo de fenmenos no solo hidrologicos sino tambin geofsicos. Se prsenta ahora une seecin en donde se discute brevemente el coeficieri

270 R. Smith

te o fenomeno de Hurst y luego se presentan una srie de secciones so bre los modelos antes mencionados. EL FENOMENO DE HURST En su estudio sobre la capacidad de almacenamiento de embalses a largo plazo Hurst (1951, 1956) empleo un estadstico conocido con el nombre del rango de las desviaciones acumuladas el cual se define a continuacin. Si Xi, X2, ..., X n reprsenta una secuencia de flujos de entrada anuales a un embalse durante n afios con media n, varianza <j2( i a i-ava suma parcial si se define como,
SJ

j - i

(xl

- ^

(D

y si P n reprsenta el mximo valor de S;, i = 1,,..,n y 0 n el menor valor de S;, i = 1,...,n, el rango de las desviaciones acujruladas con respecto a la media se define como, n R = ^n Qn (2)

Se tratar de presentar ahora una definicion con mayor sentido fisico de este estadstico. La cantidad total de agua que entra al embalse durante los n afios esta dada como,
D

.S

x,

(3)

y para mantener en el embalse una descarga constante igual a la media de los flujos de entrada al mismo, se necesita remover cada ano una cantidad igual a la medida de los flujos de entrada al embalse, con una tasa de remocion tal que la cantidad n

k
n

i=i

(4)

es la removida los primeros k afios. Entonces el exceso o deficiencia relativa a la cantidad removida durante los primeros k afios estara dada como, * k k "

n
'

.2 " | = i x-,"--"
i= i

k _!L_ S S

= u " l = D k - _k_ k - k

Dn

(5)

i= i

Si se define P n como el mximo valor de D , k=1,...,n y Q n como el me nor valor de Dv k=l n P S ^orir P n , "~ K , ^ i,.,.,n, eb aecir, rn y y n representan el mayor exceso y la mayor deficiencia, respectivamente, con relacion a la entrega constante durante los-n afios. El rango de las desviaciones acu muladas con respecto a la media se define nuevamente usando la ecuacin (2). Normalmente cuando se ha usado el valor estimado de la media para dfinir el rango, este recibe el nombre del rango ajustado de

Simulation de Caudales 271 con Larga Memoria.

las desviaciones con respecto a la media, o simplemente rango ajustado. En sus investigaciones Hurst (1956) calcul el valor de R n para multiples series de los mas diversos tamanos y cada valor de Rn lo dividi por la desviacin tpica S n de la srie de n observaciones, ob_ teniendo el estadstico R n /S n conocido con el nombre del rango ajuste do reescalado. Hurst encontro que este estadstico variaba con el tamano de la muestra n como,
R

n Sn

n ,k 2

(6j

en donde K podra tomar un valor entre 0 y 1 , encontrando que para to" dos los fenomenos estudiados el valor promedio de k fue de 0.73 con una desviacin tipica de 0.08. Hurst (1956) y Feller (1951) encontra_ ron independientemente que el valor esperado del rango ajustado para un proceso normal puramente aleatorio con n grande estaba dado como,

fn] - (nJE ) V 2

(7)

en donde o es la desviacin tipica de la poblacion del proceso. El he cho de que el exponente k en la ecuacion (6) no sea igual al exponente 0.5 de la ecuacion (7) es lo que se conoce con el nombre del fenomeno de Hurst, La ecuacion(6) podra escribirse en forma mas general (Mandelbrot y Wallis, 1968) como, Rn Sn = C nh (8)

en donde h ha recibido el nombre genrico de coeficiente de Hurst y C es otra constante. En hidrologia, el estimado de h para pequenas mues_ tras se dnota en general como H. Muchas explicaciones se han tratado de dar a la ocurrencia del fe_ nmeno de Hurst, taies como la asimetra, transicion, no estacionareidad, y la autocorrelacion. La asimetra dfinitivamente no es causa de la ocurrencia de este fenomeno ya que se ha demostrado que el comportamiento del rango ajustado reescalado correspondiente a diferentes procesos estocsticos no dpende de la distribucion marginal del pro so. La autocorrelacion, cuando se usan modelos de tipo autoregresivo, tampoco debe ser la causa de este fenomeno ya que la memoria de estos procesos es extremadamente corta. La transicion establece que si se tuvieran registros suficientemente largos el coeficiente de Hurst h tender a 0.5. Esta causa no puede ser probada pues este tipo de registros no existe. La ultima de las posibles explicaciones del fenome no de Hurst es la no estacionareidad en la media (Hurst, 1957; Klemes, 1974), pero esta es una causa que pareciera no deseable pues aquellos modelos usados en generacion de series sintticas, que inclusive repro_

272 R. Smith

ducen el coeficiente de Hurst, son modelos de procesos estocasticos e s _ tacionarios. Como se puede ver no existe entonces una causa obvia o directa que explique claramente la ocurrencia del fenmeno de Hurst. El coeficiente de Hurst puede ser visto como la pendiente de la relacion lineal entre 1n(Rn/ Sn) y 1n(n), . Varias formas de estimacin de esta pendiente han sido sugeridas en la literatura. Hurst (1951) sugiere estimar el exponente K para cada punto como,

K n = log [Rn/Sn] / log [ n 2 "/J

(9)

y luego estima como exponente K al promedio de estos coeficientes, Hurst (1951 ) tamb/in sugiere estimar este exponente calculando priraero el rango ajustado reescalado R = Rn/Sn promedio y luego estimar el exponente K como,

K = log jRn*j /log

[n/2]

QQ-l

Gtra forma de esizimacin sugiere dividir la srie de n obseryaciones en subseries de tamafio m, y para cada subserie de longitud m se estima Kmfi, en donde el subndice i se refiere a Tas diferentes subseries de tamafio m. La pendiente de la lnea log [ R ^ ] contra log [nj es un estimado del exponente H (Mandelbrot y Wallis, 1969), Tambin se puede estimar H como la pendiente de la lnea (Mandelbrot y Wallis, 1969), log [RmJ = a + H log [m] para nQ ^
m

< n

estimada usando el mtodo de mnimos cuadrados, Otras formas de estimacin de K y H pueden s e encontradas, en la literatura como el estima .r dor local de la pendiente H sugerido por Salas y Boes 0 974;. Los fenmeno lo de la Cada uno modelos presentados en la literatura, capaces de preservar el de Hurst, son el modelo de Ruido Normal Fraccionado, el modeLnea Partida, y - l modelo Autoregresivo de Promedio Movil. e de estos modelos se prsenta ahora con algn detalle.

EL MODELO DE RUIDO NORMAL FRACCIONADO El modelo del Ruido Normal Fraccionado RNF) esta basado en el pro_ ceso estocstico del movimiento Browniano, el cual es un proceso estocstico B(t) definido en el campo contnuo tal que los incrementos definidos como Bft+ti) son normalmente distribudos con media cero, varianza u e independientes para intervalos de tiempo no superpuestos. El movimiento Browniano fraccional (MBF) se define como el promedio mo vil de un proceso incremental en el campo contnuo dB (t) = B(t + dt) B(t) en donde los incrementos anteriores a B(.t) son pesados por el fac tor (t - s)H-0.5. En este factor el exponente H reprsenta el coeficiente de Hurst y slo.tiene significado si 0.5 < H < 1. Heursticamente el MBF puede entonces definirse como, t H 5
- B H (t) = T (t-S) -dB(s), - oo<t<oo
(11)

J~ oo

Simulation de Caudales 273 cou Larga Mcmoria.

El movimiento Browniano fraccional en el campo discreto (MBFCD) se define tomando incrementos unitarios de BH(.t) hasta el tiempo t y se pue de escribir como, ~ bfefel = B H (t] - B H ( t -1) o sea, t b-t(H) = f K(t-S; H) dB(S), t = 0, - 1 , + 2, . . . (12) f

en donde KCt-S;H) es la funcion Kernel de variacion continua definida por la ecuacin (11). Una de las caractersticas mas importantes del movimiento Brownia no es la autosimilaridad, es decir, la invarianza estadstica con respecte a cambios en la escala de tiempo. En general se pudiera decir que aiato-similaridad significa que las variables aleatorias B(t+u) -.Bft) y{(B(t+ur) - B(t)}/ r 0 - 5 tienen la misma distribucin, es decir, las propiedades de la distribucin no cambian cuando se cambia la esca la de tiempo. El ruido normal fraccionado en el campq discreto esta dado por la discretizacin de una realizacin del MBFCD, lo cual significa que cada intervalo de tiempo debe subdividirse en un conjunto de m subintervalos igualmente espaciados y para ca^a u . d= esuos Subintervalos se ^o yenera un numro aleatorio normalmente distribudo con media cero y va rianza m . La integral dada en la ecuacin (12) es entonces aproximada por una sumatoria en donde M indicar la memoria del proceso, y puede escribirse como,
X

mt-1 t = n =mU-M)

Kft

> Gn(m-1),

= 0, + 1,+ 2,...(13)

en donde G n ( m - ^ e s ^ a secuencia de variables aleatorias independientes y distribudas N(0; m"""1). Esta ecuacin anterior fue bastante usa_ da en el desarrollo y uso inicial del RNF en hidrologa. En la primera aproximacion conocida como tipo I el Kernel esta definido como en la ecuacin (11) y con m = 10, y en la segunda aproximacion conocida como tipo II el Kernel esta definido como (H-0.5)uH_1-5 y m=1. Estas aproximaciones han sido discutidas en detalle por Matalas y Wallis (1971) y Wallis y Matalas (1970) pero se ha mostrado que ambas no solo requieren de excesivo tiempo de computacin sino que pudieran llegar a dar resultados insatisfactorios (Mandelbrot, 1971). Tratando de superar estas limitaciones Mandelbrot (1971) sugirio el uso del modelo del Ruido Normal Rapidamente Fraccionado (RNRF) en el cual las propiedades de baja frecuencia de la funcion de covarianzs del MBFCD dadas como, ^

C(S,H) = ^ { ( S + 1 ) 2 H _

2S 2H +

(S_1)2H }

s=0/1f

(14)

274 R. Smith

son reproducidas. Esta funcion de autocovarianza puede ser aproximada para rezagos grandes, que es lo que interesa en este caso, por la expresin, 2H 2 C(S,H) = H(2H - 1)S S0 (15) la cual para todos los efectos prcticos, produce resultados prcticamente indistinguibles de los producidos por la ecuacin (14). De esta manera, las autocorrelaciones son positivas para todo valor de S y para 0.5 < H < 1, y la integracion de la funcin de covarianza entre cero e infinito es infinito, pero C(S, 0.5) = 0 para todo S. El modelo del RNRF esta definido por la suma de dos componentes. La primera de ellas reprsenta las bajas frecuencias, o los efectos a largo plazo, y la segunda tiene que ver en la correccion de los efectos de las frecuencias altas. La primera componente Xt(L) es definida mediante la suma de N procesos Markovianos-normales tipificados, cada uno de ellos afectados por un peso, y podra escribirse como, N S W-5

Xt(L) =

a t (n, D )

(16)

en dondeat(n,B) es el proceso Markoviano-normal tipificado con una auto_ correlacin de rezago uno igual a exp(-D~n), D es un parmetro que toma valores en el rango de 2 a 4, y W n son los pesos definidos como,

Wn =

H(2H-1) (D 1 ~ H -D H ~ 1 ) D 2 ( H - 1 ) n /r(3-2H)

(17)

el cual se obtiene de la relacion entre las ecuaciones (15) y (16) (Lawrence y Kottegoda, 1977). Se han encontrado valores de N entre 15 y 20 que dan resultados aceptables (Chi et. al.,, 1973; Kottegoda, (1974) La segunda componente Xt(H) esta definida como un proceso normal Markoviano con media igual a cero, varianza definida como, 1 - D H ~ 1 H(2H-1)/r(3 - 2H) y su autocorrelacion de rezago uno dada como, 22H-1-1 + N J^

W 0.5

(1-exp(-D-n )) _ B (H-1) H{2H -l)/K3-2H)

El modelo de (RNRF) esta entonces definido como,

Xt =

Xt(L) + K t (H)

(18)

Los principales problemas con este modelo son la estimacin del coeficiente de Hurst de datos historicos y la suposicion de que los re

Simulation de Caudales 275 con Larga Memoria.

gistros histricos son normalmente distribudos. Se han efectuado algunos intentos de usar distribuciones diferentes a la normal con este modelo (Matalas y Wallis, 1971) pero esta es un area que necesita mayor investigacion, sobre todo en el efecto que esto pudiera tener en la propiedad de auto-similaridad del movimiento Browniano. El modelo presentado de RNRF es un modelo estacionario y por lo tanto no puede usarse para representar el comportamiento de series hidrolgicas peri dicas, pero esta dificultad puede obyiarse usando este modelo en combi nacion con el modelo de desagregacin de Valencia y Schaake, o con algn otro de este tipo, tal como ha sido sugerido en la literatura (Gar ca et. al., 1972) . ~ EL MODELO DE LA LINEA PARTIDA El modelo de la Lnea Partida (LP) ha sido presentado como un modelo alternativo al modelo del Ruido Normal Fraccionado, que prserva persistencia a largo plazo (Meja, 1971; Mejia et. ai, 1972). El modelo de la Lnea Partida puede verse como una aproximacin al RNF en el mismo sentido del RNRF pero en donde las componentes son procesos de lnea partida en lugar de procesos Markovianos normales. Aunque se han presentado algunas aplicaciones del modelo (Garcia et. al, 1972; Curry y Bras, 1979) este modelo pareceria mas complicado de desarrollar que el modelo RNRF. En este trabajo se prsenta en forma general el modelo LP, siguiendo las sugerencias hechas por Curry y Bras (1979) las cuales, a pensamiento del autor, le dieron posibilidades operacionales al modelo. Si Xt es una secuencia hidrologica anual, el modelo LP, que puede ser ajustado a esta secuencia, podra escribirse como,

=^x+

x (>"-) 1 / 2 '20

Yt

(19)

en donde ^x Y x son la media y la desviacion tpica de la secuencia hidrologica, a 2 e s i a varianza de la componente aleatoria, y Y t esta definido como,
e

(20) i(t)

't =

JIT

9i

en donde gi son pesos y ei(t) es un proceso simple de lnea partida (PLP) definido como, , (a; + i " a.)(t-jC,)

(21)

en donde I t ( ) es un indicador definido como,

276 R. Smith

1 , lt(jCj,(j+l)Cr) 0 ,

para

jCjjf t ^ ( j + l ) C ; (22) ran go

para t en o t r o

Ci es el parmetro temporal del PLP, u es el desplazamiento aleatorio, y aj es la componente aleatoria. Los parmetros de este modelo son la media y la varianza de la srie hidrologica, la varianza de la componente aleatoria, el numro T de PLP a ser adicionado para dfinir Y t , los pesos gi de los diferentes PLP, los parmetros temporales Ci del PLP, el desplazamiento aleatorio u, y otros parmetros que se irn definiendo ms adelante. La estimacion de mdias y varianzas se asumen conocidas por el lector. El numro T de PLP que deben ser sumados para dfinir el modelo LP puede ser estimadq usando la ecuacin

log (gN) log (B)

+ 2

[23)

en donde N es el numro de observaciones en la srie hidrologica, y Q y B son parmetros cualitativos definidos por el analista y pueden ser cambiados por este de tal manera que se asegure un buen ajuste. Valores tpicos de Q y B son de 5 y 4 6 de 6 y 3 respectivamente. Se selec ciona como T el mayor valor entero cercano al resultado obtenido con la ecuacin (23). Los pesos g pueden ser estimados como, 2(H-1)

= f4 r _ b ( B H - 1 _ B 1 - H , R 2(H-l)(-l),1/2 X 2(H-1) t>l B JB }

T

. .. i-l,2,

.T (24)

<1 - ,i 9? > 1 / 2
en donde b es un parmetro dado como,

(25)

H(2H-1) (2H-2) (2H-3) (2H-4) (2H-5) 6 (23~2H

1)

(26)

H es el coeficiente de Hurst que se puede estimar a partir de los registres histricos, usando alguno de los procedimientos descritos en la segunda seccion del prsente trabajo, y C 1 e s el parmetro temporal del PLP. Este parmetro es estimado mediante un proceso iterativo me diante el cual se asume inicialmente un valor para C-\ y se calcula el~ coeficiente de autocorrelacin de rezago uno como,

Simulation de Caudales 111 con Larga Memoria.

Pi

2(H-1)

*-

i4E2

(2 " T-Q

1, )

+ | ( 2 - I ) 3 IE(0.5,1)} B
en donde E = C-jBi 1 led,) = { 0 I (0.5,1) = {
]

2(H-l)i

(27)

y, si CaB1 > 1

para otro rango

P a r a -5 <CiB' < 1 0 otro rango

Con este valor de P* y el valor estimado del coeficiente de autocorrela cion de regazo uno pj usando las observaciones de la secuencia .hidrologica un nuevo valor de C-j , llamado C 2 , puede estimarse de la expresin dada como,

Pi

4 ^

MBH-W-)^

B 2(H-D(.-I

Pl

2(H-1)

bl3

~B

(28) i^i

si el valor calculado de c 2 es menor que 1/2, el trmino de alta frecuencia dehe incluirse en la estimacin de C5. En este caso el coefi_ ciente Pj es.tara dado.por la ecuacion (27) mas el trmino de alta frecuencia dado como, b
Cl2(H-DB1-H-T

{(1 2(1-H) <C *

(2

-) i Ci > 'Ci

(1 V

) ';

(2

-J-) 3 i r

(0.5,1)}

(29)

en donde los indicadores tienen el mismo significado expuesto anterior; mente. En este caso el nuevo valor de C j denominado C 2 , se obtiene de la relacin,
c 2 2

(Pi - 1) =

c* (p* -1)

(30)

278 R. Smith

El valor de C 2 obtenido usando la ecuacion (28) o la ecuacion (30) se compara con el valor asumido de C | . Si son iguales el proceso iterative se detiene y el valor estimado de C1 sera el valor calculado de C 2 Si son diferentes se asume como nuevo valor de Ci el valor calculado de C2 Y s e repite el proceso. Sin prdida de generalidad se puede asumir que la varianza de Y^ en la 2 ecuacion (20) es 2/3 en cuyo caso la varianza o& de la componente aleatoria es 1. Si se asume que la componente aleatoria es normalmente dis_ tribuxda el coeficiente de asimetra de esta variable es igual a cero, pero si la asimetra de la muestra es significativa y desea preservarse, el coeficiente de asimetra de la componente aleatoria puede ser es_ timado mediante la expresion. ha - ^ * '-' ( | ) 3 / 2 hx

en donde h x e s el coeficiente de asimetra de la muestra. El modelo LP haba sido prcticamente descartado para su uso en hi_ drologa debido no solo a la complejidad del mismo, sino tambin al gran numro de parmetros que tiene y que para cuya estimacin es necesario, en algunos casos, hacer ciertas suposiciones (Meja et.al., 1972); Garca et. al, 1972; Meja et. al, 1974; Lawrance y Kottegoda, 1977). Sin embargo, desde el trabajo de Curry y Bras (1979) en donde no solo se prsenta una tepra mas generalizada y mas sistemtica del modelo, sino tambin se pres.enta su aplicacion en forma multivariada en la ge neracion de caudales para el ro Ni la, la operatibilidad de este mode lo ha aumentado sustancialmente hasta hacerlo un modelo alternativo para procesos de larga memoria. Este modelo puede tambin ser usado en combinacion con algn modelo de desagregacin para la generacion de series hidrologicas periodicas. MODELOSTIPOARIMA Desde la introduccin de los modelos ARIMA, (Box y Jenkins, 1970) su uso en hidrologa se ha expandido rpidamente no solo porque repre senta una forma sistemtica de modelamiento estocstico, sino tambin porque tiene un gran sentido fsico con respecto a la representacion del proceso precipitacin-escorrenta (Salas y Smith, 1980a, 1980b). Para hacer una concisa descripcin del modelo se definen inicialmente los operadores B y V como, BXt o sea, BmX t = X t(.32)

= X. t-1

Simulation de Caudales 279 con I.arga Memoria.

y

'

VXt =

Xt - Xt_1

= (1-B) Xt

(33)

el operador V tiene como inverso el operador de sumatoria, es decir,

-1 <

Xt= =

,S 0 xt_. - 0 + B+3 2 + ...) X|. (l-B)-^t

(34)

El modelo autoregresivo de promedio mvil (ARMA) puede ser escrito como, X t = ,X t . 1 + < M t _ 2 + + *pXt_p + a t - 0 , 8 ^

- H-2 "

' eq Vq

(35)

en donde p y q representan el orden del modelo, 9- > l=>>>? repre senta los coeficientes autoregresivos del modelo, 8., i=1,...,q son los coeficientes de promedio mvil del modelo, y at es la componente 2 aleatoria asumida normalmente distribuda con media cero, varianza aa y no correlacionada en el tiempo. Los paramtres de este modelo son la media y la varianza de la srie hidrologica, la varianza de la corn ponente aleatoria 6 , los p coeficientes autoregresivos, y los q coeficientes de promedxo mvil, es decir, un total de p+q+2 parmetros. Usando los operadores descritos anteriormente al modelo ARMA de la ecuacin (35) denotado ARMA (p,q) puede ser escrito como,

(1-4)1 B o sea,

foB2-

-* p B P ) X t

(1_GIB

" 02B2-....-eqBq)at

(36)

(J)(B)Xt = B(B)at

(37)

en donde (J)(B) y 6(B) son polinomios de B de orden p y q respectivamen_ . te. Este modelo debe cumplir con las condiciones de estacionareidad e invertibilidad. La condicin de estacionareidad establece que las ra ces del polinomio (J)(B)=0 caigan fuera del crculo unitario, mientras que la condicin de invertibilidad establece la misma condicin pero para el polinomio 8(B)=0. Si Xt es no estacionario, pero las condiciones anteriores se mantienen, el proceso podra escribirse como, (B) V d X t = 9(B)at
(38)

en donde V reprsenta la d-ava diferenciacin del proceso Xt-

El mo-

280 R. Smith

delo estocstico de la ecuacin (38) recibe el nombre de modelo ARIMA (p, d,q). Aunque modelos ARIMA con d>0 podran usarse para prediccin, estos modelos no son adecuados para la generacin sinttica de caudales dada la no-estacionareidad del modelo. Se ha encontrado sin embargo que ciertos modelos ARMA (p,q), que en realidad son modelos ARIMA con d=0, poseen funciones de autocorrelacin que decaen muy lenta_ mente y que por lo tanto podran usarse para representar persistencias de largo trmino. Uno de los modelos sugeridos para preservar persistencias de largo trmino es el modelo ARMA (1,1) (O'Connell, 1971, 1974) el cual pue_ de ser escrito como, Xt = *iX t _ 1 + at - 6iat-1 (39)

o, escrito usando los operadores anteriores,

0-<friB)Xt

(1- 6iB) a t

(40)

observe que este modelo podra tambin escribirse como,

Y x

0 - 6iB) (1 - <hb)

que es una sumatoria infinita en a . vislumbrando la potencialidad del rao t delo en preservar persistencias a largo plazo. Las condiciones de estacionareidad e invertibilidad de este modelo estn dadas por -1 < d i < 1 y -1 <r A <1 respectivamente. La fun) cion de autocorrelacin del proceso esta definida como,

p
1

(fa-eQQ

- 4i6i)
(42)

+ ef - 2 <hej

y Pk = *i P k _! , k > 2
(43)

que decae exponencialmente despus de pi de acuerdo al valor de 01. Es_ tudiando el modelo ARMA (1,1) se ha encontrado que la region de parme tros definida por 0<91<1, ' 0<<j>i<1, y <J)i>6i es de particular inte_ rs para los casos de preservacin de persistencia a largo plazo (0'Con_ nell, 1971, 1974). Aunque tericamente el coeficiente de Hurst de un proceso ARMA (1,1) es igual a 0.5, O'Connell (1971,1974) mostro que series sintticas generadas con este modelo con ( n cercano a uno son similares a las J generadas con modelos RNF, y que por lo tanto este modelo puede llegar a representar el fenomeno de Hurst. La gran ventaja del uso de este

Simulation de Caudales 281 con Larga Memoria.

modelo es su sencillez y facilidad de uso con respecto a los dos anteriores. Este modelo es de nuevo un modelo estacionario y puede usarse en combinacin con modelos de desagregacin para representar series hi drolgicas peridicas. Otra posibilidad es el uso de modelos ARMA con parmetros peridicos (Salas et. al., 1982). COMENTARIOS FINALES El uso de modelos con memoria larga en hidrologa ha sido no solo controversial, sino tan apasionado que al hidrlogo que esta en medio de esta guerra entre los "cortos" y los "largos" le es muy difcil tomar partido. El argumento contra los modelos de memoria corta es que las series generadas muy a menudo no reproducen adecuadamente la distribucin de los dficits y la duracin de eventos extremos encontradas en la srie histrica. El argumento mas fuerte contra los modelos de memoria larga es que suposiciones taies como auto-similaridad no estn de acuerdo con la realidad y no pueden constituir una base pa_ ra la extrapolacin de los registros. Se pudiera decir que ninguno de los dos tipos de modelamiento modelan adecuadamente los efectos de Jos y de No. El efecto de Jos es la aparicin de secuencias significativamente largas bastante por encima del promedio, y el efecto de No es la aparicin en la secuencia de algunas observaciones extremada mente altas de vez en cuando. Observe que la decision sobre que tipo de modelo usar es quivalente a la decision sobre que propiedades estadsticas histricas deben preservarse en la generacin. Los hidrologos han estado de acuerdo en que propiedades como la media, la yaranza, el coeficiente de asimetra (en algunos casos}, y el coeficiente de autocorrelacin de rezago uno deben ser reproducidas por los modelos. La discrepancia ha estado con respecto a la preseryacin de aquellos estadisticos que supuestamente representan la persistencia a largo plazo, y aquellos que representan valores extremos. Se pudiera pensar que el coeficiente de autocorrelacin reprsenta la persistencia a corto plazo, que el coeficiente de Hurst reprsenta.la persistencia a largo plazo, y que los estadisticos relacionados con las corridas (longitud y suma). represen_ tan la frecuencia y magnitud de valores altos o bajos. Dado que la persistencia y las caractersticas de las corridas estn relacionadas con el fenmeno de Hurst, la discusin se ha centrado en la interpretacin de este fenmeno, en los estadisticos que debeh reproducirse, en el modelo que debe usarse para reproducir esos estadisticos, y en el impacto que todo esto tiene en el diseno y operacin de sistemas de Recursos Hidrulicos. Desafortunadamente la solucion a esta discusin esta sujeta a mas de un criterio subjetivo y fuera de los limites de una discusin cientfica. Podra entonces decirse que ella dpende de la filosofa del modelamiento, de la experiencia prctica que se tenga en el uso de modelamiento estocstico en hidrologa, de las preferencias del analista, y de otros factores similares. Sin embargo, ba sados en prcticamente 30 afios de experiencia de modelamiento estocs_ tico, del fenmeno de Hurst, y del diseno y operacin de sistemas de Recursos Hidrulicos parecera que algunas conclusiones se podrian ha cer que arrojarian alguna luz sobre la discusin anterior. Por ejem-

282 R. Smith

plo, se ha demostrado que el fenmeno de Hurst puede ser el resultado de transicion del rango ajustado reescalado (Salas et. al. , 1979-), en cuyo caso los modelos mas sencillos tipo ARMA podran ser usados en la mayora de los casos ya que ellos reproducen este tipo de comporta^ miento en los registros histricos. Esta experiencia desafortunadamente no ha sido sistemtica y generalizada pues los proponentes de uno u otro modelo se limitan a defender las caractersticas de su mo_ delo y no a ganar experiencia sobre su uso bajo multiples circunstan_ cias y como se compara con modelos alternatives. Como se puede ver la discusion sobre el uso de modelos de memoria corta y de memoria larga podra continuar y continuar por mucho tiempo. La gran ventaja de los modelos de memoria corta no es solo lo sencillo de su estructura, sino tambin que estn tan generalize! dos que es posible encontrar codigos de computacion de uso general. Otra caracterstica muy llamativa es que este tipo de modelo ha sido usado con aparente xito y bajo muchas diferentes circunstancias en la operacin y disefio de sistemas de Recursos Hidrulicos. Estas ca ractersticas los hacen ser unos modelos muy atractivos para su uso por el hidrologo prctico que ha permanecido alejado de toda esta discusion teorica sobre el fenomeno de Hurst. Debe de todas maneras recordarse que este tipo de modelo ni siquiera intenta tener bajo con sideracion los efectos de Jos y No, tan importantes en cualquier es_ tudio hidrologico. Los modelos de memoria larga adems de sus desveii tajas de tipo teorico se le podran agregar como desventajas su complejidad matemtica, y el hecho de que su uso no esta generalizado en hidrologa y por lo tanto no se tiene una gran experiencia sobre su uso bajo diferentes, circunstancias. Sin embargo, este tipo de modelos deben recihir mayor atencion por parte de los hidrologos pues es el ni_ co intento serio de mantener efecto como el de Jos. Son pocos los intentos que se han hecho de usar modelos de memoria larga en el anlisis de casos prcticos en hidrologa. Dentro de estas aplicaciones sobresale la efectuada por Curry y Bras (1978) en la cuenca del ro Nilo para la generacion multivariada de caudales. En este estudio los. autores compararon diferentes esquemas de generacion en donde incluyeron el modelo multivariado de la Lnea Partida. Este modelo no solo es presentado en detalle sino que tambin lo presentan en una forma ms general y mucho mas operacional que lo enontrado en la literatura cientfica. Las conclusiones del estudio tienden a favorecer el esquema de generacion que incluye el modelo de la Lnea Par_ tida. Aunque la aplicacion del modelo fue en un pas en vias de desarrollo (Egipto), las caracterlsticas tan especiales de la cuenca del ro Nilo hacen que esta sea mas una aplicacion particular que general. En America Latina prcticamente el uso de los modelos de generacion se ha limitado a los modelos de memoria corta, a pesar de que algunos latinoamericanos han participado en la formulacin y discusion de algunos de los modelos de memoria larga tales como J.M. Meja (Colombia), I. Rodriguez - Iturbe (Venezuela), L.E. Garcia (Guatemala), J.D. Salas (Peru) y R. Bras (Puerto Rico). Teniendo en cuenta los comentarios anteriores se podran entonces

Simulation de Caudales 2 8 3 con Larga Memoria.

hacer las siguientes conclusiones sobre la posibilidad del uso de los modelos de memoria larga en hidrologa: 1. Los modelos de memoria larga requieren de mayor atencion por par te de los hidrlogos ya que es una alternativa que permite tener en cuenta el efecto de Jos. Es necesario dedicar un gran esfuerzo a la divulgacion de estos modelos. Para esto es necesario sacarlos del contexto cientfico y presentarlos de una manera mas operacional que garanticen su uso generalizado. Se require acumular mas experiencia "imparcial" sobre el uso de estos modelos bajo diferentes circunstancias de operacin y dise f o de sistemas de Recursos Hidrulicos. Esta experiencia ayudai r a proponer estos modelos como una alternativa real y concreta a los modelos de memoria corta. Existen algunas suposiciones tericas en el desarrollo de estos modelos que requieren mayor investigacion como la suposicion de normalidad de los registros histricos que algunos de ellos hacen. A pesar de que el coeficiente de Hurst se ha mostrado como una herramienta adecuada para preservar dependencias a largo plazo y hacer que las secuencias generadas muestren el efecto de Jos, existe toda una discusin sobre este coeficiente, aun acerca de su existencia, sobre la cual el hidrologo debe estar alerta.

2.

3.

4.

5.

BIBLIOGRAFIA Boes DC y Salas J.D, 1973. "On the expected Range and expected Adjusted Range of Partial Sums of exchangeable Rondom Variables", / Appl. Prob. . 10, 671-677. Boes D.C y Salas J. D. 1978. "Nonstationarity of the Mean and the Hurst Phenomenon", Water Res. Research, Vol. 14, pp. 135-143. Chi M. Neal E. y Young G.K, 1973. "Practical Application of Fractional Brownian Motion and Noise to Synthetic Hydrology", Water ResourRes. Vol 9, pp. 1523-3 533, Garcia L. E. Dawdy, D. R. y Meja J. M. 1972. "Long Memory Monthly Streamflow Simulation by Broken Line Model", Water Resour. Res. Vol. 8, pp. 1100-1105. Hipel K. W. y McLeod A.I. 1978. "Preservation of the Rescaled Adjusted Range, Part One - A Reassessment of the Hurst Phenomenon", Water Resour. Res, Vol 14, pp. 491-508. Hurst H. E. 195.1. "Long Term Storage Capacity of Reservoirs" Am. Soc. Civ. Eng., Vol. 116, paper 2447, pp': 770-808. Trans.

284 R. Smith

Hurst H. E. 1957. "A Suggested Statistical Model for some Time Series Which Occurs in Nature", Nature (London), Vol. 180,, pp. 494. Klemes V. 1974. "The Hurst Phenomenon - A Puzzle" Vol. 10, pp. 675-688. WaterResour. Res.

Kottegoda N. T. 1974. "Effect of Skewness in Three Stochastic Riverflow Models on Crossing. Properties of Synthesized Data", Water Resour. Res, vol. 10, pp. 446-456. Lawrance A. J. y Kottegoda N.T. 1977. "Stochastic Modelling of Riverflow. Time Series (with discussion)", J. R. Statis. Soc. A, Vol. 140, pp. 1-47. Mandelbrot B. B. 1971. "A Fast Fractional Gaussian Noise Generator", Water Resour - Res. Vol. 7, pp. 543-553. Mandelbrot B. B. 1972. "Broken Line Process derived as an Approximation to Fractional Noise", Water Resour, Res. Vol. 8, pp.13541356. Mandelbrot B. B. y Wallis J. R. 1968. "Noah, Joseph and Operational Hydrology", Water Resour. Res., Vol. 4, pp. 909-920. Mandelbrot B. B. y Wallis J. R. 1969. "Computer Experiments with Fractional Gaussian Noises", Parts 1,2, and 3, Water Resour. Res. Vol. 5, pp. 1164. Mandelbrot B. B. y Wallis J. R. 1969. "Some Long-run Properties of Geophysical Records", Water Resour. Res. Vol. 5, pp. 321-340. Mandelbrot B. B. y Wallis J. R. 1969. "Rooustness of the rescaled Range R/S in Measurement of Noncyclic long run statistical Dependence", Water Resour. Res. .Vol. 5. pp. 967-988. Matalas N. C. y Wallis J. R. 1971. "Statistical Properties of Multivariate Fractional Noise Processes", Water Resour. Res. Vol.7. pp. 1460-1468. Meja J.M, Dawdy D. R. y Nordin C F . 1974. "Streamflow Simulation, 3, the B,roken Line Process and Operational Hydrology", Water Resour. Res. Vol. 10, pp. 242-245. Meja, J.M. Rodriguez Iturbe I. y Dawdy D.R.. 1972. "Streamflow Simulation, 2, the Broken Line Process as a Potential Model for Hydroloqic Simulation", Water Resour. Res' Vol. 8, pp. 931-941. O'Connell P. E. 1971. "A Simple Stochastic Modelling of Hurst's Law",

Procedings 1971 WarsawSymp. on Math Models in Hydrology. Vol. 1,

Inter. Ass. of Sci. Hydrol. Paris, pp. 169-187. Potter K.W. 1976.' "Evidence for Non-Stationarity as a Physical Expia-

Simulation de Caudales 285 con Larga Memoria.

nation of the Hurst Phenomenon", WaterResour. Res. 1Q47-1052.

Vol. 12 pp.

Rodrguez-Iturbe I., 1969. "Applications of the Theory of Runs to Hydrology", Water Resour. Res. Vol. 5, pp. 1422-1.426. Salas J. D. 3 972. '"Range Analysis for Storage Problems of PeriodicStochastic Processes". C.S.U., Hydrol. Paper 57, Fort Collins. Salas J. D. Boes D.C. Yevjevich V. y Pegram G.G.S. 1977. "On the Hurst Phenomenon", Procceed. 3erd. Int. Hydrol. Symp. Fort Collins. Wallis J. R. y Matalas N. C., 1970". Small Sample Properties of H and K Estimators of the Hurst Coefficient h", Water Resour. Res, Vol. 6. pp. 1583-1594. Kottegoda N.T. 1980. "Stochastic Wiley and Sons, New York. Water Resources Technology", John

Pegram G.G.3., Salas J.D. Boes D.C, y Yevjevich V. 1980. "Stochastic Properties of Water Storage", C.S.U. Hydrol. Paper 100, Fort Collins. Beard L. R. 1965. "Use of Interrelated Records to Simulate Streamflow", Jour. Hydr. Div. ASCE, Vol. 1 (HY5) , pp. 13-22. Carlson R.F. McCormich J. A. y Watts P.G. 1970. "Application of Linear Models to Four Annual Streamflow Series", Water Resour. Res, Vol. 6 . pp. 1070-3 078. . Feller W. 1951. "The Asymptotic Distribution of the Range of Sums of Independent Random Variables", Ann. Math. Stat. Vol. 22, pp.427432. O'Connell P.E. 1974. "Stochastic Modelling of Long-Term Persistence in Streamflow Sequences", Ph.D. Thesis, Imperial College, London. Salas J. D. y Boes D.C. 1974. "Expected Range and Adjusted Range of Hydrologie Sequences", Water Resour. Res., Vol. 10, pp.457-463. Salas J. D. Boes D.C. Yevjevich V, y Pegram G.G.S. 1979, "Hurst Phenom enon as a pre-asymptotic Behavior", Jour, of Hydrol, Vol. 44, pp. 1-15. Scheidegger A.E. 1970. "Stochastic Models in Hydrology", Water Resour. Res. Vol. 6. pp. 750-755. Rodriguez Iturbe I, Meja J.M, y Dawdy D.R. 1972. "Streamflow Simulation, 1, A new look at Markovian Models, Fractional Gaussian Noise., and Crossing Theory", Water Resour. Res. Vol. 8, pp. 921-930. Valencia D. y Schaake.J.C. 1972. "Disaggregation Processes in Stochastic Hydrology", Water Resour. Res. Vol. 9, pp. 580-585-.

286 R. Smith

Jackson, B.B. 1975. "The use of Streamflow Models i n P l a n n i n g " , Resour. Res. Vol. 1 1 , p p . 54-63.

Water

Barnes, F.B. 1954. "Storage Required for a City Water Supply", Jour. Inst. Eng. Australia, Vol. 26, p p . 198-203. Box G.E.P. y J e n k i n s G. 1970. "Time Series Analysis, Forecasting and Control", 1 s t . ed. , Holden-Day, San F r a n c i s c o . Hazen A. 1914. "Storage t o be Provided i n Improving R e s e r v o i r s for Municipal Supply", Transac. ASCE, Vol. 77, p p . 1539-1640. Sudler C. E. 1927. Transac. ASCE, "Storage Required f o r t h e R e g u l a t i o n of Streamflowi, Vol. 9 1 , pp. 622-660.

Thomas H. A. y F i e r i n g . M.B. 1962. "Mathematical S y n t h e s i s of Streamflow Sequences f o r t h e Analysis of River Basin By S i m u l a t i o n " , en_ Design of Water Resources Systems, A Maas E d i t o r , Harvard Univers i t y Press, Massachusetts. Yevjevich V. M. 1963. "Fluctuation of Wet and Dry Rears. Part 1, Research Data Assembly and Mathematical Models", CSU Hydrol. Paper 1, F o r t C o l l i n s . Chiu C. L. 1972. Streamflow", " S t o c h a s t i c Methods i n H y d r a u l i c s and Hydrology of Geophysical Surveys, Vol. 1, p p . 61-84.

Jackson B.B. 1975. "Markov Mixture Models for Drought L e n g t h s " , Water Resour. Res., Vol. 1 1 . p p . 64-74. Meja J . M. 1971. "On the generation of Multivariate Sequences exhibitph ing the Hurst Phenomenon and Some Flood Frequency analysis". D. D i s s e r t a t i o n , Colo. S t a t e Univer. F o r t C o l l i n s . Matalas N.C. 1967. "Mathematical Assessment of S y n t h e t i c Hydrology", Water Resour. Res., Vol. 3, p p . 937-945. Weiss G. 1973. "Filtered Poisson Processes as Models for Data", Ph. D. T h e s i s , I m p e r i a l C o l l e g e , London. Streamflow

Yakowitz S . J . 1973. "A S t o c h a s t i c Model for Daily Riverflow i n an Arid Region", Water Resour. Res., Vol. 9, p p . 1271-1285. Kelman J . 1977. "Stochastic Modelling of Hydrologie Intermittent Daily Process" CSU Hydrol. Paper 89, F o r t C o l l i n s . L e t t e n m a i e r D.P. y Burges S . J . 1977. " O p e r a t i o n a l Assessment of Hyd r o l o g i e Models of long-term P e r s i s t e n c e " , Water Resour. Res. Vol. 13, p p . 113-124. S a l a s J . D . y Smith R.A. 1980. "Physical Basis of S t o c h a s t i c Models of Annual Flows", Water Resour. Res., Vol. 17, p p . 428-430.

Simulation de Caudales 287 con Larga Memoria.

S a l a s J . D. y Smith R.A. 1980. "Uncertainties in Hydrologie Time Series Analysis" ASCE Spring Meeting, P o r t l a n d , P r e p r i n t 80-158. O'Connell P. E. 1977. "ARIMA Models i n S y n t h e t i c Hydrology", en "Mathematical Models for Surface Water Hydrology" C i r i a n i TA, Maione U, y W a l l i s J . R. e d i t o r e s , John Wiley e h i j o s , New York. S a l a s J . D . Boes D.C, y Smith R.A. 1982. "Estimation of ARMA Models with Seasonal P a r a m e t e r s " , Water Resour. Res., Vol. 19, p p . 10061010. S a l a s J . D . Obeysekera J . T . B , Smith R.A. 1981. " I d e n t i f i c a t i o n of Streamflow S t o c h a s t i c Models", /. Hydraul. Div. ASCE, Vol. 107, N HY7. Curry L . , y Bras R. 1979. "A Multivariate Generation Model for the Nile River Basin", Informe de E s t u d i o p r e s e n t a d o a l a s Naciones Unidas. 'Salas J . D . D e l l e u r J.W. , Yevjevich V, y Lane W.L. 1980. "Applied Modeling of Hydrologie Time Series", Water Resources P u b l i c a t i o n s , F o r t Collins. Hurst H. E. 1956. "Methods of Using Long-Term Storage i n R e s e r v o i r s " , Proc. Inst. Civ. Eng. Vol. 1, p p . 519-543.