Pronóstico de Caudales Medios Mensuales Del Rio Ilave Utilizando Modelos de Redes Neuronales Artificiales

PRONSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO ILAVE UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES
Universidad Nacional del Altiplano Facultad de Ingeniera Agrcola Escuela profesional de Ingeniera Agrcola
Efrain, LUJANO LAURA

Puno, 03 de enero del 2013 SENAMHI DR13 - Puno
OBJETIVOS
OBJETIVO GENERAL
Pronosticar los caudales medios mensuales del rio Ilave utilizando modelos de redes neuronales artificiales
OBJETIVOS ESPECFICOS
Establecer modelos basados en redes neuronales artificiales que permitan pronosticar con cierta exactitud los caudales medios mensuales del rio Ilave en funcin de variables independientes como precipitacin y caudal. Determinar la capacidad de desempeo de los modelos de redes neuronales artificiales frente al modelo hidrolgico de Lutz Scholz.
Servicio Nacional de Meteorologa e Hidrologa
ECI
Encuentro Cientfico Internacional
REDES NEURONALES ARTIFICIALES

Segn Toro, Mejia y Salazar (2004), las redes neuronales artificiales son modelos matemticos que tratan de hacer una pequea emulacin del funcionamiento del cerebro humano. Son metodologas novedosas que permiten hacer pronsticos donde hay cierto comportamiento no lineal. Las redes neuronales se aprenden o modelan la dinmica del fenmeno en estudio y tienen en cuenta el tiempo como una variable que afecta el fenmeno; de esta forma ofrecen resultados ms robustos y cercanos a la realidad.
FUNCIONAMIENTO NEURONA BIOLOGICA
NEURONA ARTIFICIAL
ECI
HISTORIA DE LAS REDES NEURONALES ARTIFICIALES

En 1936 Alan Turing, fue el primero en estudiar el cerebro como una forma de ver el mundo de la computacin. 1943 McCulloch (neurofisilogo) y Walter Pitts (matemtico), Modelaron una red neuronal simple mediante circuitos elctricos. 1949 Donald Hebb, propone el primer mtodo de aprendizaje (A. hebbiano no supervisado). 1957 Frank Rosenblatt, comenz el desarrollo del perceptrn (perceptrn simple). El perceptrn es la ms antigua red neuronal y se usa hoy en da de varias formas para la aplicacin como reconocedor de patrones. En 1969, Marvin Minsky y Papert, esta casi fue el fin de las redes neuronales debido a que Minsky y Papert probaron matemticamente que el Perceptrn no era capaz de resolver problemas relativamente fciles. Concluyeron que en general, los descubrimientos en redes neuronales no merecan la pena. En 1974 Paul Werbos, Desarroll la idea bsica del algoritmo de retropropagacin con otro nombre, como parte de su tesis doctoral. En 1986 Rumelhart, Hinton y Williams, basndose en los trabajos de otros investigadores (Paul Werbos), formaron un grupo de trabajo en lo que solucionaron los problemas propuestos por Minsky y Papert gracias al algoritmo backpropagatin. Para mejorar este procedimiento utilizaron ms niveles de neuronas que los que utiliz Rosenblatt para desarrollar el perceptron.
ECI
UBICACIN DEL AMBITO DE ESTUDIO
ECI
MATERIALES
INFORMACION CARTOGRFICA
Cartas Nacionales que abarca la cuenca del rio Ilave a escala 1/100,000 del Instituto Geogrfico Nacional (IGN) digitalizado bajo el entorno de SIG con equidistancia mnima entre curvas de nivel de 50 m.
INFORMACION HIDROMETEOROLGICA
PLUVIOMTRICA
N
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Estacin
Ichua Maazo Puno Laraqueri Rincn de la cruz Ilave Juli Chilligua Mazocruz Chichillapi Coypa Coypa Pampa Umalzo Vilacota Capazo Pizacoma Yorohoco Pocoaque
Unidad Tipo Hidrogrfica (Cuenca)

CO CO CP CO CO CO CO PLU CO PLU PLU CO CO CO CO CO CO Tambo Illpa U. H. 01783 Ilave U. H. 01783 Ilave U. H. 01757 Ilave Ilave Ilave Ilave Locumba Mauri Mauri Mauri Chico Callaccame U. H. 01757
Ubicacin Poltica Distrito

Ichua Maazo Puno Pichacani Acora Ilave Ilave Conduriri Santa Rosa Santa Rosa Santa Rosa Candarave Susapaya Capazo Pizacoma Huacullani Pomata
Ubicacin Geogrfica Dpto

Moquegua Puno Puno Puno Puno Puno Puno Puno Puno Puno Puno Tacna Tacna Puno Puno Puno Puno
Provincia
Gral. Sanchez C. Puno Puno Puno Puno El collao Chucuito El collao El collao El collao El collao Candarave Tarata El collao Chucuito Chucuito Chucuito
Latitud Sur
1607'57.4" 1548'00.0" 1549'34.5" 1609'16.9" 1559'26.1" 1605'17.7" 1612'13.6" 1632'25.4" 1644'24.4" 1655'00.0" 1701'00.0" 1652'30.0" 1707'06.0" 1711'15.8" 1654'25.3" 1633'54.0" 1622'49.0"
Longitud Oeste
7033'07.5" 7021'00.0" 7000'43.5" 7003'59.7" 6948'39.0" 6938'42.0" 6927'35.7" 6940'11.5" 6942'21.9" 6944'00.0" 6956'00.0" 7025'24.8" 7003'03.0" 6944'07.8" 6922'06.8" 6919'14.0" 6917'06.0"
Altitud (msnm)
3800 3920 3820 3900 3835 3880 3812 3960 4003 4050 4450 4601 4390 4530 4060 3845 3850
Propietario
Senamhi Senamhi Senamhi Senamhi Senamhi Senamhi Senamhi Senamhi Senamhi Pet-Tacna Pet-Tacna Senamhi Senamhi Senamhi Senamhi Pet-Tacna Pelt
Ubicacin Poltica
Ubicacin Geogrfica Dpto Puno Puno Puno Latitud Sur Longitud Oeste 6937'47.00" 6947'33.37" 6952'17.00" Altitud (msnm) 3825 3814 3813 Propietario
HIDROMETRICA
Rio
Estacin
Tipo Distrito Provincia El Collao Huancan Huancan
1 2 3
Ilave Huancan Ramis
Puente Ilave Puente Huancan Puente Ramis
HLG HLG HLG
Ilave Huancan Taraco
1605'04.00" 1512'57.10" 1515'06.00"
Senamhi Senamhi Senamhi
ECI
METODOLOGIA
ECI
RESULTADOS Y DISCUSIONES
DELIMITACION HIDROGRFICA DE LA CUENCA
rea total: 7,832.53 Km2 rea (lugar pte Ilave): 7771.48 Km2
ECI
ANALISIS DE LA INFORMACION HIDROMETEOROLOGICA ANALISIS GRAFICO
ANALISIS VISUAL DE HIDROGRAMAS
1500 500 Precipitacin (mm) Prec. Acum. Est. (mm)
ANALISIS DE DOBLE MASA

Capazo Chichillapi 30000 25000 20000 15000 10000 5000 0 Vilacota Mazocruz Coypa Coypa Pampa Umalso
Precipitacin (mm)
1200 400 900 300 600 200 300 100
0 0
1971 1971
1965 1965 1977 1977
2001
2004
2007
1992
1989
1980
1986
1968
1995
1974
1983
1998
2007
1983
1989
1995
2001
3000 6000 9000 12000 15000 18000 21000 24000 Prec. Acum. Prom. Est. (mm)
Tiempo (Aos Tiempo (Aos) )
ANALISIS ESTADISTICOS
ANLISIS DE SALTOS
Estacin Periodo N1 N2 N1 N2 N1 N2 N1 N2 N1 N2 N1 N2 Periodo de anlisis 1965 - 1980 1981 - 2007 1965 - 1972 1973 - 2007 1965 - 1974 1975 - 1997 1965 - 1985 1986 - 1996 1965 - 1983 1984 - 2007 1965 - 1986 1987 - 2007 N Desviacin Promedio de datos Estandar Sp 190 322 95 366 119 267 252 126 216 282 256 227 46.24 46.62 36.88 38.68 33.93 38.13 36.48 34.52 40.85 44.80 33.27 32.69 71.50 69.57 62.39 69.76 56.36 57.92 51.54 46.31 58.26 64.07 54.69 49.57 Consistencia en la Media Sd Tc Tt (95%) Comparacin 1.965 1.965 1.966 1.966 1.965 1.965 c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt Diferencia significativa NO NO NO NO NO NO Consistencia en la Desviacin Estandar Fc 1.056 1.250 1.056 1.239 1.209 1.217 Ft (95%) Comparacin Diferencia 1.234 1.327 1.304 1.299 1.237 1.238 Fc<Ft Fc<Ft Fc<Ft Fc<Ft Fc<Ft Fc<Ft NO NO NO NO NO NO
ANLISIS DE TENDENCIAS
Parmetros Estacin Tendencia Media Desv. Est. 46.48 69.42 38.31 62.76 36.84 53.41 35.83 48.01 43.09 58.47 33.00 48.22 70.22 22.08 68.25 30.91 57.40 22.69 49.81 15.80 61.58 23.81 52.29 22.96 Coeficiente de Regresin Am 48.437 76.019 43.463 76.163 30.311 44.767 36.374 51.104 42.502 58.874 33.344 50.768 Bm -0.008 -0.290 -0.020 -0.608 0.034 0.509 -0.003 -0.193 0.002 -0.018 -0.001 -0.116 Coeficiente de Nmero de Correlacin Datos Cm R N -0.016 -0.162 -0.047 -0.261 0.065 0.205 -0.006 -0.111 0.006 -0.010 -0.004 -0.063 512 39 461 35 386 31 378 31 498 40 483 36 Anlisis Estadstico Tc -0.362 -0.996 -0.998 -1.552 1.282 1.129 -0.122 -0.603 0.123 -0.061 -0.084 -0.371 Tt (95%) comparacin 1.965 2.026 1.965 2.035 1.966 2.045 1.966 2.045 1.965 2.024 1.965 2.032 c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt c<Tt Tendencia significativa NO NO NO NO NO NO NO NO NO NO NO NO Media (Tm) Desv. Ext (Ts) Media (Tm) Vilacota Desv. Ext (Ts) Media (Tm) Coypa Coypa Desv. Ext (Ts) Media (Tm) Chichillapi Desv. Ext (Ts) Media (Tm) Mazocruz Desv. Ext (Ts) Media (Tm) Pampa Umalzo Desv. Ext (Ts) Capazo
Capazo Vilacota Coypa Coypa Chichillapi Mazocruz Pampa Umalzo
70.3 6.4 -0.060 68.3 7.9 -0.229 57.4 6.3 -0.663 49.9 5.4 0.361 61.6 5.6 -0.709 52.3 4.8 0.122
ECI
COMPLETACION Y EXTENSION DE DATOS
Precipitacin (mm) 1500 1200 900 600 300 0
1971
1965
1977
1983
1989
1995
2001
Tiempo (Aos)
PRECIPITACION AREAL DE LA CUENCA

Cuenca del rio Ilave (Lugar: Puente Ilave) Superficie Total (At) = N Estacin 7771.48 Km2 rea de influencia (Ai) (Km2) 74.90 232.59 2437.10 392.85 363.19 1.07 1481.31 14.72 23.78 1155.39 52.97 576.92 784.06 162.37 18.24 7771.48 Coeficiente pluviomtrico 0.009638 0.029929 0.313595 0.050551 0.046734 0.000138 0.190609 0.001894 0.003059 0.148671 0.006816 0.074236 0.100890 0.020893 0.002347 1.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Ichua Puno Laraqueri Rincn de la Cruz Ilave Juli Chilligua Yorohoco Pizacoma Mazocruz Pampa Umalzo Coypa Coypa Chichillapi Capazo Vilacota Total
2007
ECI
MODELAMIENTO CON REDES NEURONALES ARTIFICIALES ARQUITECTURA
En la prctica no existe una regla definida para establecer el nmero de neuronas en la capa de entrada. Un procedimiento til para la seleccin de las variables relevantes (Masters, 1993), consiste en entrenar la red con todas las variables de entrada necesarias y a continuacin ir eliminando una variable de entrada cada vez y reentrenar la red.
PLANTEAMIENTO DE MODELOS
En el presente trabajo de investigacin se ha planteado 06 modelos de RNAs cuyas variables de entrada (capas de entrada) tienen diferentes combinaciones de precipitacin P(t-k) para k = 0, 1, 2 y caudales afluentes Qt-k para k = 1, 2, 3, 4 y como variable de salida el caudal medio mensual Qt.
Modelo MRNA1 MRNA2 MRNA3 MRNA4 MRNA5 MRNA6
Variable Dependiente Q(t) Q(t) Q(t) Q(t) Q(t) Q(t)
Variables Independientes f(P(t); Q(t-1)) f(P(t); Q(t-1); Q(t-2)) f(P(t); Q(t-1); Q(t-2); Q(t-3)) f(P(t); P(t-1);Q(t-1); Q(t-2); Q(t-3); Q(t-4)) f(P(t); P(t-1); Q(t-1); Q(t-2)) f(P(t); P(t-1); P(t-2); Q(t-1); Q(t-2); Q(t-3))
ECI
ENTENAMIENTO
VALIDACION
PRUEBA
Cuando realizamos modelos de pronstico hay 3 conjuntos de datos fundamentales que se debe manejar: Muestra de Entrenamiento: son los datos con los que se entrenan y aprenden los modelos. Muestra de Validacin: selecciona el mejor de los modelos entrenados. Muestra de Prueba: Entrega el error real cometido con el modelo seleccionado.
ENTRENAMIENTO DE MODELOS
Nombre: Perceptrn Multicapas (Multilayer). Datos (75%): 31 aos elegidos aleatoriamente (1965-1995) Topologa o arquitectura Capas de neuronas Feedforward (Alimentacin hacia delante) 1 capa de entrada (Numero de neuronas varia de 2 a 6)
Hastie, Tibshirani y Friedman en su libro The Elements of Statistical Learning (2008) sealan que es difcil dar una regla general sobre cuntas observaciones se deben asignar a cada conjunto, aunque indican que una divisin tpica puede ser de 50% para el entrenamiento y 25% para la validacin y prueba, respectivamente.
En el presente trabajo de investigacin, dada las caractersticas de la zona y a que se cuenta con un nmero reducido de registros de caudales, se ha optado por utilizar un nmero menor de ellos para validacin y prueba, dando un nfasis mayor al entrenamiento de la red. Datos de entrenamiento : 70% Datos de validacin : 15% Datos de prueba : 15%
1 capa oculta (Numero de neuronas varia de 1 a 15)

1 capa de salida Funcin de Activacin Mtodo de Aprendizaje Algoritmo de Aprendizaje Numero de conexiones Numero de iteraciones Logistica Sigmoidea Supervisado Backpropagation. Regla de Aprendizaje Delta generalizada. Varia de 5 a 105 Varia de 16 a 11006
Tasa de aprendizaje y f. momento 0.25 y 0.90 respectivamente
ECI
VALIDACION DE MODELOS
Validacin de modelos (15% del total de datos, periodo 1996 2001) MRNA 1
Caudales (m3/seg) Observados (m3/seg) 400 300 200 100 0 1996 1997 1998 1999 2000 2001 Caudales observados Caudales simulados 320 240 160 80 0 0 80 160 240 320 Pronosticados (m3/seg) R = 0.852
Tiempo (Aos)
EVALUACIN DE MODELOS FASE DE VALIDACIN

N i 1 N
( yi yi) 2 ) ( yi y)
2
E(%) 100* (1
Modelo MRNA1 MRNA2
NASH E (%)
85.2 93.1
R2
ECMN (%) 14.6 6.8 R2 (%) 85.2 93.4 r (%) 92.3 96.6
i 1
N
ECMN (%) 100* (
n 1 n
( yi yi) 2 ) ( yi y) 2
MRNA3
MRNA4 MRNA5 MRNA6
87.9
84.8 93.9 85.4
11.9
14.9 6.0 14.4
89.4
86.7 95.0 86.8
94.5
93.1 97.5 93.2
i 1 N i 1
85.2% de la variacin de la variable dependiente (Q(t)), es explicada por las variables independientes (P(t);Q(t-1)) y el 14.6% restante es debido a los errores y a otras variables no consideradas en el modelo
ECI
PRUEBA DE MODELO (PRONOSTICO)

Pronstico de caudales MRNA5
Caudales observados 320 Caudales (m3/seg) 240 Caudales (m3/seg) 160 80 0 Caudales pronosticados

Caudales observados 320 240 160 Caudales simulados 320 Caudales (m3/seg)

Caudales observados Caudales simulados
240
160 80
80
0
0
2002 2003 2004 2005 2006
2005
2002
2003
2004
2006
2007
2002
2003
2004
2005
2006
2007
Tiempo (Aos)
Tiempo (Aos)
Tiempo (Aos)
EVALUACION DE MODELOS
Modelo NASH E (%) 88.0 87.9 87.1 ECMN (%) 11.8 11.9 12.7 R2 (%) 89.4 91.2 87.2 r (%) 94.5 95.5 93.4
MRNA5 MRNA2
MRNA3
ECI
2007
MODELAMIENTO HIDROLOGICO DE LUTZ SCHOLZ

Calibracin generacin de caudales para el ao promedio
M eses dias acumulados (meses de gasto) Precipitacin mensual Total P (mm/mes) 160.08 132.98 109.26 30 61 91 122 153 183 214 32.81 7.21 4.09 2.80 9.96 14.51 29.52 44.97 85.10 633.28 Efectiva PE - I (mm/mes) 40.60 21.90 11.50 0.30 0.00 0.00 0.00 0.00 0.00 0.20 0.80 5.30 80.60 PE - II (mm/mes) 73.60 48.20 30.10 3.40 0.90 0.50 0.40 1.20 1.60 3.10 5.00 16.70 184.70 PE - III (mm/mes) 98.10 74.00 48.90 6.70 1.80 1.10 0.70 2.40 3.30 6.00 9.40 28.00 280.40 PE (mm/mes) 62.30 44.30 23.80 1.50 0.20 0.10 0.10 0.30 0.40 1.40 3.70 11.80 149.90 0.000 0.000 0.000 0.587 0.339 0.199 0.115 0.066 0.039 0.023 0.000 0.000 1.368 bi Contribucin a la retencion Gasto Gi (mm/mes) 0.00 0.00 0.00 22.30 12.90 7.60 4.40 2.50 1.50 0.90 0.00 0.00 52.00 0.695 0.040 -0.270 0.251 0.081 0.000 0.000 0.000 0.000 0.016 0.030 0.157 1.000 Abastecimiento ai Ai (mm/mes) 36.10 2.10 -14.00 13.10 4.20 0.00 0.00 0.00 0.00 0.80 1.60 8.20 52.00 (mm/mes) 26.20 42.20 37.80 10.70 8.90 7.70 4.50 2.80 1.90 1.50 2.10 3.60 149.90 (m3/sg) 76.02 135.56 109.68 32.08 25.82 23.09 13.06 8.12 5.70 4.35 6.30 10.45 37.52 (m3/sg) 80.36 131.41 106.07 39.80 14.78 10.47 8.84 7.66 7.05 6.45 9.56 15.79 36.52 (mm/mes) 27.70 40.90 36.60 13.30 5.10 3.50 3.00 2.60 2.40 2.20 3.20 5.40 145.90 Caudales mensuales Generados Observados
Generado 160 Caudales (m3/seg)
Observados
ENERO FEBRERO M ARZO ABRIL M AYO JUNIO JULIO AGOSTO SETIEM BRE OCTUBRE NOVIEM BRE DICIEM BRE TOTAL
120
80
40
0 DIC ENE JUN
AGO
OCT
NOV
A= Precipitacin efectiva PE = C1 * PE-I + C2 * PE-II
7771.48
Km2
R= Coeficiente de escorrentia C= 0.23
52.00
mm/ao Coeficientes C1 = 0.788
a =
0.01773
w =
0.0403
Comprobacin C2 = 0.212 C1 + C2 = 1.00 OK'
Tiempo (meses)
Calibracin generacin de caudales para el ao promedio

Parmetros del modelo:
Modelo autorregresivo
Qt
b1
b 2Qt
b3PEt
b 4 PEt
S.Z t 1 R 2
Factor constante (caudal bsico) : Factor de influencia del valor de Q t-1 : Factor de influencia del valor de PEt : Factor de influencia del valor de PEt-1 : Error estndar del estimado Q't : Coeficiente de determinacin mltiple : Coeficiente de correlacin mltiple :
b1 = b2 = b3 = b4 = S= R2 = R= Qt-1 = PEt-1 =
1.61670 0.20330 0.32802 0.33926 4.05678 0.92223 0.96033 3.60 3.70
- Valor de Q t-1 para el inicio de la generacin (mm): - Valor de PEt-1 para el inicio de la generacin (mm):
ECI
MAR
MAY
FEB
ABR
SET
JUL
Area de la cuenca (Lugar puente Ilave)
Retencin de la cuenca
Coeficiente de agotamiento
Anlisis de la bondad del modelo
Meses Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Media histrica 80.36 131.41 106.07 39.80 14.78 10.47 8.84 7.66 7.05 6.45 9.56 15.79
Desv estndar histrica 72.31 110.71 77.38 28.78 7.82 4.55 3.22 3.37 3.24 2.69 8.79 13.06
Media generada 80.09 136.31 96.24 50.77 16.30 8.59 6.55 6.39 6.96 7.79 11.52 21.85
Desv estndar generada 63.53 108.13 76.40 40.31 9.66 4.26 3.43 3.90 4.38 5.05 10.25 17.94
Media generada
Anlisis estadstico de la Media Tc 0.0168 -0.1925 0.5502 -1.3478 -0.7447 1.8347 2.9536 1.5042 0.1008 -1.4236 -0.8830 -1.6619 Tt 1.9935 1.9935 1.9935 1.9935 1.9935 1.9935 1.9935 1.9935 1.9935 1.9935 1.9935 1.9935 Mh=Mg SI SI SI SI SI SI NO SI SI SI SI SI
Anlisis estadstico de la Desviacin estndar Fc Ft DSh=DSg 1.2955 1.7430 SI 1.0484 1.7430 SI 1.0257 1.7430 SI 1.9623 1.7430 NO 1.5271 1.7430 SI 1.1433 1.7430 SI 1.1326 1.7430 SI 1.3407 1.7430 SI 1.8276 1.7430 NO 3.5281 1.7430 NO 1.3613 1.7430 SI 1.8883 1.7430 NO
Desv. Est. Generada
Media histrica Caudales (m3/seg.) 160 140 120 100 80 60 40 20 0 FEB
Desv. Est. Histrica Caudales (m3/seg.) 120 100 80 60 40 20 0 DIC
JUN
NOV
MAR
AGO
NOV
Tiempo (meses)
MAR
AGO
MAY
Tiempo (meses)
ECI
MAY
OCT
SEP
ENE
FEB
ABR
OCT
ENE
ABR
DIC
JUN
SEP
JUL
JUL
Prueba del modelos (pronstico de caudales)
Caudales observados Caudales pronosticados 320 240 Observados (m3/seg) 160 R = 0.776
320
Caudales (m3/seg) 240
160
80 0 2002 2003 2004 2005 2006 2007
80
0 0 60 120 180 240
Tiempo (Aos)
Pronosticados (m3/seg)
Evaluacin del modelos fase de prueba

Indicador estadstico Modelo Lutz Scholz 76.4 23.3
NASH E (%)
ECMN (%) R2 (%) R(%)
77.6
88.1
ECI
COMPARACION GRAFICA Y ESTADISTICA DE MODELOS
Observados
320 Caudales (m3/seg) 240
Lutz Scholz
MRNA5 Caudales (m3/seg)
Observados 320 240 160
Lutz Scholz
MRNA2
160
80 0
80
0 Tiempo (Aos)
2002
2003
2004
2005
2006
2007
Tiempo (Aos) Observados 320 Caudales (m3/seg) 240 160 80 0 2002 2003 2004 2005 2006 2007 Lutz Scholz MRNA3
Tiempo (Aos)
Modelo
MRNA5 MRNA2 MRNA3 Lutz Scholz
NASH E (%)
88.0 87.6 87.1 76.4
ECMN (%)
11.8 11.9 12.7 23.3
R2 (%)
89.4 91.2 87.2 77.6
r (%)
94.5 95.5 93.4 88.1
ECI
2007
2002
2003
2004
2005
2006
CONCLUSIONES
Los resultados del pronstico de caudales medios mensuales del rio Ilave utilizando modelos de Redes Neuronales Artificiales, muestran un excelente comportamiento al ser evaluados con los indicadores, adems se logra reproducir los valores picos observados de la variable en estudio, por lo tanto se considera que esta metodologa es muy eficiente en la estimacin de fenmenos de comportamiento no lineal como los caudales. Mediante la presente investigacin se establecieron 03 modelos de redes neuronales artificiales que estn en funcin de la precipitacin y el caudal los cuales permiten pronosticar con cierta exactitud los caudales medios mensuales del rio Ilave estos modelos son: MRNA5 (Q(t)=f(P(t); P(t-1); Q(t-1); Q(t-2))), MRNA2 (Q(t)=f(P(t); Q(t-1); Q(t-2))), y el modelo MRNA3 (Q(t)=f(P(t); Q(t-1); Q(t-2); Q(t-3)). Los modelos de redes neuronales artificiales establecidos presentan un mejor desempeo frente al modelo hidrolgico de Lutz Scholz, obtenindose eficiencias de NASH (E) igual a 88.0% (MRNA5), 87.9% (MRNA2) y 87.1% (MRNA3), en comparacin de 76.4% que presenta el modelo hidrolgico de Lutz Scholz.
ECI
ECI
GRACIAS POR SU ATENCIN
Efrain, LUJANO LAURA

Puno, 03 de enero del 2013
SENAMHI DR13 - Puno

Pronóstico de Caudales Medios Mensuales Del Rio Ilave Utilizando Modelos de Redes Neuronales Artificiales

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Pronóstico de Caudales Medios Mensuales Del Rio Ilave Utilizando Modelos de Redes Neuronales Artificiales

Încărcat de

Drepturi de autor:

Formate disponibile

PRONSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO ILAVE UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES

Efrain, LUJANO LAURA

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

REDES NEURONALES ARTIFICIALES

FUNCIONAMIENTO NEURONA BIOLOGICA

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

HISTORIA DE LAS REDES NEURONALES ARTIFICIALES

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

UBICACIN DEL AMBITO DE ESTUDIO

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

Unidad Tipo Hidrogrfica (Cuenca)

Ubicacin Poltica Distrito

Ubicacin Geogrfica Dpto

Tipo Distrito Provincia El Collao Huancan Huancan

Ilave Huancan Ramis

Puente Ilave Puente Huancan Puente Ramis

HLG HLG HLG

Ilave Huancan Taraco

1605'04.00" 1512'57.10" 1515'06.00"

Senamhi Senamhi Senamhi

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

DELIMITACION HIDROGRFICA DE LA CUENCA

Encuentro Cientfico Internacional

ANALISIS DE DOBLE MASA

1200 400 900 300 600 200 300 100

Tiempo (Aos Tiempo (Aos) )

Capazo Vilacota Coypa Coypa Chichillapi Mazocruz Pampa Umalzo

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

PRECIPITACION AREAL DE LA CUENCA

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

Variable Dependiente Q(t) Q(t) Q(t) Q(t) Q(t) Q(t)

1 capa oculta (Numero de neuronas varia de 1 a 15)

Tasa de aprendizaje y f. momento 0.25 y 0.90 respectivamente

Encuentro Cientfico Internacional

EVALUACIN DE MODELOS FASE DE VALIDACIN

Modelo MRNA1 MRNA2

ECMN (%) 100* (

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional

PRUEBA DE MODELO (PRONOSTICO)

Pronstico de caudales MRNA2

Pronstico de caudales MRNA3

Encuentro Cientfico Internacional

MODELAMIENTO HIDROLOGICO DE LUTZ SCHOLZ

Generado 160 Caudales (m3/seg)

0 DIC ENE JUN

A= Precipitacin efectiva PE = C1 * PE-I + C2 * PE-II

R= Coeficiente de escorrentia C= 0.23

mm/ao Coeficientes C1 = 0.788

Comprobacin C2 = 0.212 C1 + C2 = 1.00 OK'

Calibracin generacin de caudales para el ao promedio

1.61670 0.20330 0.32802 0.33926 4.05678 0.92223 0.96033 3.60 3.70

Servicio Nacional de Meteorologa e Hidrologa

Encuentro Cientfico Internacional