Documente Academic
Documente Profesional
Documente Cultură
un modelo hidrológico e
indicadores de eficiencia
Javier GARCÍA HERNÁNDEZ
4
1. Introducción
Tipos de calibración/validación
Manual – Visual
5
1. Introducción
Función objetivo
6
1. Introducción
javier.garcia@crealp.vs.ch
Función objetivo
Si se considera un solo indicador de eficiencia, la función
objetivo (G) se representa de la siguiente manera :
G max(F )
donde
F es el indicador de eficiencia.
7
1. Introducción
Función objetivo
Si la función objetivo (G) es multi-objetivo, se representará
generalmente de las formas siguientes:
n n n 2
G max wi Fi G max wi Fi G max wi Fi
i 1 i 1 i 1
donde
8
1. Introducción
Metodología de trabajo
10
2. Función objetivo e indicadores de eficiencia
2. Función objetivo e indicadores de eficiencia
Función objetivo
Función objetivo (OF) multi-objetivos:
n n
OF max wi Fi w j F j
i 1 j 1
donde
12
2. Función objetivo e indicadores de eficiencia
Indicadores de eficiencia
Nash tf
Nash 1
las observaciones es explicada por tf
Nash-ln
Similar al Nash pero tiene en
cuenta el logaritmo de los tf
13
2. Función objetivo e indicadores de eficiencia
Indicadores de eficiencia
t ti
cuando se espera una relación
lineal entre esos valores
Bias Score 2
Q sim Q ref
BS 1 max( , ) 1
Proporciona una indicador no Q ref Q sim
lineal que depende de los
caudales medios simulados y
observados
14
2. Función objetivo e indicadores de eficiencia
Indicadores de eficiencia
RRMSE
Mide el error cuadrático medio tf
el del observado (Q
t ti
ref ,t )
Rango de Valor
Indicador Peso valores ideal
Nash w1 -∞ a 1 1
Nash-ln w2 -∞ a 1 1
Pearson Correlation Coefficient w3 -1 a 1 1
Bias Score (BS) w4 0a1 1
Relative Root Mean Square Error (RRMSE) w5 0 a +∞ 0
Normalized Volume Bias (NVB) w6 -∞ a +∞ 0
Relative Peak Error (RPE) w7 -∞ a +∞ 0
16
3. Calibración de cuencas en serie y en paralelo
3. Calibración de cuencas en serie y en paralelo
B
B
A B
A C
A 1
C
D
D C
D 2
E E
3 E
18
3. Calibración de cuencas en serie y en paralelo
Calibración de cuencas
C
D
19
3. Calibración de cuencas en serie y en paralelo
La sub-cuenca E, en serie C
20
3. Calibración de cuencas en serie y en paralelo
21
3. Calibración de cuencas en serie y en paralelo
se calibran D
C
D
independientemente.
E
22
3. Calibración de cuencas en serie y en paralelo
Sub-cuencas A y B están
B
en paralelo y se calibran A B
A
independientemente. C
A y B se encuentran en serie D
2
con C+D, que se calibran
E
posteriormente.
Finalmente se calibra E, que
3
23
3. Calibración de cuencas en serie y en paralelo
26
4. Metodología y algoritmos de calibración
PASO 1 PASO 5
Generar muestra Mezclar los complejos
PASO 2 PASO 6
Numerar puntos Verificar el criterio de
PASO 3 convergencia
STEP 4
Partición en complejos Evolución del complejo
27
4. Metodología y algoritmos de calibración
PASO 1 PASO 5
Generar muestra Mezclar los complejos
PASO 2 PASO 6
Numerar puntos Verificar el criterio de
PASO 3 convergencia
STEP 4
Partición en complejos Evolución del complejo
PASO 2
Numerar puntos
PASO 3
Partición en complejos
PASO 4
Evolución del complejo
28
4. Metodología y algoritmos de calibración
PASO 5
PASO 2 Shuffle complexes
Numerar puntos PASO 6
PASO 3 Check convergence
Partición en complejos criteria
PASO 4
Evolución del complejo
29
4. Metodología y algoritmos de calibración
30
4. Metodología y algoritmos de calibración
Valor por
Algoritmo Nombre Unidad Descripción
defecto
MAXM - Numero máximo de iteraciones 10’000
NGS - Numero de complejos 3
Numero de bucles de mezclado
KSTOP - 10
hasta convergencia
SCE-UA
Criterio de parada para los
PCENTO - 0.1
bucles de mezclado
PEPS - Parámetro de convergencia 0.001
SEED - Valor semilla Aleatorio
31
4. Metodología y algoritmos de calibración
32
4. Metodología y algoritmos de calibración
PASO 4
Seleccionar
nuevo rango
PASO 1
Generar muestra
PASO 2
Ordenar los valores de
la función objetivo
PASO 3
Verificar el criterio de
convergencia
33
4. Metodología y algoritmos de calibración
PASO 4
Seleccionar
nuevo rango
PASO 1
Generar muestra
PASO 2
Ordenar los valores de
la función objetivo
PASO 3
Verificar el criterio de
convergencia
34
4. Metodología y algoritmos de calibración
PASO 1
Generar muestra
PASO 2
Ordenar los valores de
la función objetivo
PASO 3
Verificar el criterio de
convergencia
35
4. Metodología y algoritmos de calibración
36
4. Metodología y algoritmos de calibración
Valor por
Algoritmo Nombre Unidad Descripción
defecto
Número máximo de
MAXN - 2000
iteraciones
Número de iteraciones por
ITGR - 100
grupo
Numero de mejores valores
UAMC NUMBEST - tenidos en cuenta para el 5
próximo grupo de iteraciones
Coeficiente adicional del
COEFRANG - 0.1
rango
ERR - Parámetro de convergencia 0.001
SEED - Valor semilla Aleatorio
37
4. Metodología y algoritmos de calibración
38
4. Metodología y algoritmos de calibración
39
4. Metodología y algoritmos de calibración
40
4. Metodología y algoritmos de calibración
41
4. Metodología y algoritmos de calibración
42
4. Metodología y algoritmos de calibración
Valor por
Algoritmo Nombre Unidad Descripción
defecto
Número máximo de
MAXN - 2000
iteraciones
Divisiones del hipercubo
DivLHC - 100
latino
SEED - Valor semilla 5
Número de lanzamientos de
CLHR RLAUNCHES - 0.1
Rosenbrock
ALPHA Coeficiente de avance
BETA Coeficiente de retroceso
Número de subdivisiones del
STEPROS - 0.001
rango de los parámetros
ERR - Parámetro de convergencia Aleatorio
43
4. Metodología y algoritmos de calibración
Configuración de la calibración
Calibración única:
Configuración de la calibración
Calibración múltiple:
B F
Cuencas no conectadas entre sí: A
E
Varias cuencas independientes C G
pueden ser calibradas al mismo D
tiempo (mismo orden de importancia).
B
Cuencas en serie de aguas arriba a
A
aguas abajo: las cuencas son
C
dependientes y tienen que ser D
calibradas en serie desde aguas
arriba hasta aguas abajo E
46
4. Metodología y algoritmos de calibración
Análisis gráfico
47
4. Metodología y algoritmos de calibración
48
5. Calibración vs validación
5. Calibración vs validación
Calibración Validación
Calibración Validación
50
5. Calibración vs validación
Calibración Validación
Calibración y validación
51
“Objectivity in sciences is a myth, in life an impossibility
and in decision making an irrelevance”
(Anderson et al., 1977)
52
Gracias por
su atención