Calibracion e Indicadores - RS MINERVE

Calibración de
un modelo hidrológico e
indicadores de eficiencia
Javier GARCÍA HERNÁNDEZ
SEMINARIO DE FORMATION EN MODELIZACION

HIDROLOGICA E HIDRAULICA CON RS MINERVE
Lima, 14 de abril de 2015

1. Introducción
2. Función objetivo e indicadores de eficiencia
3. Calibración de cuencas en serie y en paralelo
4. Metodología y algoritmos de calibración
5. Calibración vs validación
1. Introducción
1. Introducción
Calibración y validación de un modelo hidrológico
 Calibración: Operación que consiste en determinar los

valores de los parámetros en un modelo hidrológico que
minimizan los errores de modelización (en comparación con
los valores observados).
Validación: Operación realizada después de la calibración e

indispensable para la utilización de un modelo hidrológico,
que consiste en evaluar la calidad del modelo sobre un
conjunto de datos que no han sido utilizados en la fase de
calibración.
4
1. Introducción
Tipos de calibración/validación
 Manual – Visual
 Manual – Indicadores de eficiencia
 Automática – Indicadores de eficiencia
 Mixta (automática y manual)
5
1. Introducción
Función objetivo
 Función constituida por uno o varios indicadores de

eficiencia definidos por el usuario y que permite, durante la
calibración, comparar el error de las series de caudales
simulados respecto a los observados y definir el juego de
parámetros óptimo.
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
Fi son los indicadores de eficiencia considerados en el calculo de la

función multi-objetivo,
wi son los pesos atribuidos a cada indicador.
8
1. Introducción
Eficiencia del modelo
 ¿Cuál es el objetivo del modelo?
 ¿De qué manera estamos realizando la calibración y su el

análisis?
 ¿Qué se gana (o pierde) con la mejora de la eficiencia del

modelo?
Éstas son las preguntas que se tienen que responder antes

de saber si el modelo es útil o no!!!
9
1. Introducción
Metodología de trabajo
 ¿Qué datos tenemos? ¿Qué cuenca?
 ¿Qué modelo queremos utilizar? ¿Lo conocemos?
 ¿De cuánto tiempo disponemos?
Éstas son las preguntas que el hidrólogo se tiene que

plantear para encontrar la metodología que se adapte a su
cuenca y a sus necesidades!!!
10
Función objetivo
 Función objetivo (OF) multi-objetivos:
 n n 
OF  max  wi  Fi   w j  F j 

 i 1 j 1 
donde
Fi y Fj son los indicadores de eficiencia considerados en el

cálculo de la función multi-objetivos,
wi y wj son los pesos adjudicados a los distintos

indicadores.
12
Indicadores de eficiencia
 Nash tf
Mide cuánto de la variabilidad de  sim,t ref ,t

(Q  Q
t t i
) 2
Nash  1 
las observaciones es explicada por tf
la simulación  ref ,t ref

(Q
t t i
 Q ) 2
 Nash-ln
Similar al Nash pero tiene en
cuenta el logaritmo de los tf
caudales, dándole de esta manera

 (ln( Q
t ti
sim ,t )  ln( Qref ,t )) 2
Nash  ln  1  tf
una mayor importancia relativa a  (ln( Q )  ln( Q ref )) 2
ref ,t
los caudales pequeños t ti
13
 Pearson Correlation Coefficient

tf
Expresa la dependencia lineal  (Q sim, t  Q sim )  (Qref ,t  Q ref )
t ti
entre los valores simulados y Pearson 
tf tf
los observados y se recomienda  (Q

t ti
sim, t  Q sim )   (Qref ,t  Q ref ) 2
2
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
 RRMSE
Mide el error cuadrático medio tf
relativo y cuantifica la magnitud de la  (Qt ti

sim,t  Qref ,t ) 2
desviación de los valores simulados RRMSE  n

Q ref
respecto a los observados
 RVB (Relative Volume Bias) tf
Indica el sesgo relativo entre el  (Q

t ti
sim,t  Qref ,t )
RVB 
volumen del hidrograma simulado y tf
el del observado  (Q
t ti
ref ,t )
 NPE (Normalized Peak Error)

Smax  Rmax
Error normalizado de pico de caudal NPE 
Rmax
15
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
OF  max( Nash  w1  Nashln  w2  Pearson  w3  BS  w4  RRMSE  w5  NVB  w6  RPE  w7 )
16
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
Calibración de cuencas
 Se calibran todas las cuencas

B
al mismo tiempo. A
C
D
19
Calibración de cuencas en serie
 Las sub-cuencas A+B+C+D

B
se calibran al mismo tiempo. A
 La sub-cuenca E, en serie C
con las otras, se calibra D

2
posteriormente.
E
20
Calibración de cuencas en serie
 Sub-cuencas A+B están

B
en serie con C+D y también A
1
con E. C
 Se calibra primero A+B, D

2
a continuación C+D y
E
finalmente E.
3
21
Calibración de cuencas en paralelo
 Todas las sub-cuencas

B
independientes y tienen A B
A
su punto de calibración y C
se calibran D
C
D
independientemente.
E
22
Calibración de cuencas en paralelo y en serie
 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
está en serie con las precedentes.
23
Calibración de cuencas en serie y en paralelo
 Sub-cuencas A+B se calibran

B
conjuntamente y en primer lugar. A
1
 Sub-cuencas C y D se C
encuentran en serie con A+B, D

C
D
pero en paralelo entre ellas.
E
Se calibran independientemente
3
una vez calibrado A+B.
 Se calibra E, en serie con las
precedentes.
24
Optimización automática: algoritmos

 Shuffled Complex Evolution – University of Arizona (SCE-UA)
Método global de optimización para obtener el mejor juego de

parámetros en un sistema complejo
Empezar desde una muestra aleatoria
Evolución continua de la población
Convergencia de a muestra a la solución optima
26

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
Reflexión Contracción Mutación
27

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

PASO 5
PASO 2 Shuffle complexes
Numerar puntos PASO 6
PASO 3 Check convergence
Partición en complejos criteria
PASO 4
Evolución del complejo
29
Optimisation automatique: algorithmes

30

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

 Uniform Adaptive Monte Carlo (UAMC)
El algoritmo Adaptativo Uniforme de Monte Carlo (UAMC) se basa en los

experimentos de Monte Carlo, que se basan en la realización de
muestras aleatorias para obtener un conjunto de resultados, donde se
busca el optimo.
Este algoritmo ha sido modificado para optimizar iterativamente en un

espacio de soluciones optimo cada vez más pequeño. Para ello, por
cada grupo de simulaciones, se busca el rango de cada parámetro que
proporciona los mejores resultados, y se adapta para el siguiente grupo
de simulaciones hasta converger al optimo.
32

 Uniform Adaptive Monte Carlo
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

PASO 4
Seleccionar
nuevo rango
PASO 1
Generar muestra
PASO 2
PASO 3
convergencia
34

PASO 1
Generar muestra
PASO 2
PASO 3
convergencia
35

36

Valor por
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

 Hipercubo latino + Rosenbrock
Con la unión del algoritmo del Hipercubo Latino y el de Rosenbrock se

genera una potente herramienta para la optimización de problemas
complejos.
El cálculo de un hipercubo latino para el dominio de búsqueda permite un

muestreo bien distribuido en función de la dimensión del problema.
Con los mejores resultados de estas muestras pseudoaleatorias se

obtienen los puntos de partida necesarios para los inicios del algoritmo
de Rosenbrock, cuya ventaja reside en la rapidez a la hora de obtener
valores óptimos cercanos. Este algoritmo se basa en una búsqueda de
gradiente, realizando cambios de ejes según la dirección de máxima
mejora, reduciendo así el número de evaluaciones de la función objetivo.
38

39

40

41

42

Valor por
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
Procedimiento general de calibración

 Conocer el modelo y sus parámetros
 Realizar una primera calibración manual a la salida de la cuenca
 Analizar gráficamente
 Realizar un análisis de sensibilidad
 Ajustar los parámetros automáticamente utilizando una calibración
automática
 Evaluar los parámetros obtenidos teniendo en cuenta su interpretación
física
 Validar los resultados de cada uno de los tanques del modelo para
determinar si su variación es consistente con la realidad
 Elegir los mejores parámetros de calibración basándose en el análisis
grafico, los indicadores de eficiencia y la interpretación física
 Efectuar la validación del modelo evaluando otros periodos de tiempo y
verificando el resultado en los objetivos del estudio y para las cuatro
estaciones del año
44
Configuración de la calibración
 Calibración única:
Calibración estándar: Una o más

B
zonas, con una estación de aforo aguas
abajo, calibradas con los mismos A
parámetros para todas las zonas.
Calibración por zonas: Una o más

zonas con una estación de aforo aguas B
abajo, calibradas con diferentes A

parámetros para cada zona.
Calibración regional: Una o más

zonas, con varias estaciones de aforo B
aguas abajo, calibradas con los mismos
A
parámetros para todas las zonas
45
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
Análisis de los resultados
 Análisis gráfico
Análisis cualitativo basado en diferentes puntos de vista:

Caudal de base
Crecidas
(…)
47
Análisis de los resultados
 Análisis de cada indicador de eficiencia

 Análisis de la función objetivo
Análisis cuantitativo basado en diferentes

posibilidades de calculo:
Para todo el periodo de calibración/validación
Indicadores por año hidrológico y calculo de
media y desviación típica
(…)
48
Selección de los periodos de calibración y validación
Calibración Validación
50
Selección de los periodos de calibración y 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

Calibracion e Indicadores - RS MINERVE

Încărcat de

Informații document

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

Calibracion e Indicadores - RS MINERVE

Încărcat de

Drepturi de autor:

Formate disponibile

Calibración de

SEMINARIO DE FORMATION EN MODELIZACION

Lima, 14 de abril de 2015

Calibración y validación de un modelo hidrológico

 Calibración: Operación que consiste en determinar los

Validación: Operación realizada después de la calibración e

 Manual – Indicadores de eficiencia

 Automática – Indicadores de eficiencia

 Mixta (automática y manual)

 Función constituida por uno o varios indicadores de

Fi son los indicadores de eficiencia considerados en el calculo de la

wi son los pesos atribuidos a cada indicador.

Eficiencia del modelo

 ¿Cuál es el objetivo del modelo?

 ¿De qué manera estamos realizando la calibración y su el

 ¿Qué se gana (o pierde) con la mejora de la eficiencia del

Éstas son las preguntas que se tienen que responder antes

 ¿Qué datos tenemos? ¿Qué cuenca?

 ¿Qué modelo queremos utilizar? ¿Lo conocemos?

 ¿De cuánto tiempo disponemos?

Éstas son las preguntas que el hidrólogo se tiene que

Fi y Fj son los indicadores de eficiencia considerados en el

wi y wj son los pesos adjudicados a los distintos

Mide cuánto de la variabilidad de  sim,t ref ,t

la simulación  ref ,t ref

caudales, dándole de esta manera

 Pearson Correlation Coefficient

los observados y se recomienda  (Q

relativo y cuantifica la magnitud de la  (Qt ti

desviación de los valores simulados RRMSE  n

Indica el sesgo relativo entre el  (Q

 NPE (Normalized Peak Error)

OF  max( Nash  w1  Nashln  w2  Pearson  w3  BS  w4  RRMSE  w5  NVB  w6  RPE  w7 )

Calibración de cuencas en serie y en paralelo

 Se calibran todas las cuencas

Calibración de cuencas en serie

 Las sub-cuencas A+B+C+D

con las otras, se calibra D

Calibración de cuencas en serie

 Sub-cuencas A+B están

 Se calibra primero A+B, D

Calibración de cuencas en paralelo

 Todas las sub-cuencas

Calibración de cuencas en paralelo y en serie

está en serie con las precedentes.

Calibración de cuencas en serie y en paralelo

 Sub-cuencas A+B se calibran

encuentran en serie con A+B, D

Optimización automática: algoritmos

Método global de optimización para obtener el mejor juego de

Optimización automática: algoritmos

Reflexión Contracción Mutación

Optimización automática: algoritmos

Optimización automática: algoritmos

Optimisation automatique: algorithmes

Optimización automática: algoritmos

Optimización automática: algoritmos

El algoritmo Adaptativo Uniforme de Monte Carlo (UAMC) se basa en los

Este algoritmo ha sido modificado para optimizar iterativamente en un

Optimización automática: algoritmos

Optimización automática: algoritmos

Optimización automática: algoritmos

Optimización automática: algoritmos

Optimización automática: algoritmos