Algoritmos de Calibracion de Modelos Hidrologicos de Simulacion Continua

Algoritmos de calibracin de modelos hidrolgicos
de simulacin continua
PROGRAMA DE FORMACIN IBEROAMERICANO EN MATERIA DE AGUAS. CODIA.
CURSO: Tcnicas y algoritmos empleados en estudios hidrolgicos e hidrulicos.
AECID, 23 al 27 de agosto de 2010 Montevideo, Uruguay
Nicols Failache Gallo
Departamento del Agua, Regional Norte, Universidad de la Repblica
nicofail@unorte.edu.uy
CURSO: Tcnicas y algoritmos empleados en estudios hidrolgicos e hidrulicos. AECID, 23 al 27 de agosto de 2010 Montevideo, Uruguay
ndice
Modelos hidrolgicos de simulacin continua
Ejemplo, solucin tentativa por los alumnos
Concepto de calibracin y funciones objetivo
Algoritmos de bsqueda directa
Ejemplo, solucin por bsqueda directa
Algoritmos de optimizacin global, algoritmos genticos
Ejemplo, solucin por algoritmos genticos
Modelos hidrolgicos de
simulacin continua
Simulacin hidrolgica continua
Modelos hidrolgicos de eventos, (ya vistos)
Significacin estadstica
Diseo hidrolgico, Riesgo
Modelos hidrolgicos de simulacin continua:
Representacin de parte del ciclo hidrolgico por medio de algoritmos, describen distribucin
espacial de la precipitacin, prdidas por evaporacin e intercepcin, flujo a travs del suelo por
infiltracin, percolacin y aguas subterrneas, escurrimiento superficial, sub superficial y en ros.
Existen varios tipos: concentrados, concentrados por subcuencas (hidrologa e hidrodinmica, ej
Sacramento) o distribuidos (hidrologa e hidrodinmica, ej MGB)
En general las variables de entrada son: precipitacin y evapotranspiracin potencial (en algunos
casos temperaturas)
Datos fsicos de las cuencas, GIS
Calibracin de los parmetros
Uso de los modelos hidrolgicos de simulacin continua
Comprensin de los fenmenos hidrolgicos de la cuenca
Anlisis de consistencia de la informacin y extensin de series
Pronstico de caudales
Diseo hidrolgico y planificacin
Evaluacin de los efectos de modificacin del uso del suelo
simulacin continua
Modelo de balance en paso mensual: Temez
Modelo de Temez
Simulacin continua de caudales medios mensuales en funcin de precipitaciones acumuladas mensuales y
evapora transpiraciones potenciales. Ejemplo de aplicacin en el Ro Uruguay en Salto Grande (distribuido
por sub cuencas, calibracin 1995-2001 y verificacin 2002-2009, Failache 2010, CTM-SG).
0
2500
5000
7500
10000
12500
15000
17500
20000
22500
J
a
n
-
9
5
A
p
r
-
9
5
J
u
l -
9
5
O
c
t
-
9
5
J
a
n
-
9
6
A
p
r
-
9
6
J
u
l -
9
6
O
c
t
-
9
6
J
a
n
-
9
7
A
p
r
-
9
7
J
u
l -
9
7
O
c
t
-
9
7
J
a
n
-
9
8
A
p
r
-
9
8
J
u
l -
9
8
O
c
t
-
9
8
J
a
n
-
9
9
A
p
r
-
9
9
J
u
l -
9
9
O
c
t
-
9
9
J
a
n
-
0
0
A
p
r
-
0
0
J
u
l -
0
0
O
c
t
-
0
0
J
a
n
-
0
1
A
p
r
-
0
1
J
u
l -
0
1
O
c
t
-
0
1
C
a
u
d
a
l

m
e
d
i
o

m
e
n
s
u
a
l

(
m
3
/
s
)
Caudales medio mensuales medidos Caudales medio mensuales calculados
0
2500
5000
7500
10000
12500
15000
17500
20000
22500
N
o
v
-
0
2
F
e
b
-
0
3
M
a
y
-
0
3
A
u
g
-
0
3
N
o
v
-
0
3
F
e
b
-
0
4
M
a
y
-
0
4
A
u
g
-
0
4
N
o
v
-
0
4
F
e
b
-
0
5
M
a
y
-
0
5
A
u
g
-
0
5
N
o
v
-
0
5
F
e
b
-
0
6
M
a
y
-
0
6
A
u
g
-
0
6
N
o
v
-
0
6
F
e
b
-
0
7
M
a
y
-
0
7
A
u
g
-
0
7
N
o
v
-
0
7
F
e
b
-
0
8
M
a
y
-
0
8
A
u
g
-
0
8
N
o
v
-
0
8
F
e
b
-
0
9
M
a
y
-
0
9
A
u
g
-
0
9
C
a
u
d
a
l

m
e
d
i
o

m
e
n
s
u
a
l

(
m
3
/
s
)
Caudales medio mensuales medidos Caudales medio mensuales calculados
Modelo de Temez
Modelo de Temez
calibracin regional en Uruguay
Modelo de Temez
calibracin regional en Uruguay
Relacin lineal entre el agua
disponible y el parmetro Hmax
Hmax=C.AD(mm)
El resto de los parmetros de
asumieron nicos para todo el
pas
Modelo de Temez
simulacin continua
Modelo de paso diario: HYMOD
Modelo HYMOD
Moore, R.J., 1985. The probability-distributed principle and runoff production at point and basin scale. Hydrological
Sciences Journal 30(2), 273-297.
Consideraciones estadsticas de la anisotropa en la cuenca.
Extrado de Parameter optimization of the HYMOD model using SCEM-UA and MOSCEM-UA , Bos A. y A. Breng, Modelling
Geo-Ecological Systems, Computational Bio- and Physical Geography, Faculty of Science, University of Amsterdam , 2006
max
exp B
max
C C 0
C
C
1 1 ) C ( F s s
|
|
.
|
\
|
=
Modelo HYMOD
Funcionamiento del modelo
Modelo HYMOD
Parmetros del modelo
Cmax: punto con la mayor capacidad de almacenamiento de agua en la cuenca
B: grado de variabilidad espacial de las capacidades mximas de almacenamiento de agua
a: divisin del excedente de agua en cada periodo entre flujo rpido (modelado como 3
tanques) y lento (modelado como un tanque)
flst: fraccin de agua que abandona en cada unidad de tiempo el tanque lento
flqt: fraccin de agua que abandona en cada unidad de tiempo el tanque rpido
Ejemplo, solucin tentativa por
parte de los asistentes
HYMOD en la cuenca del Y Ro Negro - Uruguay
Ro Y, cuenca de aporte del Ro Negro, Uruguay
rea de la cuenca del Y hasta Sarand del Y 1376 km2
Informacin de 3 pluvimetros diarios en la cuenca y 2 prximos
Cuenca del Ro Y, en Sarand del Y
Cuenca
rea
(km
2
)
Pendiente
(%)
Inmediata 240 2.13
Y cabecera 213 3.51
Valentn 112 4.04
Del Sauce 63 2.76
Monzon 124 3.48
De los Molles 104 2.59
Del Pescado Chico 478 3.44
Del Sauce 2 41 1.89
Cuenca total 1376
Cuenca
Agua disponible de los suelos
(mm)
Inmediata 85.7
Y cabecera 78.5
Valentn 78.7
Del Sauce 84.2
Monzon 78.8
De los Molles 92.4
Del Pescado Chico 69.8
Del Sauce 2 90.4
Ao
Das con datos
caudal
Caudal medio diario
en la estacin Sarand
del Y
(m3/s)
Precipitacin
media anual
(mm/ao)
Coeficiente de
escorrenta
1988 366 9.42 936 0.23
1989 151 0.09 720 0.00
1990 327 28.46 1431 0.41
1991 293 25.36 1303 0.36
1992 365 15.31 1231 0.29
1993 328 15.58 1222 0.26
1994 333 21.61 1378 0.33
1995 365 13.31 1000 0.31
1996 359 9.19 867 0.24
1997 364 10.15 1203 0.19
1998 365 24.58 1536 0.37
1999 365 13.87 1070 0.30
2000 366 19.53 1410 0.32
2001 365 21.37 1520 0.32
2002 365 32.02 1776 0.41
2003 365 25.70 1641 0.36
2004 366 10.19 950 0.25
2005 364 20.34 1520 0.31
2006 365 10.80 1219 0.20
2007 365 26.39 1600 0.38
2008 366 4.20 760 0.13
0
50
100
150
200
250
300
350
1
/
0
1
/
0
2
1
6
/
0
1
/
0
2
3
1
/
0
1
/
0
2
1
5
/
0
2
/
0
2
2
/
0
3
/
0
2
1
7
/
0
3
/
0
2
1
/
0
4
/
0
2
1
6
/
0
4
/
0
2
1
/
0
5
/
0
2
1
6
/
0
5
/
0
2
3
1
/
0
5
/
0
2
1
5
/
0
6
/
0
2
3
0
/
0
6
/
0
2
1
5
/
0
7
/
0
2
3
0
/
0
7
/
0
2
1
4
/
0
8
/
0
2
2
9
/
0
8
/
0
2
1
3
/
0
9
/
0
2
C
a
u
d
a
l

(
m
3
/
s
)
0
50
100
150
200
250
300
P
r
e
c
i
p
i
t
a
c
i
n

(
m
m
/
d
a
)
Precipitaciones
Caudales medidos
Curva de aforo en Sarand del Y (DNH)
0
20
40
60
80
100
120
140
160
180
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Escala Sarand del Y (m)
C
a
u
d
a
l

(
m
3
/
s
)
Curva de Aforos (DNH-MTOP)
Aforos realizados por DNH-MTOP
Modelo HYMOD
Trabajo prctico en planilla Excel
Concepto de calibracin y
funciones objetivo
Calibracin de modelos hidrolgicos
Minimizar lo errores cuadrticos
Nmero de Nash
Diferencias relativa de volmenes
Curva de permanencia
Funciones objetivo
=
=
n
1 i
2
)) i ( Qc ) i ( Qob ( MC

=
=
=
n
1 i
2
n
1 i
2
2
) Qob ) i ( Qob (
)) i ( Qc ) i ( Qob (
1 R

= A
=
= =
n
1 i
n
1 i
n
1 i
) i ( Qob
) i ( Qc ) i ( Qob
V

=
=
=
pn
po P
pn
po p
) p ( ob , Qp
) p ( c , Qp ) p ( ob , Qp
CP
Algoritmos de bsqueda directa
Modelo HYMOD
Solver de EXCEL
Algoritmos globales
Algoritmos genticos
La estimacin de los parmetros del modelo esta sujeta a varias fuentes de incertidumbre:
Los datos de calibracin contienen errores: de lectura, de estimacin de caudales y de estimacin de
lluvias
El modelo nunca representa de forma perfecta el sistema: anisotropa de la cuenca, simplificacin de la
realidad
Las funciones objetivo contienen mltiples ptimos locales
Extrado de SHUFFLED COMPLEX EVOLUTION METROPOLIS (SCEM-UA) ALGORITHM
MANUAL ) Version 1.0, Januari, 2003, Jasper A. Vrugt , Hoshin V. Gupta , Willem Bouten y Soroosh
Sorooshian
1Jasper A. Vrugt* and Willem Bouten, Institute for Biodiversity and Ecosystem Dynamics, University of Amsterdam, Netherlands, Nieuwe
Achtergracht 166, Amsterdam, 1018 WV.
2Hoshin V. Gupta, and Soroosh Sorooshian, Department of Hydrology and Water Resources, University of Arizona, Tucson, AZ 85721, USA.
Consideremos una estructura de modelo ( ) u c n =
.
| y , en un esquema de trabajo estadstico
podemos decir:
( ) u c n =
.
| y
.
y : vector Nx1 de predicciones del modelo
c : matriz de Nxp variables de entrada (precipitacin, evapotranspiracin, etc)
u: vector de n parmetros desconocidos
Con
n
9 _ O e u (restricciones de validez de los parmetros)
MANUAL ) Version 1.0, Januari, 2003, Jasper A. Vrugt , HoshinV. Gupta , Willem Bouten y Soroosh
Sorooshian
Con los datos observados de la variable estimada y, los errores cometidos se pueden calcular
como:
( ) ( ) ( ) ( ) ( ) { } , e , e , e y y E
N 2 1
u u u = u = u
.

En el enfoque clsico de la calibracin de modelos los valores de u escogidos son aquellos
que hacen E lo mas prximo a cero posible. Una expresin comn para E es la distancia
cuadrtica (SLS) o estimador de mxima verosimilitud,
( ) ( ) u =
=
u
N
1 j
2
j
e SLS mnimo
Un enfoque clsico de estadstica estima los parmetros u que considera desconocidos. Un
enfoque de bayesiano del problema trata a los parmetros ucomo una variable probabilstica,
que posee una funcin de densidad de probabilidad (pdf), la cual contiene las certezas de u a
la luz de los datos observados y (es decir ) y | ( p u ). Luego ) y | ( p u es proporcional al
producto de la funcin de mxima verosimilitud y ) ( p u . En ) ( p u se encuentra la
informacin acerca de uantes de ser colectado dato alguno. Generalmente esta consiste en
los lmites minimos y mximos de validez de los parmetros distribuido uniformemente.
Asumiendo que los residuos son mutuamente independientes, cada uno con una densidad
exponencial potencial ( ) o, E la maxima verosimilitud de un juego de parmetros u para
describir los datos observados y puede se rexpresada como (Box y Tiao, 1973)
o
u

o
e
= u
=
+
N
1 j
) 1 /( 2
j
N
) ( e
) ( c exp
) (
) , y | ( p
Con
| | { }
| | { }
2 / 3
2 / 1
2 / ) 1 ( ) 1 (
2 / ) 1 ( 3
) (
+ I +
+ I
= e
| |
| |
) 1 /( 1
2 / ) 1 (
2 / ) 1 ( 3
) ( c
+
)
`
+ I
+ I
=
El parmetro es el modelo de error de los residuos, estos se asumen normalmente
distribuidos cuando 0 = , doble exponencial cuando 1 = y tienden a una distribucin
unifrme cuando 1 .
Sorooshian
Asumiendo una distribucin uniforme
1
) | , ( p

o o u Box y Tiao (1973) mostraron que la
influencia de ose puede despreciar llegando a la siguiente formualcin:
| |
2 / ) 1 ( N
) ( M ) , y | ( p
+
u u
Con
) 1 /( 2
N
1 j
j
) ( e ) ( M
+
=
u = u
Es muy comn que en las funciones objetivo de problemas de optimacin de parmetros en
modelos no lineales se tengan mltiples ptimos locales.
Los mtodos estndar no dan garantas de encontrar estos ptimos.
Son necesarios mtodos de optimizacin efectivos y eficientes que ayuden a ubicar un nico y
posible juego de parmetros ptimos, estos mtodos son basados en optimizacin global.
Sorooshian
Algoritmos de optimizacin globales
Algoritmos genticos (extrado del Global Optimization Toolbox 3, Users Guide, MATLAB)
1.- El algoritmo comienza creando una poblacin inicial aleatoria (uniformemente distribuida) de posibles
soluciones.
2.- A partir de la generacin inicial el algoritmo comienza a iterar creando nuevas generaciones de la
siguiente forma:
a) Crea un ranking con cada miembro de la presente generacin mediante la evaluacin en la funcin
objetivo.
b) Ordena los miembros de acuerdo a la funcin objetivo (anterior ranking) convirtindolos en
rangos de valores.
c) Selecciona padres en funcin de su ranking.
d) Algunos de los miembros de la poblacin actual con mejor ranking son elegidos como elite.
Estos miembros son pasados directamente a la prxima generacin.
e) Produce hijos a partir de los padres. Los hijos pueden ser producidos a partir de cambios
aleatorios en un solo padre (mutacin) o combinando padres (cruzas).
f) Reemplaza la presente generacin con los hijos y algunos miembros de elite para formar una
nueva generacin.
3.- El algoritmo para con alguna condicin dada.
El algoritmo se encuentra descrito en:
Effective and efficient algorithm for multiobjetive optimization of hydrologic models
Jasper A Vrugt, Hoshin V. Gupta, Luis A. Bastidas, Willern Bouten and Soroosh Sorooshian
Water Res. Res. VOL. 39, NO. 8, 1214, ao 2003
Consiste en una algoritmo gentico con particularidades evolutivas desarrolladas especficamente para las
complejidades de los modelos hidrolgicos. Optimiza mltiples funciones objetivo en la misma aplicacin.
A continuacin se presenta una descripcin simple del mismo :
Algoritmo MOSCEM-UA
Pasos
1. Generacin de una poblacin inicial de puntos (vectores de soluciones) elegidos uniformemente dentro
del rango de posible variacin de los parmetros.
2. Para cada punto son calculados los valores de las funciones objetivo (se crea una matriz con los valores de
los parmetros y sus funciones objetivo) y ordenados utilizando la una metodologa especifica (algoritmo
de fitness assignment Zitzler y Thiele 1999).
3. La poblacin resultante es dividida en q complejos, y en cada sub poblacin k de complejos se inician
secuencias paralelas a partir del punto de mejores caractersticas. Un nuevo candidato es generado en cada
secuencia k , mediante una distribucin normal multivariada centrada en este punto y aumentada con la
covarianza del complejo k.
4. A partir de una regla especifica (Metropolis) es decidido si el nuevo punto es o no aceptado en la
poblacin (complejo k). Si es aceptado, reemplaza al peor miembro de la poblacin. Si no es aceptado el
peor miembro es reemplazad de todas formas con el ltimo de la secuencia original.
5. Finalmente luego de un nmero de iteraciones prefijado los complejos forman la nueva poblacin.
La aplicacin iterativa de estos algoritmos conduce a determinar una regin de Pareto de las soluciones.
Algoritmo MOSCEM-UA
Effective and efficicient algorithm for multiobjetive
optimization of hydrologyc models
Jasper A Vrugt, Hoshin V. Gupta, Luis A. Bastidas,
Willern Bouten and Soroosh Sorooshian
Algoritmo MOSCEM-UA
Effective and efficicient algorithm for multiobjetive
optimization of hydrologyc models
Jasper A Vrugt, Hoshin V. Gupta, Luis A. Bastidas,
Willern Bouten and Soroosh Sorooshian
Algoritmo MOSCEM-UA
Hidrogramas observado e hidrograma de cada punto de la regin de Pareto (gris)
Algoritmo MOSCEM-UA: calibracin del ejemplo
0 50 100 150 200 250 300
0
50
100
150
200
250
300
350
das
C
a
u
d
a
l

(
m
3
/
s
)
Calibracin ro Y en Sarand del Y
Histogramas de los parmetros de la poblacin final
0 50 100 150 200 250 300 350 400 450 500
0
2000
4000
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
5000
10000
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
5000
10000
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0
2000
4000
6000
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
5000
10000
Regin de Pareto
0.18 0.19 0.2 0.21 0.22 0.23 0.24 0.25 0.26
0
0.02
0.04
0.06
0.08
0.1
0.12
1-Nmero de Nash
D
i
f
e
r
e
n
c
i
a

d
e

v
o
l
u
m
e
n

r
e
l
a
t
i
v
a

Algoritmos de Calibracion de Modelos Hidrologicos de Simulacion Continua

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algoritmos de Calibracion de Modelos Hidrologicos de Simulacion Continua

Uploaded by

Copyright:

Available Formats

Algoritmos de calibracin de modelos hidrolgicos

You might also like