Professional Documents
Culture Documents
Fa c ult a d de Cie nc ia s
ET S de I nge nie ros I ndust ria le s y de T e le c om unic a c in
De pa rt a m e nt o de M a t e m t ic a Aplic a da y Cie nc ia s de la Com put a c in
2013
Pgina de Evaluacin
Doctorando:
...................................................................
Presidente: Nombres y Apellidos
........................................
...................................................................
Secretario: Nombres y Apellidos
......................................
...................................................................
Vocal: Nombres y Apellidos
.......................................
Calificacin:
.......................................
Fecha:
............
da
mes
2013
ao
A mi querida
hermana Blanqui,
y a mi ejemplar padre,
en sus cumpleaos.
Indice general
Agradecimientos
Resumen
Pr
ologo
1. Introducci
on a la Problem
atica Planteada
13
15
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2. Problematica de la Prediccion Cientfica . . . . . . . . . . . . . . . . . . . 15
1.2.1. Prediccion de Inundaciones . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2. Predicciones Meteorologicas a Largo Plazo . . . . . . . . . . . . . . 17
1.2.3. Predicciones Meteorologicas Estacionales Regionales . . . . . . . . . 19
1.2.4. Predicciones de Avenidas . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3. Aspectos Hidrologicos de la Region . . . . . . . . . . . . . . . . . . . . . . 20
1.3.1. Cuencas Hidrograficas . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.2. La Cuenca del Plata . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.3. La Cuenca del Ro Parana . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.4. El Ro Parana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.5. Las Inundaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.6. Las Inundaciones en Corrientes . . . . . . . . . . . . . . . . . . . . 28
1.3.7. Estudios Actuales sobre Pronosticos de Inundaciones en Corrientes
29
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
33
2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2. Procesos Estocasticos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1
85
3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2. Estudio Estadstico Descriptivo . . . . . . . . . . . . . . . . . . . . . . . . 85
3.2.1. Estadsticos de las Alturas Hidrometricas en la localidad de Corrientes en los a
nos 1989-2008 . . . . . . . . . . . . . . . . . . . . . 86
3.2.2. Estadsticos de las Alturas Hidrometricas en la localidad de Corrientes, en Perodo sin Inundacion A
nos 2005-2006 . . . . . . . . . 87
3.2.3. Estadsticos de las Alturas Hidrometricas en la localidad de Corrientesde, en Perodo de Inundacion A
nos 1991-1992 . . . . . . . . 88
3.2.4. Estadsticos de las Alturas Hidrometricas en la localidad de Corrientesde, en Perodo de Inundacion A
nos 1997-1998 . . . . . . . . 89
3.3. Graficos de Evolucion Temporal . . . . . . . . . . . . . . . . . . . . . . . . 90
3.4. Tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.4.1. Tendencia Evolutiva . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.5. Graficos de Recurrencia y Frecuencia . . . . . . . . . . . . . . . . . . . . . 96
3.6. Conclusiones Cualitativas y Cuantitativas . . . . . . . . . . . . . . . . . . 98
2
II Implementaci
on y Validaci
on de las Aportaciones Propuestas
103
4. Aplicaci
on de Modelos de Series Temporales Lineales para Predicci
on 105
4.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2. Series Temporales Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.1. Modelos ARIMA - Herramientas Implementadas . . . . . . . . . . . 105
4.3. Analisis de Alturas Hidrometricas del ro y Variables Meteorologicas en
Corrientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.3.1. Analisis con FreeFore . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.3.2. Analisis con Herramienta de Identificacion de Sistemas de Matlab . 109
4.4. Analisis de Alturas y Caudales de Corrientes, con estaciones del Alto Parana 111
4.4.1. Analisis con FreeFore . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.4.2. Analisis con Herramienta de Identificacion de Sistemas de Matlab . 114
5. Aplicaci
on de Modelos de Redes Neuronales para Predicci
on a Corto
Plazo
117
5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2. Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.1. Implementacion en Matlab - Herramienta de Redes Neuronales NNTool . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.3. Optimizacion de Ajuste de Perceptron. Adaptaciones de la Funcion de Error121
5.3.1. Funciones de Redes Neuronales de Matlab . . . . . . . . . . . . . . 121
5.3.2. Modificacion de la Funcion de Error . . . . . . . . . . . . . . . . . . 123
5.4. Funcion de Penalizacion Propuesta . . . . . . . . . . . . . . . . . . . . . . 124
5.5. Redes Neuronales con Funcion de Penalizacion Propuesta . . . . . . . . . . 125
5.5.1. Generacion y Entrenamiento . . . . . . . . . . . . . . . . . . . . . . 125
5.5.2. Aplicacion de la Red Neuronal generada a los datos del ro Parana . 127
5.6. Combinacion de Archivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.7. Resultados de Redes Neuronales con Funcion de Penalizacion entrenada
con Archivos Combinados . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.8. Resultados Comparativos de Predicciones a Corto Plazo . . . . . . . . . . 131
6. Aplicaci
on de Modelos de Redes Neuronales para Predicci
on a Mediano
Plazo
133
6.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.2. Implementacion en Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.2.1. Procedimiento de Chequeo de las Redes Generadas . . . . . . . . . 134
3
201
207
Bibliografa
209
Agradecimientos
Primeramente quiero agradecer al Dr. Jose Luis Crespo, quien me ha dirigido el presente trabajo, haciendo posible la realizacion de esta tesis doctoral.
Tambien debo mencionar la colaboracion del Dr. Pablo Jacovkis, que ha hecho viable
la obtencion de los datos del ro Parana, ha asesorado sobre los aspectos hidrologicos
necesarios para el desarrollo de la presente tesis y ha sido el profesor responsable de mi
estancia en Argentina.
Agradecer a los profesores de este Doctorado, a los profesores, compa
neros y amigos del
Departamento de Matematica Aplicada y Ciencias de la Computacion, a mi compa
nero
de despacho, que han colaborado apoyandome y acompa
nandome en la realizacion de esta
tesis.
Quiero tener presente, en este momento a mis amigos de Espa
na, de Sudamerica toda
y de Argentina en especial, que son la familia que uno elige, a mi familia, a mis hermanos
y sobrinos, que me han acompa
nado en todo momento con su apoyo y buenos consejos,
para seguir adelante a pesar de las dificultades y de las distancias, han estado cerca
acompa
nado con la oracion y por Internet.
Y por u
ltimo y de una manera muy especial, quiero agradecer a mis padres y a mi
hermana Blanqui, que ya no estan conmigo, pero me han dejado un ejemplo de vida y de
superacion que intentare seguir siempre y que me ha permitido llegar hasta donde estoy
hoy, superando todo y presentando esta Tesis Doctoral.
Resumen
Sistemas Inteligentes para el ajuste de Modelos Hidrol
ogicos. Aplicaci
on al Ro Paran
a
El objetivo principal de esta tesis doctoral es la implementacion de sistemas inteligentes para el ajuste de modelos hidrologicos, utilizando para ello series temporales y
redes neuronales, aplicados a modelos hidrologicos o de onda cinematica, que permitan el
aprendizaje y ajuste de parametros para la obtencion de modelos que realicen predicciones
optimas de las alturas del ro Parana, en perodos crticos de inundaciones.
Se realiza un analisis con series temporales que permite establecer las variables y
factores que determinan las alturas hidrometricas, en perodos crticos de inundacion en
la localidad de Corrientes. Posteriormente se presenta un pronostico a corto plazo en
perodos de crecidas, que predice las alturas hidrometricas a tres das implementando
redes neuronales con funcion de penalizacion modificada. Se finaliza con un pronostico a
mediano plazo, para perodos de inundacion, de alturas hidrometricas a siete das que se
realiza con redes neuronales que integran redes neuronales con diferentes arquitecturas.
El interes de este proyecto radica en su aplicacion para el pronosticos de crecidas en
la provincia de Corrientes, Rep
ublica Argentina, que actualmente no dispone de ning
un
sistema de pronostico de crecidas del Ro Parana en organismos oficiales de la provincia,
por lo cual el desarrollo del mencionado trabajo sera de gran importancia provincial y
regional para una mejor prediccion de las crecidas del Ro, que ocasionan perdidas de gran
importancia en la economa de la region.
As mismo, el problema generico planteado en este proyecto es com
un a otras muchas
situaciones, donde se podran aplicar los resultados obtenidos en la realizacion de esta
tesis, como son las demas provincias que se encuentran en las margenes del Ro Parana.
Palabras Claves: Sistemas Inteligentes, Modelos Hidrologicos. Aprendizaje Automatico, Redes Neuronales, Redes Neuronales Modifiadas, Series Temporales, Inundaciones, Ro
Parana.
Pr
ologo
Corrientes es una provincia de la Rep
ublica Argentina, situada en el nordeste del
pas, como se indica en el mapa de la Figura (3), se encuentra emplazada dentro de la
region mesopotamica, con una superficie de 88.886 Km2 , ocupando el 2.3 % del territorio
nacional, con una poblacion de 1.002.416 habitantes aproximadamente, cuya capital es la
ciudad homonima, situada al margen izquierdo del ro Parana, en 27 27 de latitud sur y
58 49 de longitud oeste.
La delimita al norte y oeste el ro Parana, que la separa de Paraguay y las provincias de
Chaco y Santa Fe; su linde este esta marcado por el ro Uruguay, que la separa de Uruguay
y Brasil; los ros Guayquiraro y Mocoreta y los arroyos Basualdo y Tunas marcan su lmite
sur con la provincia de Entre Ros; al nordeste los arroyos Itaembe y Chimiray junto con
un tramo de lmite secode 30 km, la separan de la Provincia de Misiones, con lo cual
podemos apreciar que la Provincia de Corrientes es una Provincia totalmente rodeada
de ros de grandes caudales y ademas todo su territorio esta surcado por ros de menor
importancia, ubicandose en la zona central de la provincia los mundialmente conocidos
Esteros del Ibera, como puede observarse en la imagen satelital de la Figura (4).
Analizando la geografa provincial, puede considerarse que los municipios de Esquina,
Goya, Lavalle, Bella Vista, Empedrado, Paso de la Patria e Itat, junto con la ciudad
de Corrientes Capital, son las localidades de mayor exposicion ante un posible desastre
hdrico, teniendo cada localidad problemas para la concrecion de los proyectos en defensa
de las inundaciones. La Provincia de Corrientes esta en constante riesgo de inundacion de
varias zonas, en muchos casos no se hacen los trabajos en todas las areas inundables por
no contar con los fondos suficientes para desarrollar la actividad preventiva que se debe
realizar.
En las siguientes fotos puede observarse el mismo tramo de la Costanera Gral. San
Martn, sobre la margen izquierda del ro Parana en la ciudad de Corrientes. La Figura (5),
en la foto izq., muestra el ro con altura y cauce normal de entre 3,50 a 4,50 m y la Figura
(5), en la foto drcha., muestra el ro durante una gran inundacion con alturas record que
oscilan entre los 8,30 y 9,00 m de altura, pudiendo observarse como las aguas del ro han
superado el muro de contencion de la defensa permanente que forma la costanera.
La provincia no cuenta actualmente con un programa integral de prevencion ante
posibles inundaciones, el cual se debera realizar en conjunto, ya que esta comprobado que
dentro de una provincia el trabajo llevado a cabo por los municipios en forma unilateral,
no es lo optimo cuando se tiene que hacer frente a contingencias de esta magnitud. El
estudio y evaluacion de posibles soluciones ante una gran inundacion, deben ser estudiados
de igual manera por todos los departamentos provinciales y por supuesto siempre con un
orden de prioridades para la ejecucion de las obras a nivel provincial.
Las Inundaciones de las u
ltimas decadas provocaron perdidas millonarias; desde 1982
9
10
Figura 5: Ro Parana en la Costanera de Corrientes, Foto Izq.: con altura y caudal normal
y Foto Drcha.: con altura y caudal en una gran inundacion.
12
Parte I
Estado del Conocimiento y Marco de
Referencia
13
14
Captulo 1
Introducci
on a la Problem
atica
Planteada
1.1.
Introducci
on
1.2.
Problem
atica de la Predicci
on Cientfica
1.2.1.
Predicci
on de Inundaciones
1.2.2.
Predicciones Meteorol
ogicas a Largo Plazo
agua en los oceanos Pacfico, Atlantico e Indico, la superficie y espesor de los hielos en
las regiones polares y la nieve acumulada en latitudes elevadas, factores que inciden en
el clima mundial y regional en las siguientes estaciones, prediciendo el clima a escala
estacional a interanual, [OMM, 2013].
El fenomeno de El Ni
no/Oscilacion Austral (ENOA), es un ciclo de la interaccion
oceano/atmosfera que supone variaciones anormales periodicas de la temperatura de las
aguas, demasiado calidas o muy fras, en grandes extensiones de las zonas oriental y central
del oceano Pacfico, as como las variaciones conexas en los patrones de la circulacion
atmosferica, que reciben el nombre de El Ni
no y La Ni
na, respectivamente.
En estos casos se analiza informacion mas generalizada, que permite realizar analisis de
los fenomenos que se reiteran en secuencias en el tiempo, pudiendo realizar predicciones
de mediano plazo. Se analizan episodios de fenomeno de tres a seis estaciones, de una
periodicidad de dos a siete a
nos y presentan efectos predecibles en el clima.
En las predicciones a largo plazo se emplean generalmente metodos estadsticos basados en datos climaticos historicos, registros de perodos de 30 a 50 a
nos, que son analizados con modelos computadorizados dinamicos como los modelos de circulacion general
del acoplamiento oceanoatmosfera y modelos regionales con mayor resolucion, basados en
las leyes fsicas que gobiernan el sistema climatico. Por lo que respecta a la prediccion
por conjuntos, se aplican los modelos de circulacion general haciendo varias pasadas con
diferentes valores iniciales. En muchos casos se combinan las tecnicas de modelizacion
estadstica y dinamica con el fin de estimar con mayor precision la probabilidad y la
incertidumbre de las predicciones, [OMM, 2013].
El climatologo Eduardo Sierra, [Sierra, 2013], se
nala que en los u
ltimos cincuenta
a
nos, en Argentina se suceden, por cada ciclo Ni
no, dos de Ni
na consecutivos, uno moderado y otro mas intenso, esto es lo que provoca las perdidas mas cuantiosas, porque
los productores no logran recuperarse de un a
no a otro. Tambien manifesto que los a
nos
2012/13 tendran presencia de un fenomeno Ni
no; luego se espera una secuencia de dos
ciclos con preponderancia a Ni
na, por lo cual el perodo 2013/14 estara marcado por una
prevalencia de Ni
na leve, que puede ocasionar perdidas en los rendimientos, pero no en
cifras drasticas; en tanto, hacia el 2014/2015 este fenomeno podra intensificarse, si se presenta sin lluvias durante enero, los da
nos pueden ser a
un mas grandes, las caractersticas
de estos fenomenos climaticos se detalla en las graficas de la Figura (1.1).
18
1.2.3.
Predicciones Meteorol
ogicas Estacionales Regionales
1.2.4.
Predicciones de Avenidas
Las Avenidas son inundaciones ocurridas dentro de los cauces de las aguas continentales, siendo relevante la estimacion de su desarrollo, tiempo y duracion, especialmente
del caudal maximo, en un punto especfico del cauce, ocasionada mayormente por fuertes
precipitaciones y/o deshielo.
La prediccion de avenidas se realiza mediante modelos que realizan estimaciones futuras de variables hidrologicas relacionadas con la avenida, en funcion de los datos disponibles actuales, datos historicos o datos producto de simulaciones de la cuenca.
En la prediccion de avenidas se debe analizar lo siguiente: [Mediero Ordu
na, 2007]:
1.3.
1.3.1.
Aspectos Hidrol
ogicos de la Regi
on
Cuencas Hidrogr
aficas
Figura 1.2: Una cuenca de drenaje es la zona de tierra drenada por una corriente y
sus afluentes. Las divisorias son los lmites que separan las cuencas de drenaje. Fuente:
AGUSUP-21.
y desde la superficie de las masas de agua. El agua tambien puede volver a la atmosfera a traves del fenomeno de transpiracion de las plantas, que se suma a la precipitada
directamente sobre dicha superficie, [UNICAN, 2004].
Las aguas superficiales de la cuenca se infiltran en el suelo dependiendo de su caractersticas y su contenido de humedad, quedando almacenada temporalmente en la capa
superior del suelo, para luego moverse en forma ascendente hacia la superficie del terreno por capilaridad, o moverse horizontalmente, como flujo hipodermico, alcanzando
eventualmente un cauce fluvial, o puede percolar verticalmente hacia capas acuferas mas
profundas. El agua en el acufero se mueve lentamente, si bien puede constituir el flujo base que se incorpora a los cauces fluviales. El agua superficial que no es capaz de
ser almacenada ni infiltrada escurre sobre la superficie del terreno, siguiendo la lnea de
maxima pendiente, hasta alcanzar un cauce fluvial, a lo largo del cual se desplaza, combinandose con otras incorporaciones, hasta alcanzar el punto final de desag
ue de la cuenca,
[UNICAN, 2004].
El caudal circulante por un determinado punto de un cauce fluvial esta constituido
por la agrupacion de caudales procedentes de escorrenta superficial, del flujo hipodermico
y del flujo base, la agrupacion se produce de forma arborescente, debiendose tener presente los tiempos de transito a lo largo de los diferentes cauces y los almacenamientos
transitorios en los mismos, que repercuten en la forma del hidrograma, [UNICAN, 2004].
La forma de la cuenca hidrografica es importante porque determina el Tiempo de
Concentracion (Tc), el cual es el tiempo necesario, desde el inicio de la precipitacion, para
que toda la cuenca contribuya al cauce principal en estudio, es decir, el tiempo que toma
el agua precipitada en los lmites mas extremos de la cuenca para llegar al punto de salida
de la misma. Es importante destacar que, en la medida que el tiempo de concentracion
de la cuenca sea mayor, su respuesta a determinada precipitacion en la produccion de
21
(1.1)
donde:
P : es el permetro de la cuenca (Km)
A: el area de la cuenca (Km2 ).
El Coeficiente de Compacidad podra ser menor a la unidad y en la medida que se
acerque a la unidad la forma de la cuenca tendera a parecerse a la de un crculo.
Si se asocia el Coeficiente de Compacidad de cada cuenca con el Tiempo de Concentracion, tendramos que en el caso de la cuenca con mayor Coeficiente de Compacidad, ver
cuenca de la izquierda en la Figura (1.4), se tiene que al mayor Tiempo de Concentracion,
la magnitud de la escorrenta generada por una precipitacion en ella sea menor que en
aquella que posee el menor Coeficiente de Compacidad, ver cuenca de la derecha en la
Figura (1.4).
Coeficiente de Forma (Kf ): Es la relacion entre el ancho medio de la cuenca (B) y la
longitud de su cauce principal (Lc). El ancho medio se obtiene cuando se divide el area de
la cuenca por la longitud del cauce principal, por lo tanto el Coeficiente de Forma queda
definido por la Ecuacion (1.2), [Tutoriales, 2013]:
22
B
A
Kf = =
Lc
Lc2
(1.2)
donde:
B : es el ancho medio de la cuenca (Km)
Lc: es la longitud de su cauce principal (Km)
A: el area de la cuenca (Km2 ).
En la medida que el Coeficiente de Forma de una cuenca determinada sea mas bajo,
estara menos sujeta a crecientes que otra del mismo tama
no, area, pero con mayor Coeficiente de Forma, es el caso inverso al presentado para el Coeficiente de Compacidad o
Indice de Gravelius.
1.3.2.
La Cuenca del Plata, con una superficie de 3.200.000 km2 , es el sistema hdrico mas
grande de Sudamerica despues del Amazonas y es la quinta cuenca hidrografica mas
grande del mundo, en superficie es casi igual al area de la Union Europea.
Esta Cuenca incluye la Cuenca del Parana, es el asentamiento de la mayor parte de la
agricultura de los pases del MERCOSUR. La navegacion fluvial es importante desde el
ro de la Plata hasta el Paraguay. Varias presas utilizan el potencial electrico del ro, que
tambien se aprovecha para la pesca y el regado, [Wikipedia, 2013].
Comprende una parte importante de los territorios pertenecientes a Argentina, Bolivia,
Brasil y Uruguay y la totalidad del territorio de Paraguay, como se indica en el mapa de la
Figura (1.5). Las precipitaciones en su ambito se re
unen en dos grandes afluentes, los ros
Parana y Uruguay, que luego vierten sus aguas en el ro de la Plata. El conjunto fluvial y
lacustre de la Cuenca del Plata forma el principal sistema de recarga del acufero guaran,
uno de los mayores reservorios continentales de agua dulce del mundo.
La cuenca sirve de asiento a una poblacion de decenas de millones de habitantes, por
lo que la interaccion humana con la misma a lo largo del tiempo en forma incontrolada
23
Figura 1.5: Mapa de la Cuenca del Plata, que comprende territorios pertenecientes a
Argentina, Bolivia, Brasil y Uruguay y la totalidad del territorio de Paraguay.
produce cambios significativos, tanto para la cuenca como para la calidad de vida de sus
habitantes.
Los dos grandes ros de la cuenca, el Parana y el Uruguay, tienen una densa red de
afluentes, subafluentes y tributarios menores, como los ros Paraguay, Pilcomayo, Bermejo,
Iguaz
u, entre otros.
Es una region de extraordinario valor ecologico y economico, con una rica variedad
morfologica y climatica, calidad de suelos, recursos acuaticos y diversidad biologica y
cultural, que la hacen sumamente apropiada para la implementacion de estrategias de
desarrollo sustentable.
1.3.3.
1.3.4.
El Ro Paran
a
variedades climaticas. El curso superior presenta una creciente anual durante el verano,
mientras que los cursos medio e inferior ven modificado su regimen por los aportes del ro
Paraguay, lo que provoca una segunda creciente durante el invierno. El maximo caudal
del ro se registra hacia fines del verano (febrero-marzo) y el estiaje a fines del invierno
(agosto-septiembre).
1.3.5.
Las Inundaciones
Figura 1.7: Fuente: Oficina de asistencia al exterior en casos de desastres OFDA de los
EE.UU./ Centro de Investigaciones sobre la epidemiologa de los desastres CRED; IFRC.
martimas en zonas costeras, por ser un fenomeno tan frecuente y al no poder ser eliminado
en algunas situaciones o solo puede ser atenuado, es importante contar con sistemas de
prediccion, de planeamiento y de alerta, que permitan la estimacion de las zonas que seran
afectadas, los riesgos econonomicos y productivos de las regiones afectadas, que sirvan de
apoyo a la toma de medidas preventivas, para que sean minimizados los da
nos.
Las principales fuentes que pueden causar una inundacion en un area urbana son,
[Esc]:
Inundacion Pluvial : Lluvias de alta intensidad pueden producir inundaciones en
areas urbanas. Este tipo de inundacion puede ser mas peligrosa en aquellas situaciones en las que el sistema de drenaje de la ciudad sea ineficaz o este mal dimensionado.
Inundacion Fluvial : El caudal en ros y cauces puede desbordar las margenes e inundar areas urbanas. Aunque las inundaciones de origen fluvial suelen estar asociadas
a fenomenos de tormenta, deben analizarse diferentes fuentes de riesgo, dado que
precipitaciones en cuencas situadas aguas arriba pueden ocasionar inundaciones,
independientemente de la precipitacion ocurrida en el area urbana. Ademas, otros
procesos naturales como el deshielo pueden derivar en importantes inundaciones
fluviales.
Inundacion Martima: El mar puede inundar zonas urbanas situadas en la costa
como resultado de la accion de huracanes, ciclones o tifones. Ademas, en el caso de
zonas urbanas situadas bajo el nivel del mar, si las infraestructuras de proteccion
no son capaces de contener la accion del oleaje, las consecuencias de una posible
inundacion martima podran ser de gran importancia. El mar ejerce, a su vez, de
condicion de contorno concomitante a la inundacion fluvial, no permitiendo desaguar
al mar y elevando el nivel del ro.
Colapso Estructural : El fallo de una infraestructura puede ocasionar importantes
inundaciones y puede incrementar las consecuencias por inundacion producidas por
otras fuentes. Por ejemplo, el fallo de una presa producira un elevado aumento del
caudal de descarga en el ro, ocasionando elevadas consecuencias aguas abajo. Por
27
ello, las medidas estructurales para la reduccion del riesgo de inundacion presentan
normalmente un doble papel.
Ademas de las fuentes de riesgo citadas anteriormente, existen fenomenos como el
cambio climatico que pueden aumentar el riesgo de inundacion. Tambien existen otras
amenazas importantes como el terrorismo, el sabotaje o el vandalismo que pueden llevar a
la destruccion de estructuras como diques y presas, provocando importantes inundaciones.
1.3.6.
En las inundaciones de 1998, producidas por la crecida de los ros Parana y Uruguay
afectaron principalmente a las zonas urbanas y periurbanas de las localidades ribere
nas,
28
mientras que las lluvias perjudicaron a las localidades del interior de la provincia con deficientes sistemas de drenaje urbano y a la zona rural. Durante todo el perodo mencionado,
las inundaciones afectaron a 135.763 personas, lo que representa el 79.1 % de los afectados
por desastres en la provincia.
Si se consideran los tres grandes eventos de inundacion, se tiene que El Ni
no de 19821983 afecto sobre todo las localidades ribere
nas de Corrientes y Goya, donde las aguas
permanecieron entre uno y varios meses.
1.3.7.
Modelo de pron
ostico de inundaciones en el Ro Paran
a en Corrientes, basado
en el Fen
omeno ENSO (El Ni
no / Oscilaci
on del Sur)
Es un estudio realizado por Flamenco, [Flamenco, 2010], [INTA and Flamenco, 2010],
[INTA, 2010], en el que analiza la ocurrencia de episodios fuertes del fenomeno El Ni
no
que provocan impactos climaticos severos (sequas, inundaciones) en distintas regiones del
planeta y en particular en el litoral de la Rep
ublica Argentina, donde las consecuencias
son inundaciones en el ro Parana.
Este trabajo trata de incorporar la influencia de la variabilidad climatica interanual
en la prediccion de los vol
umenes de descarga del ro Parana, en especial analiza que en
el mes de Junio de 1997 haba evidencias claras del comienzo de un episodio El Ni
no
en el centro y este del Oceano Pacfico Ecuatorial, siendo necesario tener conocimiento
con la mayor antelacion posible, de la magnitud de la crecida a esperar en el ro Parana.
Flamenco en base a ello elabora un modelo estadstico de prediccion de inundaciones en
el ro Parana, en la estacion de Corrientes Capital, basado en la variabilidad climatica
global.
El modelo es calibrado en el perodo 1950-1996 aplicando la tecnica de Regresion
M
ultiple Lineal. Usa como predictores observaciones de las temperaturas de la superficie
del mar (SST) del Oceano Pacfico Ecuatorial, las de una region oceanica ubicada frente
a las costas peruanas y el Indice de Oscilacion del Sur (SOI), y es posible aplicarlo en
los primeros das del mes de Setiembre de cada a
no Ni
no. Con el objeto de evaluar la
habilidad predictiva de este modelo, es realizado un analisis entre los vol
umenes observados
y simulados, aplicando la tecnica de validacion cruzada, siendo la diferencia promedio
historica entre dichos valores del 8.4 %.
29
Evaluaci
on del riesgo ambiental por inundaci
on con SIG del valle fluvial del
Ro Paran
a pr
oximo a los n
ucleos urbanos de Resistencia y Corrientes
Basterra-Valiente-Glibota, [UNNE et al., 2010], analizan los pulsos hidrologicos anuales del ro Parana y su afectacion superficial en epocas de inundaciones en la morfologa
de su complejo y extenso valle fluvial. En las cercanas de Resistencia y Corrientes esta
particularidad ha sido muy notoria en 1982/83, 1991/92 y 1997/98, a
nos en los que este
ro ha presentado caudales y vol
umenes de escurrimiento extraordinarios por exceso.
Como resultado final ellos determinan categoras o niveles de riesgo ambiental por
inundacion seg
un que las inundaciones sean esporadicas, poco frecuentes o moderadamente
frecuentes y teniendo en cuenta su probabilidad de ocurrencia, las jerarquiza elaborando
finalmente un mapa de riesgo que contempla los escenarios planteados.
1.3.8.
La recopilacion de informacion para el desarrrollo del presente trabajo, fue una tarea
ardua, involucrando la solicitud de datos en varios Organismos P
ublicos del ambito provincial y nacional. Inicialmente se solicito un historial completo de variables hidrologicas
y Meteorologicas, en ocho intituciones.
Los Organismos P
ublicos, no cuentan con toda la informacion que se soliticitaba,
en otros casos la tienen parcialmente, o con perodos sin informacion en algunos datos
solicitados; esta situacion dificulto la obtencion de los datos, lo que prolongo el tramite
burocratico.
Los datos finales con que se trabaja en la presente tesis, son datos diarios del perodo
de a
nos de 1989 a 2009, que han sido facilitados por las siguientes instituciones:
SMN-Servicio Meteorologico Nacional, Subsecretara de Planeamiento, Ministerio
de Defensa, Rep. Argentina, [SMN, 2008 a 2013].
Precipitaciones (mm)
Temperaturas Maxima (o C)
Temperaturas Mnima (o C)
Temperaturas Media (o C)
Humedad Relativa ( %)
Precipitaciones (mm)
30
1.4.
Estructura de la Tesis
La presente Tesis Doctoral esta organizada en dos partes, la Primera Parte corresponde
al Estado del Conocimiento y Marco de Referencia que incluye el Captulo (1) Introduccion
a la Problematica Planteada, que describe la problematica y las fundamentaciones que
llevaron a la eleccion del tema de la tesis, el Captulo (2) Estado del Conocimiento, en el
que se abordan los Fundamentos Teoricos en los que se basan las Aportaciones Propuestas
en la tesis y el Captulo (3) Descripcion Estadstica del ro Parana, en el que se realiza
un estudio estadstico descriptivo del comportamiento del ro Parana.
La Segunda Parte es la Implementacion y Validacion de las Aportaciones Propuestas
en la tesis, que comprende el Captulo (4) Aplicacion de Modelos de Series Temporales
Lineales para Prediccion, se presenta la generacion y chequeo de diferentes modelos de
series temporales en la prediccion de alturas del ro en la localidad de Corrientes, en el
Captulo (5) Aplicacion de Modelos de Rede Neuronales para Prediccion a Corto Plazo,
se analizan y testean modelos de redes neuronales para hacer prediccion a tres das de
las alturas hidrometricas , en perodos de inundacion, en la estacion de Corriente, en
el Captulo (6) Aplicacion de Modelos de Redes Neuronales para Prediccion a Mediano
Plazo, se presentan modelos de redes neuronales de diferentes arquitecturas y combinacion
de ellos para hacer predicciones de alturas hidrometricas en perodos de inundacion en
la localidad de Corrientes, en el Captulo (7) Analisis de los Resultados Obtenidos, se
realiza un Analisis de los Resultados Obtenidos, comparando los resultados obtenidos en
la investigacion de la presente tesis con los resultados de prediccion del programa Pulso y
se finaliza con las Conclusiones, donde se presentan los resultados finales a los que se ha
llegado luego de la investigacion de la presente Tesis Doctoral.
31
32
Captulo 2
Estado del Conocimiento
2.1.
Introducci
on
2.2.
Procesos Estoc
asticos
Proceso de Saltos Puros: los cambios de estados ocurren en forma aislada y aleatoria
pero la variable aleatoria solo toma valores discretos en el espacio de estados.
Proceso Continuo: los cambios de estado se producen en cualquier instante y hacia
cualquier estado dentro de un espacio continuo de estados.
Los cambios de estado se producen en instante determinados de tiempo y hacia
cualquier estado dentro de un espacio continuo de estados.
2.3.
Procesos Deterministas Ca
oticos
La Teora del Caos trata ciertos tipos de sistemas dinamicos muy sensibles a las variaciones en las condiciones iniciales; son sistemas determinsticos, donde su comportamiento
puede ser completamente establecido conociendo sus condiciones iniciales, pero con la caracterstica particular de que peque
nas variaciones en las condiciones iniciales pueden
implicar grandes diferencias en el comportamiento futuro, lo que hace dificil su prediccion
a largo plazo. El caos termina con la dicotoma que exista bajo el enfoque determinista
tradicional entre determinismo y aleatoriedad, [Prigogine, 1997].
La incertidumbre proviene de la ignorancia de las diversas causas involucradas en la
realizacion de un evento as como de la complejidad del mismo. Henri Poincare, uno de los
pioneros en este campo, menciona que no son necesarios sistemas complejos para producir
aleatoriedad, lo describe como sensibilidad a las condiciones iniciales, lo cual origina que
un error peque
no en la medicion de estas, se convierte en un gran efecto en el fenomeno
final, de manera que la prediccion se convierte en imposible, [Poincare, 2009].
Tambien se puede definir un sistema caotico como un sistema dinamico no lineal, lo que
constituye un ingrediente basico para garantizar la presencia del caos, tal que, si se parte de
condiciones iniciales localizadas en una cierta region, todas las trayectorias que se generan
estan uniformemente acotadas, pero, de tal modo que, aunque al principio estan muy
proximas, con el tiempo unas divergen de otras de modo exponencial y sin embargo, todas
las trayectorias poseen las mismas propiedades estadsticas. De modo que una trayectoria
generada por un sistema determinista caotico se asemeja a la realizacion de un cierto
proceso estocastico o serie temporal. Vemos as que ciertas formas de determinismo pueden
originar comportamientos caoticos que, a su vez, se asemejan a procesos aleatorios, [Giron
Gonzalez-Torre, 2013].
Los aspectos importantes asociados a la presencia del caos determinista son, [Giron
Gonzalez-Torre, 2013]:
La no linealidad del sistema.
La perdida de precision, de caracter exponencial, en la prediccion.
La imposibilidad de predecir a largo plazo.
36
2.4.
Modelos
Se denomina Modelo Cientfico a una representacion conceptual, grafica, fsica o matematica, de fenomenos, sistemas o procesos a fin de analizar, describir, explicar, simular,
controlar y predecir esos fenomenos o procesos; permite determinar un resultado final a
partir de unos datos de entrada. Un modelo hace posible conocer o predecir propiedades
que se desconocen del objeto real, porque debe existir una relacion de simetra entre el
objeto real y el modelo, que permita asignar al primero las propiedades observadas en el
segundo, lo que dara sentido a la aplicacion real de las respuestas derivadas del modelo.
Puede considerarse que un modelo consta de:
Conjunto de Reglas, de Representaci
on de Entradas y de Salidas: permiten, partiendo de una realidad fsica definir un conjunto de datos de entrada o input, a partir de
los cuales el modelo proporcionara un output o resultado final, que tambien sera una
interpretacion del efecto de las condiciones iniciales elegidas sobre la realidad fsica.
Estructura Interna: depende del tipo de modelo y permite definir una correspondencia entre entrada y salida, pudiendo ser:
Modelo Determinista: si a la mismo entrada le corresponde la misma salida.
37
2.4.1.
Los modelos fsicos junto con los numericos, las mediciones reales y la experimentacion
en el terreno, constituyen las herramientas de estudio del comportamiento de los ros en
perodos normales como en situaciones extremas de inundaciones o de sequas prolongadas,
de los procesos de sedimentacion o de erosion, como tambien las consecuencias que puede
tener en su comportamiendo, la construccion de puentes, represas, centrales hidrologica
o defensas contra inundaciones.
Este tipo de modelos son importantes para realizar estudios del comportamiento del
38
La teora de los modelos fsicos se basa en que a partir de las magnitudes fundamentales como longitud (L), tiempo (t) y masa (M ), considerando las restantes magnitudes que
intervienen en la mecanica de fluidos como predeterminadas o son magnitudes derivadas
y en que en este sistema (L t M ) las ecuaciones hidrodinamicas del fluido son adimensionales, por lo tanto se mantienen invariantes frente a una transformacion del tipo,
[Gutierrez Serret, 2013]:
Lp = Lm ;
t p = t t m ;
Mp =M Mm ;
siendo [m: modelo, p: prototipo]
De esta manera, si se conoce el comportamiento en el modelo (sistema Lm tm Mm ) de
un determinado fenomeno, teoricamente es posible deducir dicho fenomeno en el prototipo
(sistema Lp tp Mp ), sin mas que utilizar para cada magnitud el cambio de escala seg
un
los valores de los parametros , t y M adoptados en la transformacion anterior.
En dicha transformacion cada ecuacion representa lo que en la teora de modelos
fsicos se conoce como semejanzas modelo-prototipo, pudiendo considerarse las siguientes
semejanzas, [Gutierrez Serret, 2013]:
Semejanza Geometrica (): determina que la relacion de dimensiones homologas
modelo-prototipo es constante, denominandose a dicha relacion escala geometrica o
39
El escurrimiento de una onda de creciente en un canal produce la atenuacion y disminucion de la onda debido al:
Almacenamiento tanto en el canal principal como en las planicies de inundacion, la
existencia de areas en las que se pueda acumular agua fuera del canal principal.
Rugosidad entre las superficies del canal y zonas aleda
nas.
Difusion debido al gradiente de presion.
Forma del hidrograma de creciente cuando llega al cauce.
Escurrimiento Superficial
Las ecuaciones de Saint-Venant, escritas por primera vez por Barre de Saint Venant
en 1871, sirven para describir el escurrimiento superficial tanto del regimen gradualmente
variable, como el rapidamente variable, esos efectos son representados por medio de la
ecuacion de Continuidad, Primera Ecuacion, ver (2.1), que considera la amortiguacion
debido a la variacion de la capacidad de almacenamiento del sistema y a la ecuacion de
la Cantidad de Movimiento, Segunda Ecuacion, ver (2.2), que representa a la gravedad,
agotamiento, presion e inercia del flujo.
Q A
+
=q
x
t
(2.1)
donde:
Q es el caudal en (m3 /s) que circula por A,
x distancia longitudinal a lo largo del canal o ro (m),
A area hidraulica (m2 ), area de la seccion transversal al flujo,
t tiempo,
q descarga lateral (m2 /s) (q > 0: flujo entrante y q < 0: flujo saliente).
+
t
x
2
Q
y
= g.A.(S0 Sf )
+ g.A.
A
x
donde:
Q es el caudal en (m3 /s) que circula por A,
t tiempo,
x distancia longitudinal a lo largo del canal o ro (m),
A area hidraulica (m2 ), area de la seccion transversal al flujo,
g aceleracion de la gravedad (m/s2 ).
41
(2.2)
Modelos Hidr
aulicos
Los modelos hidraulicos son sistemas que simulan una situacion de la realidad, con un
prototipo el cual mediante la entrada de cierta informacion, la procesa y presenta la salida
resultante, que puede emplearse para el estudio del fenomeno de la realidad implementado
en el prototipo, con ciertas condiciones matematicas definidas.
Al definir la investigacion experimental de la situacion a ser estudiada, por ejemplo como afectara una inundacion a una region, se analizan todas las variables que intervienen,
en forma particular o en grupo, para poder verificar en su caso la validez de soluciones
analticas de un problema dado, o determinar las relaciones entre las diferentes variables que, extrapoladas al prototipo, permitan optimizar la eficiencia de cada uno de los
elementos del sistema modelo-prototipo.
Este tipo de modelos se basa en esquemas numericos de relativa sencillez, de gran
eficacia, que pueden contemplar cambios de regimen, cauces de geometras completas y
calculos para determinacion de llanuras de inundacion.
Modelos Hidrol
ogicos o de Onda Cinem
atica
Un Modelo Hidrologico se incluye en la categora de modelos simbolicos, los cuales
llegan a un nivel superior de abstraccion ya que el objeto queda representado mediante una
simbolizacion matematica o grafica, consecuentemente, las relaciones de correspondencia
que se establecen con el objeto tienen la forma de algoritmos o formalismos matematicos.
El modelo hidrologico tiene en cuenta dos tipos de parametros, unos dependen u
nicamente de caractersticas fsicas de la cuenca como fisiografa, vegetacion, usos y tipo
de suelo, y son por tanto invariables e independientes, en un principio, de los fenomenos
de precipitacion. Otros parametros en cambio estan sujetos a la consideracion de ciertas
hipotesis a la hora de su definicion; estos u
ltimos son todos aquellos relacionados con las
precipitaciones; la duracion de las precipitaciones, cantidad de precipitacion, y su distribucion temporal. La definicion de estos u
ltimos parametros dara como resultado el calculo
de la precipitacion.
Conocidos todos los parametros se puede realizar una simulacion del fenomeno de avenida, conociendo de esta manera los caudales generados por la cuenca, y por las subunidades que la integran en particular.
Si en los metodos se desprecian los terminos de aceleracion local, convectiva y si ademas
no se consideran los terminos de presion estamos en presencia de un modelo hidrologico
de onda cinematica. En la onda cinematica el modelo queda descripto por la ecuacion de
continuidad o Primera Ecuacion de Saint Venant, que se detalla en la Ecuacion (2.1) y
por la ecuacion de cantidad de movimiento, se tiene que S0 = Sf .
43
Modelos Hidrodin
amicos
La modelacion hidrodinamica de procesos de inundacion en valles aluviales constituye la base para el analisis de importantes problemas hidroambientales, siendo el modelo
numerico la representacion del sistema real, utilizando desarrollos matematicos. Algunos autores indican que los modelos Hidrodinamicos 2D son la tecnologa actual para la
modelacion de inundaciones, sin embargo, estos modelos tienen la desventaja de que su
aplicacion esta limitada por los altos requerimientos de datos, hardware y software. A su
vez, los modelos Hidrodinamicos 1D son ampliamente usados y dan resultados precisos en
el cauce principal del ro, pero son menos exactos para modelar el flujo de desbordamiento
sobre las margenes hacia las planicies adyacentes. Por u
ltimos, los modelos Hidrodinamicos cuasi-2D permiten simular numericamente los procesos de inundacion en sistemas de
cauce-planicie en grandes ros aluviales de llanura. [UDC, 2011].
Los modelos de ros usados para la modelacion de inundaciones pueden clasificarse
como modelos hidrodinamicos 1D o 2D o cuasi-2D, presentando las siguientes particularidades cada uno de ellos:
Modelos Hidrodin
amicos Unidimensional del Flujo de Canal - 1D: son ampliamente
usados, estan basados en las ecuaciones de San Venant, leyes de conservacion de
la masa, (2.1) y momento (2.2), para calcular la superficie libre del agua para flujo estacionario y no estacionario en canales abiertos. Estas ecuaciones diferenciales
parciales se resuelven mediante discretizacion numerica, usando frecuentemente el
metodo de diferencias finitas, en algunos casos mediante elementos finitos o vol
umenes finitos, en un esquema implcito.
Modelos Hidrodin
amicos Bidimensional del Flujo de Superficie - 2D: son los mas
actuales para la modelacion de inundaciones. En estos modelos las ecuaciones de
conservacion de la masa ver (2.1) y momento ver (2.2), son expresadas en dos dimensiones. Los resultados se calculan en cada punto de la malla en el dominio de
solucion y pueden resolverse usando el metodo de los elementos finitos.
Modelos Hidrodin
amicos cuasi-2D: es una aproximacion a los modelos-2D, son los
mas aplicables en llanuras de inundacion, son modeladas como ramales de ro separados y conectadas al cauce principal por medio de vertederos o estructuras de
desbordamiento. Esto permite el modelado del flujo de agua que desborda sobre la
planicie de inundacion cuando el nivel del agua excede los bancos o diques del ro.
Un modelo hidrodinamico 2D, resuelve las ecuaciones de aguas someras promediadas en profundidad, tambien conocidas como 2D Shallow Water Equations (Ecuaciones
en aguas poco profundas)(2D-SWE) o ecuaciones de St.Venant bidimensionales. Dichas
ecuaciones asumen una distribucion de presion hidrostatica y una distribucion relativamente uniforme de la velocidad en profundidad. La hipotesis de presion hidrostatica se
cumple razonablemente en el flujo en ros, as como en las corrientes generadas por la
marea en estuarios y zonas costeras. Asmismo, la hipotesis de distribucion uniforme de
velocidad en profundidad se cumple habitualmente en ros y estuarios, aunque pueden
existir zonas en las que dicha hipotesis no se cumpla debido a flujos locales tridimensionales o a cu
nas salinas. En estos casos es necesario estudiar la extension de dichas zonas y su
posible repercusion en los resultados del modelo. En la actualidad, los modelos numericos
basados en las 2D-SWE son los mas utilizados en estudios de dinamica fluvial y litoral,
44
Derivacion: Este tipo de elemento se caracteriza porque da lugar a dos flujos salientes, principal y derivado, procedentes de uno o mas flujos entrantes. Se puede
utilizar para representar la existencia de vertederos laterales que derivan el agua
hacia canales o zonas de almacenamiento separadas del cauce propiamente dicho.
Fuente: Junto con la subcuenca, es una de las dos maneras de generar caudal en el
modelo de cuenca. Se suele utilizar para representar condiciones de contorno en el
extremo de aguas arriba y el caudal considerado puede proceder del resultado del
calculo efectuado en otras cuencas.
Sumidero: Recibe uno o varios flujos entrantes y no da lugar a ning
un flujo saliente.
Este tipo de elemento puede ser utilizado para representar el punto mas bajo de una
cuenca endorreica o el punto de desag
ue final de la cuenca en cuestion.
Analizando aspectos generales del modelado de Cuencas Hidrograficas se presentan
los modelos matematicos de simulacion y optimizacion de sistemas hidraulicos, con sus
caracterisitcas propias [Laqui Vilca, 2007]:
Modelos de Simulacion: ofrecen una representacion del mundo real a traves de la
realidad computacional con el objetivo de permitir la planificacion y generacion
de un analisis de alternativas, antes de la implementacion de cualquiera de ellas,
dando una gran libertad y flexibilidad. La simulacion se define como un conjunto
de expresiones matematicas estructuradas en una secuencia logica que describen la
operacion del sistema en el espacio y en el tiempo. Asimismo la simulacion procura
presentar un sistema con sus aspectos mas importantes, un modelo de simulacion
no determina, por ejemplo, la poltica optima de un sistema de reservorios, sino que
a partir de la definicion de la poltica de operacion a seguir, el modelo de simulacion
permite conocer los niveles de los reservorios y de otras variables pertinentes a lo
largo del tiempo. Los modelos de simulacion son clasificados en: modelos fsicos,
modelos analogicos e modelos digitales y/o matematicos.
Fsicos: El sistema es representado por un prototipo a escala reducida.
Analogicos: Valiendose de la analoga de las ecuaciones que rigen diferentes
fenomenos para modelar, el sistema mas conveniente, el fenomeno mas complejo.
Matem
aticos y/o Digitales: Representan la naturaleza del sistema a traves de
ecuaciones matematicas.
Los modelos fsicos y analogicos tienen ventajas cuando las leyes fsicas no pueden
ser expresadas en forma resumida y con ecuaciones faciles de resolver, en cuanto a
los modelos matematicos son mas versatiles, pudiendose modificar su logica, obteniendose resultados de diferentes situaciones de un mismo sistema o de diferentes
sistemas, otras ventajas son la alta velocidad de procesamiento de las computadoras,
bajo costo y mayor flexibilidad para los modeladores que gustan de hacer cambios.
Modelos de Optimizacion: cuando en el analisis de sistemas existe el interes de
optimizar el proceso de acuerdo con la valoracion establecida por la funcion objetivo
se deben aplicar las tecnicas de optimizacion.
47
2.4.2.
Series Temporales
Figura 2.7: Series Temporales: Tabla de datos de la Evolucion del paro en Espa
na. Fuente:
Servidor Web INE, en [Sanchez Fernandez, 2004].
Tambien se puede optar por otro enfoque de tipo causal, donde las variaciones de una
serie podran explicarse mediante las de otro conjunto de series temporales.
El analisis mas clasico de las series temporales se basa en la suposicion de que los valores que toma la variable de observacion es la consecuencia de cuatro componentes: Tendencia Regular o Secular, Variacion Estacional, Variacion Cclica y Variacion Aleatoria,
50
cuya actuacion conjunta da como resultado los valores medidos. Pero esta descomposicion
de la serie, no deja de ser un procedimiento dise
nado para que el estudio de la misma
resulte mas facil, pues esas componentes no siempre existen. As cuando se trabaja con
datos anuales la serie no puede presentar estacionalidad. A su vez las variaciones cclicas
son una componente ligada especialmente a las variables de tipo economico, pero que en
variables de otra naturaleza puede que no este presente.
Estos componentes se definen de la siguiente manera, [Spiegel, 1978] y [Sanchez
Fernandez, 2004]:
1. Tendencia Regular o Secular - T : Indica la marcha general y persistente del fenomeno
observado, es una componente de la serie que refleja la evolucion a largo plazo. Para
poder detectarla es necesario que la serie conste de un n
umero de observaciones
elevado, a lo largo de muchos a
nos, para que se pueda determinar si la serie muestra
un movimiento a largo plazo que responda a una determinada ley de crecimiento,
decrecimiento o estabilidad. Ese comportamiento tendencial puede responder a distintos perfiles: lineal, exponencial, parabolico, logstico, etc., ademas mediante la
tendencia se puede ver si la serie es estacionaria o evolutiva. Al considerar estos movimientos a largo plazo, se prescinde de las variaciones a corto y medio plazo. Para
el ejemplo del paro registrado en Espa
na, Figuras (2.6) y (2.8), puede observarse
que la tendencia de esa serie a lo largo de esos seis a
nos, (este periodo de tiempo
no es muy largo para hablar de tendencia a largo plazo), es practicamente una lnea
51
Modelo Multiplicativo
yt = (Tt ) (V Et ) (Ct ) (Rt )
Modelos ARIMA, el enfoque moderno de Series Temporales
A comienzo de los a
nos 70, G.E.P. Box, profesor de Estadstica de la Universidad de
Wisconsin, y G.M. Jenkins, profesor de Ingeniera de Sistemas de la Universidad de Lancaster, introdujeron una peque
na revolucion en el enfoque del analisis de series temporales,
en sus trabajos sobre el comportamiento de la contaminacion en la baha de San Francisco,
con el proposito de establecer mejores mecanismos de pronostico y control. Publican un
libro en el a
no 1976, en el que describen la metodologa, se convirtio rapidamente en un
clasico y sus procedimientos se utilizan ampliamente desde entonces en diferentes ramas
de la ciencia, conociendose como modelos ARIMA y tambien como modelos Box-Jenkins.
La palabra ARIMA significa Modelos Autorregresivos Integrados de Medias Moviles, definiendo un modelo como autorregresivo si la variable endogena de un perodo t
es explicada por las observaciones de ella misma correspondientes a perodos anteriores
a
nadiendose, un termino de error . En el caso de procesos estacionarios con distribucion
normal, la teora estadstica de los Procesos Estocasticos dice que, bajo determinadas condiciones previas, toda Xt puede expresarse como una combinancion lineal de sus valores
pasados (parte sistematica), mas un termino de error (innovacion).
En el modelo, cada valor tomado por la variable en un instante dado, esta influido por
los valores de la variable en momentos anteriores y se expresa como una relacion lineal,
funcion de:
1. Valores recientes de la variable
2. Ruidos en valores recientes de la variable
3. Valores remotos de la variable
4. Ruidos en valores remotos de la variable
El esquema general del modelo es la funcion que se indica en la Formula (2.3):
Xt = a1 Xt1 + a2 Xt2 + + ap Xtp + Zt + b1 Zt1 + + bq Ztq
(2.3)
Una de las ventajas de estos modelos es su gran simplicidad, son sumas de terminos,
frente a los modelos propuestos en la formulacion clasica. Esta formula general de los
modelos denominados ARMA, esta constituido por una combinacion de:
p terminos AR, proceso autorregresivo, modela la influencia de los valores anteriores
de la serie Xt1 hacia atras,
q terminos MA, proceso de medias moviles, modela la influencia del ruido en valores
anteriores de la serie Zt1 hacia atras, junto con el termino Zt que corresponde al
ruido esperado en el mismo momento t en el que se estima el nuevo valor de la
variable X.
La letra I que aparece en el nombre del modelo completo ARIMA, corresponde al
proceso de diferenciacion (su inverso es la Integracion) que hay que hacer cuando la serie
no cumple la hipotesis de estacionariedad.
53
2.4.3.
Redes Neuronales
transmitira un impulso electrico por su axon; ademas cada neurona en un tiempo corto
recibe varias se
nales de las neuronas vecinas que transmiten a traves de sus dendritas; la
se
nal que se transmite a la neurona podra ser ademas inhibitoria o excitatoria. La neurona
manda el impulso por su axon si la excitacion que recibe de sus neuronas vecinas excede
su inhibicion por un valor crtico, que supera el umbral de activacion de la neurona.
Las redes neuronales artificiales estan compuestas de gran cantidad de procesadores
conectados entre si y actuando en paralelo. Los modelos neuronales biologicos son mucho
mas complejos que los modelos computacionales actuales, estando el comportamiento de
la red determinado por su topologa, los pesos de las conexiones y la funcion caracterstica
de las neuronas, [Gutierrez, 2013]. En la Figura (2.10), puede observarse una comparacion
entre los procesos de una neurona natural y una artificial.
Funci
on de Activaci
on
La funcion de activacion de un nodo define la salida de ese nodo dada una entrada
o un conjunto de entradas, la neurona necesita saber si se activa o inhibe; de activarse
emite o transfiere un impulso a las neurona s adyacentes y para ello debe cumplirse la
condicion para activarse y ejecutar la expresion de salida que transmite a otra neurona.
Ambas funciones son del tipo f (xi , wi , dj ), que dependen de las entradas, sus pesos y de
un parametro variable de ajuste. Esto se entiende de la siguiente manera: para cada grupo
de entradas i hay otro grupo de salidas j, [Gutierrez, 2013].
Las Funciones de Activacion pueden ser:
Funciones Lineales:
f (x) = x
(2.4)
Funciones Paso: Dan una salida binaria dependiente de si el valor de entrada esta por
encima o por debajo del valor umbral.
55
sgn(x)=
(x) =
-1 , si
x < 0,
1 , sino,
(2.5)
0 , si
x < 0,
1 , sino,
(2.6)
Funciones Sigmoidales: Funciones monotonas acotadas que dan una salida gradual
no lineal.
1. La funcion logstica de 0 a 1, ver la grafica en la Figura (2.11):
f c(x) =
1
1 + ecx
(2.7)
(2.8)
1. Aquellas que reciben estmulos externos, relacionas con el aparato sensorial, que
tomaran la informacion de la entrada, denominadas unidades de entrada.
2. Dicha informacion se transmite a ciertos elementos internos que se ocupan de su
proceso. Es la sinapsis y neuronas correspondientes a este segundo nivel donde se
genera cualquier tipo de representacion interna de la informacion. Puesto que no
tienen relacion directa con la informacion de entrada y de salida, estos elementos se
denominan unidades ocultas.
3. Una vez finalizado el periodo de procesado, la informacion llega a las unidades de
salida, cuya mision es dar la respuesta del sistema.
La neurona artificial, que se detalla en la Figura (2.13), intenta modelar el comportamiento de la neurona biologica, aqu el cuerpo de la neurona se representa como una
sumatoria lineal de los estmulos externos zj , seguida de una funcion no lineal yj = f (zj ).
La funcion f (zj ), es llamada la funcion de activacion o funcion neuronal y es la funcion
que utiliza la suma de estmulos para determinar la actividad de salida de la neurona.
Red Neuronal Artificial
Una red neuronal artificial (RNA) es un par (N, U ), donde N es un conjunto de nodos
y U es un conjunto de unidades procesadoras sobre N que satisface la siguiente condicion:
cada nodo Xi N tiene que ser un nodo de entrada o de salida de al menos una unidad
procesadora de U , [Gutierrez, 2013]. Analizando la red neuronal de la Figura (2.14), se
tendra el siguiente conjunto de unidades procesadoras U , sobre N .
R
U1 = ({x1 , x2 , x3 }, 1 , {x4 }),
R
U2 = ({x1 , x2 , x3 }, 2 , {x5 }),
R
U3 = ({x1 , x2 , x3 }, 3 , {x6 }),
R
U4 = ({x4 , x5 , x6 }, 4 , {x7 })y
R
U5 = ({x1 , x2 , x3 }, 5 , {x8 }).
57
Arquitecturas de Red
Las redes neuronales artificiales replican el comportamiento de las redes neuronales
naturales, interconectando neuronas artificiales organizadas en capas, presentando arquitecuras diferentes, como puede apreciarse en la Figura (2.15), que presenta un perceptron
simple y un perceptron multicapa.
La arquitectura de una red neuronal se forma conectando m
ultiples procesadores elementales, organizados en diferentes capas, como puede observarse en la Figura (2.16),
siendo este un sistema adaptivo que pose un algoritmo para ajustar sus pesos (parametros
libres) para alcanzar los requerimientos de desempe
no del problema, basado en muestras
representativas. Por lo tanto se puede se
nalar que es un sistema de computacion distribuida que se caracteriza por:
Un conjunto de unidades elementales, cada una de las cuales posee bajas capacidades
de procesamiento.
58
Figura 2.16: Ejemplo de una red neuronal que realiza un diagnostico medico.
La arquitectura de las redes neuronales consiste en la organizacion y disposicion de
las neuronas formando capas mas o menos alejadas de la entrada y salida de la red, como
puede observarse en la Figura (2.16), siendo en este sentido, los parametros fundamentales
de la red: el n
umero de capas, el n
umero de neuronas por capa, el grado de conectividad
y el tipo de conexiones entre neuronas.
Seg
un los tipos de conexiones que conectan a las neuronas de cada capa o de distintas
capas, se identifican los siguientes tipos de conexiones, [Gutierrez, 2013]:
Conexiones hacia Delante: Existe una capa de entrada con n neuronas y una capa
de salida con m neuronas y al menos una capa oculta de neuronas internas. Cada
neurona de una capa, excepto las de entrada, recibe entradas de todas las neuronas
de la capa anterior y enva su salida a todas las neuronas de la capa posterior,
excepto las de salida. No hay conexiones hacia atras ni laterales entre neuronas de
la misma capa. La estructura de este tipo de redes puede observarse en la Figura
(2.17).
Conexiones Laterales: Un ejemplo tpico de este tipo es el circuito el ganador toma
todo, que cumple un papel importante en la eleccion del ganador. La estructura de
este tipo de redes se presenta en la Figura (2.18).
Conexiones hacia Atras o Recurrentes: Ademas de la red contar con las conexiones
hacia adelante estas redes incoporan conexiones hacia atras y llevan los datos de las
neuronas de una capa superior a otras de la capa inferior. La estructura de este tipo
de redes puede observarse en la Figura (2.19).
59
extrada de los patrones de entrenamiento nuevos que se van presentando. Normalmente, los pesos optimos se obtienen optimizando (minimizando o maximizando)
alguna funcion de energa. Por ejemplo, un criterio popular en el entrenamiento supervisado es minimizar el error cuadratico medio, entre el valor deseado y el valor
de salida de la red.
Fase de Prueba: Una vez calculados los pesos de la red, las neuronas de la u
ltima
capa se comparan con la salida deseada para determinar la validez del dise
no.
Una buena implementacion practica radica en el numero adecuado de neuronas, en el
numero idoneo de capas ocultas, la extension de la funcion de activacion, el tiempo de
entrenamiento de la red, las implicaciones de la generacion de ruido, [Crespo, 1996].
M
etodos de Aprendizaje en Redes Neuronales
Es importante se
nalar que la propiedad mas importantes de las redes neuronales artificiales es su capacidad de aprender a partir de un conjunto de patrones de entrenamientos,
es decir, es capaz de encontrar un modelo que ajuste los datos. El proceso de aprendizaje
tambien conocido como entrenamiento se realiza mediante patrones-ejemplo, siendo dos
los tipos de aprendizaje: supervisado y no supervisado, [Fausett, 2006].
El Aprendizaje Supervisado: consiste en entrenar la red a partir de un conjunto de
datos o patrones de entrenamiento compuesto por patrones de entrada y salida. El
objetivo del algoritmo de aprendizaje es ajustar los pesos de la red w de manera
tal que la salida generada sea lo mas cercanamente posible a la verdadera salida
dada una cierta entrada. Es decir, la red neuronal trata de encontrar un modelo al
proceso desconocido que genero la salida y. Este aprendizaje se llama supervisado
pues se conoce el patron de salida el cual hace el papel de supervisor de la red. Se
debe proporcionar parejas de patrones entrada-salida y la red neuronal aprende a
asociarlos. En terminologa estadstica equivale a los modelos en los que hay vectores
de variables independientes y dependientes, por ejemplo tecnicas de regresion y
modelos de series temporales.
61
red encuentre alguna estructura o configuracion presente en los datos. Unicamente se debe suministrar a la red los datos de entrada para que extraiga los rasgos
caractersticos esenciales. En terminologa estadstica equivale a los modelos en los
que solo hay vectores de variables independientes y buscan el agrupamiento de los
patrones de entrada, por ejemplo analisis de conglomerados o cluster.
Validaci
on del Modelo
Una vez que ha terminado el proceso de aprendizaje y los pesos de la red neuronal han
sido calculados, es importante comprobar la calidad del modelo resultante, siendo algunas
medidas estandar del error las siguientes, [Gutierrez, 2013]:
1. La suma de los cuadrados de los error es (Sum Square Error s, SSE), definida como:
r
X
p=1
kbp bp k2
(2.9)
2. La raz cuadrada del error cuadratico medio (Root Mean Square Error , RMSE),
definida como:
v
uX
u r
t
kbp bp k2 /r
(2.10)
max{kbp bp k, p = 1, ...., r}
(2.11)
p=1
(2.12)
donde:
P
(2.13)
(2.14)
donde:
g es el vector gradiente
H la matriz hessiana de segundas derivadas.
El vector incremento de pesos puede actuar como tal o como direccion a lo largo de la
cual realizar una minimizacion. Dado que el calculo de las segundas derivadas es mas difcil
de obtener, existen variantes de este algoritmo en los que se realiza una aproximacion de
H, mediante el algoritmo Gauss-Newton y Levenberg-Marquardt.
En el algoritmo Gauss-Newton, se aproxima H seg
un:
65
H = JT J
(2.15)
donde:
J es la matriz Jacobiana cuyos componentes son la derivada primera de los error es
de la red respecto a los pesos.
En el algoritmo Levenberg-Marquardt, se aproxima H seg
un:
H = J T J + I
(2.16)
donde
es un escalar que cambia en cada iteracion, decrece si el error decrece y aumenta
en caso contrario.
M
etrica Variable. Cuasi-Newton
Este metodo se basa en el de Newton pero evita calcular las segundas derivadas y
la inversion matricial, mediante la aproximacion de la matriz inversa de la hessiana, obtiene una direccion de incremento de los pesos, a lo largo de la cual realiza una busca
unidimensional. Esta direccion se calcula seg
un, [Zorrilla Pantaleon, 2001]:
d = Hg
(2.17)
donde:
g, es el vector gradiente
la aproximacion a la inversa de la matriz hessiana. Una aproximacion a la matriz
H,
hessiana inversa se puede obtener seg
un:
d = pn pn1
A=
1
d(gn gn1 )
n1 (gn gn1 )
B = (gn gn1 )T H
h
i
n
n1
T
n1
T
T n1
H =H
+ A (1 + AB)dd H (gn gn1 )d d(gn gn1 ) H
(2.18)
(2.19)
(2.20)
(2.21)
Para comenzar el algoritmo se toma el gradiente negativo como direccion inicial y una
matriz diagonal proxima a la identidad se asignara a la aproximacion de la hessiana. En
66
Regularizaci
on
Al dise
nar un Perceptron multicapa por diferentes metodos, se esta construyendo un
modelo no-lineal del fenomeno fsico responsable de la generacion de ejemplos de entradasalida usados para entrenar la red. En la medida que el dise
no de la red es estadstico
por naturaleza, necesitamos un balance adecuado entre la confiabilidad de los datos de
entrenamiento y la calidad del modelo. En el contexto del aprendizaje back-propagation
o cualquier otro procedimiento de aprendizaje supervisado, se puede puede producir el
balance minimizando el riesgo total expresado como, [Haykin, 1999]:
R(w) = S (W ) + C (w)
(2.22)
donde:
El primer termino, S (W ), es la medida de performance estandar, la cual depende tanto de la red (modelo) y de los datos de entrada. En el aprendizaje backpropagation se define tpicamente como un error cuadratico medio cuya evaluacion
se extiende sobre las neuronas de salida de la red y el cual se lleva a cabo para todos
los ejemplos de entrenamiento.
El segundo termino, C (w), es la penalidad de complejidad, la cual depende solamente de la red (modelo); su inclusion impone sobre la solucion un conocimiento a
priori sobre los modelos que estan siendo considerados. Podemos pensar a como un
parametro de regularizacion, representando la importancia relativa del termino de
la penalidad de complejidad con respecto al termino de la medida de performance.
Cuando es cero, el proceso de aprendizaje no esta restringido y la red se
determina completamente con los ejemplos de entrenamiento.
Cuando se hace infinitamente grande, por el contrario, la implicacion es
que la restriccion impuesta por la penalidad de complejidad es por s misma
suficiente para especificar la red, lo cual es otra manera de decir que los ejemplos
de entrenamiento no son confiables.
67
wi2
(2.23)
iCtotal
donde:
el conjunto Ctotal se refiere a todos los pesos de la red.
Este procedimiento opera al forzar a algunos de los pesos en la red a tomar valores
cercanos a cero, mientras permite que otros pesos retengan sus valores relativamente
grandes. En consecuencia, los pesos de la red se agrupan a grandes rasgos en dos categoras:
aquellos que tienen una gran influencia sobre la red (modelo),
aquellos que tienen poca o ninguna influencia sobre la red.
Los pesos en la u
ltima categora se llaman pesos excedentes. En la ausencia de la
regularizacion de complejidad, estos pesos resultan en una generalizacion pobre en virtud
de sus altas probabilidades de tomar valores completamente arbitrarios o causar que la red
sobreajuste los datos al tratar de producir una leve reduccion en el error de entrenamiento.
El uso de la regularizacion de complejidad fomenta que los pesos excedentes suman valores
cercanos a cero y por lo tanto mejoran la generalizacion, [Fiszelew, 2013].
2.5.
Redes Est
aticas
2.5.1.
Redes Multicapa
Capa de Entrada de una Red Neuronal : Esta compuesta por unidades que se ubican
en la capa de entrada de una red neuronal (X, U ), siendo cada unidad la entrada de
al menos una unidad funcional de U y no es la salida de ninguna unidad procesadora
de U .
Capa de Salida de una Red Neuronal: Esta compuesta por unidades que se encuentran en la capa de salida de una red funcional (X, U ), donde cada unidad es la
salida de al menos una unidad funcional de U y no es la entrada de ninguna unidad
procesadora de U .
Capas Intermedias u Ocultas de una Red Neuronal : Esta compuesta por unidades
que se distribuyen en las distintas capas intermedias de una red neuronal (X, U ),
donde las unidades son la entrada de al menos una unidad funcional de U y al mismo
tiempo, es la salida de al menos una unidad procesadora de U , [Gutierrez, 2013].
2.5.2.
Perceptr
on
69
70
Entrenamiento de un Perceptr
on
Aprendizaje Hebbiano: Inicialmente se eligen valores aleatorios para los pesos,
la idea del aprendizaje Hebiano es modificar los pesos acorde a la correlacion entre las
unidades. Se eligen los patrones de uno en uno; por ejemplo (ap ; bp ). Si bpi 6= bbpi , entonces
se modifica el peso, como puede visualizarse en la Figura (2.25):
wij = bpi bbpi apj
(2.24)
1 X p bp 2
bi bi
2 i,p
(2.25)
X p
E
=
bi bbpi apj
wij
p
X p
E
=
bi bbpi f (Bip )apj
wij
p
(2.26)
(2.27)
2.6.
Redes Din
amicas
Las Redes Neuronales Dinamicas, a diferencia de las estaticas permiten establecer una
relacion entre salidas y entradas y/o salidas y entradas previas, esto a
nade cierta memoria
a estas redes, lo que se traduce en que pueden modelar ecuaciones diferenciales.
Las redes neuronales dinamicas se han revelado u
tiles en problemas de modelizacion
de la dinamica directa e inversa de sistemas complejos, tales como robots, cohetes, naves
espaciales, as como en la modelizacion de circuitos secuenciales y en la conversion de
texto a voz.
Como ejemplos de este tipo de redes encontramos las redes de Hopfield, las redes de
retardos en el tiempo (Time Delay Neural Network), las redes de tiempo discreto (Time
Discrete Neural Network).
Al considerar realimentaciones y operadores de retardo en las arquitecturas, surgen
las denominadas redes recurrentes, que se caracterizan por su capacidad de modelar tanto
la no linealidad como las componentes dinamicas de un sistema, donde en algunos casos
el flujo de informacion puede ser asncrono, es decir que los estados de cada neurona se
actualizan de acuerdo al comportamiento interno de cada neurona, as la secuencia de
actualizacion resulta estocastica, [Pham, 1995].
2.6.1.
La Red de Hopfield
La red neuronal de Hopfield es una arquitectura formada por una sola capa principal,
como se describe en la Figura (2.26); se utiliza principalmente como memoria autoasociativa, para almacenar y recuperar informacion. La informacion se almacena usando un
metodo simple de aprendizaje no supervisado que obtiene la matriz de pesos que hace
que dado cada uno de los patrones de entrenamiento, almacenamiento, la red devuelva el
mismo patron, recuperacion.
bits en que difieren dos palabras del codigo, si dos palabras estan separadas por una
distancia d, se requeriran de un simple error para convertir una en la otra, la mnima es la
distancia d del codigo. Se considera una red neuronal de una sola capa sobre un conjunto
de neuronas binarias {x1 , . . . , xn }, con valores en {1, 1}, donde cada neurona x1 posee un
vector de pesos wi = (wi1 , . . . , win ), con wii = 0 indicando que no existe conexion consigo
misma. Se considera tambien la siguiente definicion binaria de la neurona, [Gutierrez,
2013]:
n
X
xi = sgn
wij xj
j=1
(2.28)
ai = sgn
n
X
wij aj
j=1
, i = 1, . . . , n
(2.29)
Por tanto la red devuelve el mismo patron dado como entrada, como se estan usando
los valores neuronales {1, 1}, entonces a2j = 1 y las condiciones anteriores de estabilidad
se pueden alcanzar considerando los pesos:
wij =
2.6.2.
1
ai aj
n
(2.30)
Las Redes con retraso de Tiempo son similares a las redes de alimentacion hacia
delante, excepto que las entradas tiene una lnea de retardo asociada. Esto permite que
la red tenga una respuesta dinamica finita a los datos de entrada de series de tiempo, su
estructura puede observarse en la Figura (2.27), [Matlab, 2010].
En la Figura (2.28), se presenta una de las arquitecturas probadas en los modelos de
esta tesis, puede observarse la estructura de la red con retardo de tiempo, que se utiliza
para resolver el problema de series temporales de la prediccion de alturas del ro Parana.
2.6.3.
Las redes NAR, son redes con dinamica recurrente con conexiones de realimentacion
donde la informacion de salida vuelve a realimentar la red neuronal, estos modelos estan
basados en el modelo lineal ARX que es utilizado para la prediccion de series temporales,
al que incorporan la no linealidad.
La Ecuacion (2.31), es la definicion para el modelo NAR, donde el siguiente valor de
salida y(t), depende de los valores anteriores de la salida, (y(t 1), y(t 2), . . . , y(t ny )),
[Matlab, 2010].
y(t) = f (y(t 1), y(t 2), . . . , y(t ny ))
73
(2.31)
Figura 2.27: Arquitectura de las Redes FTDNN, donde TDL son retardos asociados.
Esta arquitecturas ha sido implementa en esta tesis, en la Figura (2.29), puede observarse la estructura de la red con retardo de tiempo NAR, generada con datos de la
serie temporal de las alturas hidrometricas de la localidad de Corrientes, para predecir
las alturas de mencionada ciudad.
74
2.6.4.
Las redes NARX, son unas redes que combinan la estructura NAR con la FTDNN es
decir, que tienen retardos asociados a variables de entrada y otros asociados a la propia
respuesta de la red, funcionando como un lazo de realimentacion, como en las NAR, como
se observa en la Figura (2.30), que presenta la red NARXIP que es una de las arquitecturas
analizadas en este trabajo.
Figura 2.30: Red neuronal NARXIP: Serie Alturas Hidrometricas de Corrientes, siendo
las entradas asociadas las Alturas Hidrometricas Pto. Iaguaz
u, Posadas e Itat.
La Ecuacion (2.32), es la definicion para el modelo NARX, donde el siguiente valor de
salida y(t), depende de los valores anteriores de la salida, (y(t1), y(t2), . . . , y(tny )) y
los valores anteriores de las entradas independientes o exogenas, (u(t1), u(t2), . . . , u(t
nu )).
y(t) = f (y(t 1), y(t 2), . . . , y(t ny ), u(t 1), u(t 2), . . . , u(t nu ))
(2.32)
Se puede implementar el modelo NARX utilizando una red neuronal feedforward para
aproximar la funcion f , un diagrama de la red resultante se muestra a continuacion en
la Figura (2.31), donde una red de alimentacion directa de dos capas se utiliza para la
aproximacion, esta aplicacion tambien permite un modelo vector, donde la entrada y la
salida pueden ser multidimension.
Las redes NARX tienen muchas aplicaciones, por ejemplo pueden utilizarse como un
factor de prediccion, para predecir el siguiente valor de la se
nal de entrada, tambien se
pueden utilizar para el filtrado no lineal, para la salida final de una version libre de ruido de
la se
nal de entrada, siendo otra aplicacion importante, el modelado de sistemas dinamicos
no lineales.
Puede considerarse la salida de la red NARX como una estimacion del resultado de un
sistema dinamico no lineal que se esta tratando de modelar, la salida realimenta la entrada
de la red neuronal feedforward como parte de la arquitectura NARX estandar, como se
muestra a la izquierda en la Figura (2.32). Porque la verdadera salida esta disponible
durante el entrenamiento de la red, se puede crear una arquitectura de serie-paralelo, en
la que se utiliza la verdadera salida en lugar de retroalimentar la produccion estimada,
como se muestra a la derecha de la Figura (2.32). Esto tiene dos ventajas, la primera
es que la entrada a la red de alimentacion directa es mas precisa y la segunda es que la
red resultante tiene una arquitectura puramente de alimentacion directa y se pueden usar
algoritmos de ajuste estandar, [Matlab, 2010].
75
Figura 2.31: Diagrama de las Redes NARX, donde TDL son retardos asociados a variables
de entrada y otros asociados a la propia respuesta de la red.
Figura 2.32: Arquitectura de las Redes NARX, donde TDL son retardos asociados.
2.7.
Redes Profundas
En estos u
ltimos a
nos, el concepto de las arquitecturas profundas ha despertado un
creciente interes dentro de la comunidad de la inteligencia artificial y el aprendizaje automatico. Estos modelos de arquitecturas profundas, pueden considerarse como una tercera generacion de redes neuronales, las cuales se caracterizan por estar formadas por varias
capas de neuronas ocultas que realizan una abstraccion de la informacion, como puede
observarse en la Figura (2.33).
Aunque estos modelos ya eran conocidos en la decada de los 80, en la practica se
haba visto que estas Redes Profundas no proporcionaban ventajas importantes sobre las
habituales redes neuronales, de una u
nica capa oculta. Sin embargo, avances cientficos
recientes han demostrado que, si se utilizan algoritmos de construccion apropiados, las
Redes Profundas s son capaces de obtener niveles de rendimiento fuera del alcance de las
redes clasicas.
Las mejoras en los algoritmos, junto con la reciente disponibilidad de computadoras
muy rapidos y grandes conjuntos de datos, estan permitiendo importantes aumentos en
76
para este tipo de redes. Ademas las posibilidades de aplicacion de estas tecnicas a tareas
de modelizacion complejas como pueden ser el aprendizaje semiautomatico, la reduccion
de ruido y la correccion de datos incompletos, [Bengio, 2013].
El uso del aprendizaje semi-supervisado y las redes neuronales profundas , es la base
para algunos de los resultados recientemente en el reconocimiento de patrones. Durante
20 a
nos, la mayora de los sistemas de reconocimeinto de voz se han basado en un metodo
de aprendizaje que no utiliza las redes neuronales, en 2011 sin embargo, basandose en el
trabajo de la Universidad de Toronto, se utiliza una combinacion de datos etiquetados
y sin etiquetar en una red neuronal profunda para bajar la tasa de error de los sistema
de reconocimiento de voz, que ha bajando el error estandar de 24 % a aproximadamente
16 %, [Anthes, 2013].
En 2012, los investigadores de Google y la Universidad de Stanford informaron que
haban obtenido una mejora del 70 %, con respecto a resultados anteriores con lo que
denomiraron un mamut, una red neuronal de nueve capas, que aprendio a reconocer caras,
el sistema con mil millones de conexiones, fue entrenado durante tres das en 10 millones
de imagenes utilizando un conjunto de maquinas con un total de 16.000 n
ucleos, [Bengio,
2013].
2.7.1.
Autocodificadores
Los Autocodificadores, son una red neuronal con unidades lineales, entrenadas con la
funcion de error cuadratica, donde la salida tiene la capacidad para replicar la entrada, en
la capa oculta desarrolla una proyeccion en un subespacio de la capa de entrada principal,
como puede observarse en la Figura (2.34).
2.8.
Algoritmos Evolutivos
los genes esta en el ADN, acido desoxirribonucleico. Los cromosomas estan compuestos de
ADN, estando los genes en los cromosomas. La macromolecula de ADN esta compuesta
por bases y la combinacion y secuencia de estas bases forma el codigo genetico, u
nico para
cada ser vivo, como puede observarse en la Figura (2.35),
Seg
un los informaticos evolutivos, la evolucion optimiza, puesto que va creando seres
cada vez mas perfectos, sin embargo, los genetistas y biologos evolutivos afirman que la
evolucion no optimiza, sino que adapta y optimiza localmente en el espacio y el tiempo;
evolucion no significa progreso. Un organismo mas evolucionado puede estar en desventaja competitiva con uno de sus antepasados, si se colocan en el ambiente del u
ltimo,
[Merelo Guervos, 2013].
2.8.1.
Estos mecanismos de cambio son necesarios para entender los algoritmos evolutivos,
pues se trata de imitarlos para resolver problemas de ingeniera; los mecanismos de cambio
alteran la proporcion de alelos de un tipo determinado en una poblacion y se dividen en
dos tipos: los que disminuyen la variabilidad y los que la aumentan.
Los principales mecanismos que disminuyen la variabilidad son los siguientes:
Seleccion Natural : los individuos que tengan alg
un rasgo que los haga menos validos
para realizar su tarea de seres vivos, no llegaran a reproducirse y su patrimonio
genetico desaparecera; algunos no llegaran ni siquiera a nacer.
Deriva Genica: el simple hecho de que un alelo sea mas com
un en la poblacion que
otro, causara que la proporcion de alelos de esa poblacion vaya aumentando en una
poblacion aislada.
Otros mecanismos aumentan la diversidad, suceden generalmente en el ambito molecular, los mas importantes son:
Mutaci
on: la mutacion es una alteracion del codigo genetico, que puede suceder por
m
ultiples razones, las mutaciones son totalmente aleatorias, siendo el mecanismo
basico de generacion de variedad genetica; la mayora de las mutaciones ocurren de
forma natural, aunque existen sustancias mutagenicas que aumentan su frecuencia.
79
Poliploida: mientras que las celulas normales poseen dos copias de cada cromosoma,
las celulas reproductivas una (haploides), puede suceder por accidente que alguna
celula reproductiva tenga dos copias; si se logra combinar con otra celula diploide o
haploide dara lugar a un ser vivo con varias copias de cada cromosoma.
Recombinaci
on: cuando las dos celulas sexuales o gametos, una masculina y otra
femenina se combinan, los cromosomas de cada una tambien lo hacen, intercambiandose genes, que a partir de ese momento perteneceran a un cromosoma diferente.
Flujo Genetico: o intercambio de material genetico entre seres vivos de diferentes
especies.
La seleccion natural act
ua sobre el fenotipo y suele disminuir la diversidad, haciendo
que sobrevivan solo los individuos mas aptos, los mecanismos que generan diversidad y
que combinan caractersticas act
uan habitualmente sobre el genotipo, [Merelo Guervos,
2013].
Los algoritmos evolutivos y la computacion evolutiva, son una rama de la inteligencia
artificial, son utilizados principalmente en problemas con espacios de b
usqueda extensos
y no lineales, en donde otros metodos no son capaces de encontrar soluciones en un
tiempo razonable. Siguiendo la terminologa de la teora de la evolucion, las entidades
que representan las soluciones al problema se denominan individuos o cromosomas y el
conjunto de estos, poblacion.
2.8.2.
Algoritmos Gen
eticos
Los algoritmos geneticos (AGs) son metodos adaptativos que pueden usarse para resolver problemas de b
usqueda y optimizacion. Estan basados en el proceso genetico de los
organismos vivos, los cuales a lo largo de las generaciones, evolucionan en la naturaleza
de acorde con los principios de la seleccion natural y la supervivencia de los mas fuertes,
postulados por Darwin en 1859. Por imitacion de este proceso, los algoritmos geneticos
son capaces de ir creando soluciones para problemas del mundo real, la evolucion de dichas
soluciones hacia valores optimos del problema depende en buena medida de una adecuada
codificacion de las mismas, ver detalle en la Figura (2.36).
La primera mencion del termino y la primer publicacion sobre su aplicacion, se deben
a Bagley en 1967, que dise
no algoritmos geneticos para buscar conjuntos de parametros
en funciones de evaluacion de juegos y los comparo con los algoritmos de correlacion. Pero
es considerado su creador John Holland, que los desarrollo, junto a su equipo, durante las
decadas de 1960 y 1970, [Holland, 1992].
Los algoritmos geneticos usan una analoga directa con el comportamiento natural;
trabajan con una poblacion de individuos, cada uno de los cuales representa una solucion
factible a un problema dado. Este cruce producira nuevos individuos, descendientes de
los anteriores los cuales comparten algunas de las caractersticas de sus padres, como se
detalla en la Figura (2.37).
Se implementa el operador de seleccion, que escoge, entre los cromosomas de la poblacion, aquellos con capacidad de reproduccion y mas compatibles, para producir mas descendencia que el resto. La poblacion convergera hacia una solucion optima del problema,
80
El Algoritmo Gen
etico Simple
La implementacion del Algoritmo Genetico necesita una codificacion o representacion
del problema, que resulte adecuada al mismo. El resultado de la combinacion de las anteriores funciones sera un conjunto de individuos, posibles soluciones al problema, los
cuales en la evolucion del Algoritmo formaran parte de la siguiente poblacion, [Michalewicz, 1992].
El Algoritmo Genetico Simple, tambien denominado Canonico, se detalla a continuacion y se presenta su diagrama en la Figura (2.41).
Pseudoc
odigo del Algoritmo Gen
etico Simple
BEGIN /* Algoritmo Genetico Simple */
Generar una poblacion inicial.
Computar la funcion de evaluacion de cada individuo.
WHILE NOT Terminado DO
BEGIN /* Producir nueva generacion */
FOR Tama~
nno poblacion/2 DO
BEGIN /*Ciclo Reproductivo */
Seleccionar: dos individuos de la anterior generacion,
para el cruce (probabilidad de seleccion proporcional
a la funcion de evaluacion del individuo).
Cruzar: con cierta probabilidad los dos
individuos obteniendo dos descendientes.
Mutar: los dos descendientes con cierta probabilidad.
Computar: la funcion de evaluacion de los dos
descendientes mutados.
Insertar: los dos descendientes mutados en la nueva
generacion.
END
IF la poblacion ha convergido THEN
Terminado := TRUE
END
END
83
84
Captulo 3
Descripci
on Estadstica del ro
Paran
a
3.1.
Introducci
on
3.2.
Los datos que se trabajan en la presente tesis, son datos diarios del perodo de a
nos de
1989 a 2009, los cuales han sido obtenido de las siguientes instituciones, como se detalla
en el Captulo 1, en la Seccion (1.3.8):
SMN-Servicio Meteorologico Nacional, Subsecretara de Planeamiento, Ministerio
de Defensa, Rep. Argentina, [SMN, 2008 a 2013].
SNIH-Sistema Nacional de Informacion Hdrica de la Subsecretara de Recursos
Hdricos, Secretara de Obras P
ublicas, Ministerio de Planificacion Federal, Inversion
Publica y Servicios, Rep. Argentina, [SNIH, 2008 a 2013].
La informacion facilitada por ambos Organismos P
ublicos, presenta irregularidades de
falta de informacion en algunos subperodos, del perodo de a
nos de 1989 a 2009, por lo
cual se analizan los datos para detectar estas situaciones y hacer estimaciones de los datos
faltanes en base a promedios y considerando la tendencia de los datos.
Para el estudio estadstico descriptivo se considera el perodo de a
nos de 1989 a 2008,
por contar con datos anuales completos en ese perodo, los datos del a
no 2009 son incompletos al contar solamente con informacion de los meses de enero a abril, por lo cual
no es considerado para estudio estadstico descriptivo, aunque si se han utilizado para
validacion y testeo de diferentes modelos.
85
3.2.1.
3.2.2.
3.2.3.
3.2.4.
3.3.
Gr
aficos de Evoluci
on Temporal
Al observar los graficos de las Alturas Hidrometricas del ro Parana, es notable que
presenta un amplio rango de fluctuaion hidrometrica, tanto en perodos de inundaciones
como en a
nos de curso normal, como puede observarse en las Figuras (3.1), (3.2) y (3.3).
En la Figura (3.1), puede observar que cada a
no en los primeros meses de enero a marzo
se presenta una onda de crecida, que en a
nos de curso normal no alcanza los valores de
alerta de inundacion y que en los meses de agosto a noviembre se repite en algunos a
nos
un nuevo aumento en las alturas pero de menor intensidad.
En la Figura (3.2), se comparan alturas hidrometicas en la localidad de Corrientes,
de las u
ltimas inundaciones de gran importancia las de 1991-1992 y de 1997-1998, con
las alturas de a
nos de curso normal como 2005-2006, donde puede observarse que el
ro no mantiene patrones de comportamiento homogeneos, los perodos de inundacion se
presentan en diferentes meses, con intensidad y amplitud diferente, siendo la caracterstica
com
un lo imprevisible del comportamiento del ro en especial cuando la inundacion alcanza
el piso de crecida como puedo observarse en detalle en la grafica de la Figura (3.3), donde
se comparan las alturas maximas alcanzadas por el ro en las mencionadas inundaciones.
3.4.
Tendencia
Figura 3.1: Variaciones de alturas hidrometricas del ro Parana en la localidad de Corrientes en el perodo 1989-2008.
Figura 3.2: Comparacion de alturas hidrometricas del ro Parana en la localidad de Corrientes en perodos normales y de inundaciones.
91
Figura 3.3: Comparacion de alturas hidrometricas del ro Parana en la localidad de Corrientes en los perodos de picos de inundacion.
conforman dos fases complementarias del pulso: aguas altas o potamofase y aguas bajas
o limnofase, como se observa en la Figura (3.4), las cuales tienen una influencia notable
en la estabilidad de los ecosistemas del macrosistema fluvial. La frecuencia, la intensidad
y la duracion de ambas fases dependen de la posicion topografica de las islas del ro, por
lo cual, en cada punto de la planicie inundable, los efectos de una misma creciente son
potencialmente distintos, [Neiff, 1999].
La dinamica de pulsos esta caracterizada por atributos hidrologicos, definidos en la
funcion f FITRAS, que es el acronimo de: Frecuencia (F), Intensidad (I), Tension (TM:
tension maxima; Tm: Tension mnima), Regularidad (R), Amplitud (A), Estacionalidad
(S), como se detalla en la Figura (3.5), [Neiff, 1999]:
Frecuencia (F): n
umero de veces que ocurre un fenomeno determinado dentro de
una unidad de tiempo (ej. inundaciones de 8 m en el hidrometro de Corrientes a lo
largo de un siglo).
Intensidad (I): magnitud alcanzada por una fase de inundacion o de sequa. Se mide
generalmente por el valor alcanzado en el hidrometro mas proximo o en terminos
de caudal de agua.
Tensi
on (TM: Tensi
on m
axima; Tm: Tensi
on mnima): valor de la desviacion tpica
desde las medias maximas o desde las medias mnimas de una curva de fluctuacion
hidrometrica del ro. Se la define tambien como envolvente de fluctuacion y permite
establecer la variabilidad en la magnitud de los eventos de inundacion y sequa. Se
expresa generalmente en valores hidrometricos o en caudal.
92
Figura 3.4: Representacion esquematica de las fases de aguas altas y bajas en el ro Parana.
3.4.1.
Tendencia Evolutiva
Para la tendencia evolutiva, pueden implementarse las medias moviles, siendo esta una
funcion que evoluciona lentamente, que puede aproximarse en intervalos muy cortos, este
metodo de suavizado consiste, en promediar la serie, estos promedios seran las medias
93
o esporadicos.
Como se detalla en la Figura (3.7), que presenta las alturas en la localidad de Corrientes
en el perodo 1989-2008, y lnea de tendencia, para la cual se consideran medias moviles de
orden 7, en este caso se consideran 7 datos, como la componente irregular tiene media cero,
la media de los siete valores del componente irregular se puede suponer que es despreciable
frente a la tendencia y representa la tendencia en ese instante.
En las Figuras (3.8) y (3.9), se detallan las alturas hidrometricas para la misma localidad, en perodos de inundaciones, con sus correspondientes lneas de tendencia, para
ambos perodos de inundacion la tendencia se aproxima por medias moviles de orden 2,
lo que denota que el comportamiento del desplamienzo de la onda de agua en perodos de
crecida, tiene un desplazamiento distinto a perodos de cauce normal del ro.
Al analizar la serie de las alturas en la localidad de Corrientes en el perodo 19892008, es notable que la tendencia con medias moviles de orden 7, dan una tendencia muy
aceptable a la serie, es de destacar que 7 son los das que tarda en llegar la onda de agua
desde la localidad de Pto. Iguaz
u a la localidad de Corriente. Al analizar las alturas en la
localidad de Corrientes en los perodos de inundacion de los a
nos 1991-1992 y 1997-1998,
las tendencia s son paroximadas con medias moviles de orden 2, dan una tendencia muy
aceptable a la serie, siendo aproximadamente 2 das el tiempo que tarda en llegar la onda
de agua desde la salida de vertederos de la represa de Yacyreta a la localidad de Corriente.
95
3.5.
Gr
aficos de Recurrencia y Frecuencia
a
nos denotan alturas hidrometricas que superan los 5, 00m, que es el valor de alerta de
crecida. Puede observarse claramente como en el a
no 1998 superan notablemente los das
con valores altos, lo que corresponde con el pico de la inundacion de 1997-1998, que aunque
no supera el valor maximo de altura de la inundacion de 1991-1992, s es la inundacion de
mayor permanencia de aguas altas, siendo la inundacion de mayor amplitud en el perodo
analizado.
En la Figura (3.13), se describen las frecuencias de las alturas hidrometricas de la
localidad de Corrientes para el perodo de 1989 a 2008, donde se observa en detalle que
se presentan frecuencias muy bajas para las alturas menores a los 2, 5m, que corresponde
a perodos de sequa, las frecuencias mas altas corresponden para las alturas medias del
ro que oscilan, entre los 2, 5m y los 4, 5m, que son las alturas de curso normal del ro,
frecuencias medias para las alturas que oscilan entre los 4, 5m y los 6, 5m, que indican
perodos de alturas hidrometricas cercanas al nivel de alerta de inundacion o que la superan
97
en poco grado, luego frecuencias bajas para las alturas entre los 6, 5m y los 7, 5m, y
frecuencias muy bajas para las alturas que superan los 7, 5m, lo cual nos indica que
las grandes inundaciones son sucesos de poca frecuencia, aunque si de gran intensidad
alcanzando alturas hidrometricas que duplican la altura del curso normal del ro.
3.6.
En el ro Parana, como en otros grandes fluvios, las variables fundamentales y primarias que lo definen corresponden a los caudales de energa y materia que transporta.
La estimacion de caudal lquido y de volumen acumulado permite conocer el perfil del
comportamiento energetico del ro, permite evaluar la dinamica fluvial que transforma los
flujos hdricos y conocer las diferentes salidas en cada estado del sistema.
El valle actual del ro Parana es un geosistema inestable en el marco temporo espacial,
conformado por las condiciones morfoestructurales y climaticas que determinan el origen
y evolucion de la cuenca fluvial, el analisis de las alturas hidrometricas y caudales revelan
un comportamiento biperiodico del regimen fluvial con manifestaciones plurianuales de
estiajes y crecidas extraordinarias.
Existen observaciones historicas de grandes inundaciones ocurridas en siglos pasados,
como las de 1612 y 1748 que son destacadas por haber sido las mas grandes, aunque
no se dispone de datos registrados y suficientemente conocidas como para reconstruir
los valores de alturas y caudales. Las mayores crecidas, registradas, del ro Parana en la
98
ciudad de Corrientes, son las que se detallan en la Figura (3.14). La mayora de ellas se
manifiestan en verano o en oto
no-invierno con alturas superiores a 7m, pero presentan
notables diferencias en cuanto a volumen, permanencia de las aguas y lapso de recurrencia.
Las variaciones de caudal del ro dependen de las precipitaciones en la alta cuenca en
Brasil, el ro Parana atraviesa zonas con distintos tipos y variedades climaticas, el curso
superior presenta una creciente anual durante el verano, mientras que los cursos medio e
inferior ven modificado su regimen por los aportes del ro Paraguay, lo que provoca una
segunda creciente durante el invierno.
El maximo caudal del ro se registra hacia fines del verano en los meses de enero,
febrero y marzo y el estiaje a fines del invierno y la primavera en los meses de agosto, septiembre, octubre y noviembre, presentando los siguientes caudales medios en su recorrido
en territorio argentino, en a
nos sin inundaciones:
11.500 m3 /s en Apipe,
15.240 m3 /s en Corrientes,
15.000 m3 /s en Rosario.
En su desembocadura en el Ro de la Plata, considerando todos los brazos del delta, su
caudal da una media de 17.000 m3 /s, comparable a la de ros como el Misisipi de 18.000
m3 /s y el Ganges 16.000 m3 /s.
En el cuadro de la Figura (3.15), se presenta un comparativo de los valores estadsticos
del ro en la localidad de Corrientes, donde puede observarse el comportamiento inestable
99
Figura 3.13: Frecuencias de alturas hidrometricas del ro Parana en la localidad de Corrientes en el perodos de 1989 a 2008.
100
101
102
Parte II
Implementaci
on y Validaci
on de las
Aportaciones Propuestas
103
104
Captulo 4
Aplicaci
on de Modelos de Series
Temporales Lineales para Predicci
on
4.1.
Introducci
on
4.2.
En esta captulo se aplican diferentes modelos de series temporales lineales para predicciones de las alturas hidrometricas del ro Parana en la localidad de Corrientes, se
analizan inicialmente las series completas de 20 a
nos de informacion de las diferentes estaciones que han sido facilitadas por los organismos p
ublicos, mencionados en la Seccion
(1.3.8).
Cuando se tiene una secuencia de valores observados a lo largo del tiempo, ordenados
cronologicamente, se denominan serie temporal, analizando el conjunto de datos recopilados para realizar el estudio del comportamiento de ro Parana, se denota claramente
que cumple esta caracterstica, por ello se comienza el analisis aplicando analisis de series
temporales lineales a los datos del ro.
4.2.1.
Implementaci
on en FreeFore
Para realizar el analisis de Serie Temporales a los datos del ro Parana se usa FreeFore
que es un Sistema de Prediccion Automatico. FreeFore es una antigua version gratuita
105
4.3.
An
alisis de Alturas Hidrom
etricas del ro y Variables Meteorol
ogicas en Corrientes
4.3.1.
An
alisis con FreeFore
Se consideran las variables Meteorologicas y la altura hidrometrica del ro en la localidad de Corrientes en el perodo de 2005 a 2008, tomando ademas el a
no 2009 para
posteriores controles de validacion de resultados, en la Figura(4.1), se muestra el detalle
de los datos a procesar.
Figura 4.1: FreeFore: Datos Meteorologicos y Alturas Hidrommetricas del ro en la localidad de Corrientes.
FreeFore luego del procesado de los datos genera el siguiente modelo de Autorregresion,
que se indica en la Formula (4.1):
Y (T ) = 3,3004 + [(1 0,992B 1 )]1 [A(T )]
donde:
107
(4.1)
Figura 4.2: FreeFore: Errores del modelo generado, al pronosticar la Altura del ro en
Corrientes con 7 das de antelacion.
4.3.2.
An
alisis con Herramienta de Identificaci
on de Sistemas
de Matlab
Para este analisis, con las herramientas de Matlab, se trabaja con el mismo conjunto de
datos que se han analizado con FreeFore, para poder comparar los resultados y analizar
las variables que estan siendo priorizadas en los modelos generados. Se consideran las
variables Meteorologicas y la altura hidrometrica del ro en la localidad de Corrientes en
el perodo de 2005 a 2008, tomando ademas el a
no 2009 para posteriores controles de
validacion de resultados, en la Figura (4.3), se muestra el detalle de los datos a procesar.
En Matlab, luego del procesado de los datos se genera el siguiente modelo ARX de
Autorregresion, el cual se detalla en la Formula (4.2):
(4.2)
Figura 4.4: Errores de prediccion de Altura del Ro: Grafico Izq.: a 3 das y Grafico Dcho.:
a 5 das.
4.4.
An
alisis de Alturas y Caudales de Corrientes,
con estaciones del Alto Paran
a
En esta segunda etapa se analizan los datos de Alturas y Caudales del ro Parana,
en estaciones argentinas que se encuentran en el Alto Parana en conjunto con los datos
de la localidad Corrientes, para determinar la influencia de las alturas y caudales de las
estaciones ro arriba, sobre la altura del ro en esta u
ltima estacion y estimar su altura.
En la etapa anterior de analisis los modelos han descartado la influencia de las variables
Meteorologicas en la determinacion de la altura del ro en la localidad de Corrientes, lo
que se busca en esta nuevo analisis es determinar si la altura del ro en esta estacion es
determinada por las alturas y caudales de las estaciones que se encuentran ro arriba y
los valores hidrometricos de la misma estacion en das anteriores.
Se consideran para este analisis las estaciones de Puerto Iguaz
u, Posadas, Itat y
Corrientes, considerando para cada estacion las siguientes variables:
altura media del ro (m)
caudal medio del ro (m3 /seg)
4.4.1.
An
alisis con FreeFore
111
Figura 4.5: FreeFore: Datos de Alturas y Cuadales en las estaciones de Puerto Iguaz
u,
Posadas, Itat y Corrientes.
Figura 4.6: FreeFore: Errores del modelo generado, al pronosticar la Altura del ro en
Corrientes con 7 das de antelacion.
112
Y (T ) = 1,2648
+[X1(T )][(0,089B 2 )]
+[X2(T )][(+0,367 + 0,441B 1 )]
(4.3)
4.4.2.
An
alisis con Herramienta de Identificaci
on de Sistemas
de Matlab
Para este analisis, con las herramientas de Matlab, se trabaja con el mismo conjunto de datos que se han analizado con FreeFore, para poder posteriormente comparar los
resultados y analizar las variables que estan siendo descartadas o valorizadas en los modelos generados. Se consideran las variables de Alturas y Caudales en estaciones del Alto
Parana y en Corrientes en el perodo de inundacion de 1997 a 1998, considerando datos
del a
no 1999 para validacion de resultados, en la Figura (4.7), se muestra el detalle de los
datos a procesar.
Matlab, luego del procesado de los datos genera el siguiente modelo ARX de Autorregresion, el cual se detalla en la Formula (4.4):
114
donde:
q, es el coeficiente de retardo aplicado a cada variable meteorologica y a la altura
del ro, del modelo,
e, es una estimacion del error aleatorio del calculo,
t, es el tiempo,
u, es cada una de las variables de Altura y Caudal de Puerto Iguaz
u, Posadas, Itat y
Corrientes
A, es la Altura del ro en Corrientes,
Y , es la variable estimada Altura del ro en Corrientes.
Al analizar el modelo generado por Matlab, se aprecia que las variables Caudales
de todas las estaciones, como las Alturas de Puerto Iguaz
u y Posadas, son anuladas
en el modelo por estar multiplicadas por valores muy cercanos a cero, lo que indican
su influencia nula en el modelo generado utiliza solamente los datos de altura de ro en
Corrientes en los das anteriores, para predecir la altura del ro, teniendo mayor incidencia
la altura del da anterior, y en grado decreciente las alturas de 2 das antes, 3 das antes y
4 das antes, ya con una influencia marcadamente menor y los datos de Altura de Itat del
da anterior y en grado decreciente las alturas de 2 das antes, 3 das antes.
Este analisis se ha repetido con distintos perodos de tiempo y niveles de altura del ro
con valores de Alturas y Caudales para la estacion de Corrientes y las estaciones ro arriba
de Puerto Iguaz
u, Posadas e Itat, obteniendose en todos los casos resultados similares,
115
con las variables de caudales de todas las estaciones y las de altura de ro de Puerto
Iguaz
u y Posadas, anuladas en el modelo generado por coeficientes muy cercanos a cero.
Con este modelo de Autorregresion se realizan predicciones de Altura del ro en la
localidad de Corrientes, en la Figura (4.8) en el grafico izquierdo, pueden observarse los
error es del modelo en un pronostico a 3 das, y puede apreciarse que el error oscila entre
0, 50m y 0, 30m, y en el grafico de la derecha, pueden observarse los error es al realizar
un pronostico a 5 das, siendo el rango de los error es incrementado de 0, 60m a 0, 30m.
Figura 4.8: Errores de prediccion de Altura del Ro: Grafico Izq.: a 3 das y Grafico Dcho.:
a 5 das.
116
Captulo 5
Aplicaci
on de Modelos de Redes
Neuronales para Predicci
on a Corto
Plazo
5.1.
Introducci
on
5.2.
5.2.1.
Perceptr
on
Implementaci
on en Matlab - Herramienta de Redes Neuronales - NNTool
mejor desempe
no con los disitintos grupos de datos de entrenamiento que se probaron
en la generacion de la red neuronal; considerando tambien que este algoritmo reduce al
mnimo una combinacion estrictamente convexa del error cuadrado medio y de los pesos
cuadrados medios. El algoritmo trainbr es una modificacion del trainlm, que es la funcion
de entrenamiento de retropropagacion Levenberg-Marquardt.
En la Figura (5.3), pueden observarse los pasos que se siguen para construir y entrenar
la red neuronal se visualiza la estructura que se ha dise
nado para la red neuronal RNH643,
como funcion de entrenamiento se ha seleccionado trainbr, como funcion de transferencia
para el nivel 1 se fija tansig, tangente hiperbolica, donde se han definido 5 neuronas ocultas
y funcion de transferencia en nivel 2 Purelin, lineal.
En la Figura (5.4), se observan los archivos que se utilizan para realizar el entrenamiento, siendo:
AE: Incluye registros de Alturas diarias del ro en las estaciones de Puerto Iguaz
u con
un retardo de 6 das, Posadas con un retardo de 4 das, Itat con un retardo de 3
das, y Corrientes Capital, con un retardo de 3 das, los retardos son con respecto a
las alturas del ro en Corrientes Capital que se ingresan en el archivo, AT, los datos
corresponden a los a
nos 1997 y 1998 siendo estos a
nos de inundacion.
AT: Tiene registros de Alturas diarias del ro en la estacion de Corrientes Capital,
en los a
nos 1997 y 1998, siendo estos a
nos de un perodo de inundacion.
En la Figura (5.5), se observan las graficas de los resultados obtenidos en el entrenamiento de la red neuronal, con la funcion trainbr.
En este analisis se generaron distintas redes neuronales, con diferentes retrasos en los
datos, como tambien tomando distintos perodos de a
nos, haciendo entrenamiento de la
118
Figura 5.5: Matlab-NNTool: graficas con los resultados del entrenamiento de la RN, funcion de entrenamiento Trainbr.
5.3.
5.3.1.
Optimizaci
on de Ajuste de Perceptr
on. Adaptaciones de la Funci
on de Error
Funciones de Redes Neuronales de Matlab
Normalmente a la hora de trabajar con redes neuronales, es necesario por la complejidad de los datos, o del problema a resolver, poder contar con un tipo de red neuronal
concreto, el cual se ajuste mejor a las necesidades de la situacion en consideracion, en
este caso en vez de utilizar la funcion network para la creacion de la estructura base,
puede utilizarse funciones especficas para cada tipo de red neuronal, de manera que la
estructura base que Matlab devuelva tenga una configuracion de capas de entrada, ocul121
Figura 5.6: Resultados y errores al realizar pronostico a 3 das de Altura del ro en Corrientes, con RNH643, entrenada con datos de Alturas Hidrometricas y RNHQ643, entrenada
con datos de Alturas y Caudales del ro.
tas, conexiones, mas apropiada para el tipo de red neuronal deseada. [Demuth and Beale,
1998]
Matlab cuenta con diferentes funciones para poder crear redes neuronales especficas,
entre las que destacan:
1. Perceptron: newp(P, S)
2. Backpropagation: newf f (P, [S1, . . . ., Sn])
3. Radiales: newgrnm(P, T )
4. Mapas Autoorganizados: newsom(P, S)
De estas funciones de alto nivel que proporciona Matlab, para la creacion de redes,
seg
un las caractersticas del problema de Ajuste de Modelos Hidrologicos, para su aplicacion al ro Parana, la estructura de red mas apropiada es la que se crea con la funcion
newff, backpropagation o retropropagacion, lo que permitie una facil construccion de la
red perceptron multicapa.
Matlab utiliza una estructura u
nica que dara acceso a todas las propiedades de la red
neuronal, independientemente del tipo que esta sea, de manera que utilizando esta propiedad podremos modificar las entradas, capas , conexiones, pesos, etc.. De esta manera una
vez configurada la red neuronal seg
un las necesidades, se invocaran las funciones de manipulacion de redes neuronales disponibles en Matlab, como: simulacion, entrenamiento,
inicializacion, pasandole como parametro la estructura de la red neuronal.
122
5.3.2.
Modificaci
on de la Funci
on de Error
Generalmente las redes neuronales artificiales minimizan una suma de errores al cuadrado, tanto para su estimacion como para la evaluacion de sus pronosticos por dentro y
fuera de muestra.
123
5.4.
Funci
on de Penalizaci
on Propuesta
Se propone una funcion de error modificada, que penalice los errores cuando el ro
alcanza una altura mayor a 5m, que es la altura de ro previa a una alerta de posible
inundacion, se descartaran los errores por debajo de 5m, porque la modificacion de la
funcion de error de la red neuronal incorpora penalizacion a los errores grandes y penalizarlos mas cuando la altura del ro es mas alta.
En la Ecuacion (5.1), se presenta la funcion de penalizacion de error propuesta, en
el cuadro comparativo de la Figura (5.7), puede observarse como la funcion propuesta
penaliza el error mas que la funcion cuadratica en los valores de altura mayor a 5m,
que son los valores de riesgo, tambien puede observarse como a mayor altura del ro se
incrementa la penalizacion del error.
EP = (e.2 + e. (e > 0)). (h 5). (h > 5)
(5.1)
donde:
e.2 es el error cuadratico
h es la altura real del ro
e. ((e > 0)). (h 5). (h > 5) es la penalizacion donde:
(e > 0) penaliza los errores
(h > 5) penaliza los errores cuando la altura del ro por encima a 5m, se toma
esta cota de altura por ser previa al alerta de posible inundacion
(h 5) penaliza mas los errores cuando mas supera la altura del ro los 5m.
En el grafico de la Figura (5.8), puede observarse el comportamiento de la funcion de
penalizacion propuesta, graficamente puede observarse como la penalizacion se comienza a
aplicar a partir de los 5m, y como crece la penalizacion en forma proporcional al incremento de altura del ro. En el grafico de la Figura (5.9), puede observarse el comportamiento
de la funcion de error Cuadratica, que es la funcion estandar que tienen implementadas
las redes neuronales en Matlab, puede observarse claramente al comparar ambas graficas
que a las mismas alturas del ro la funcion de penalizacion propuesta, penaliza el error en
mayor grado que la funcion cudratica.
124
Figura 5.8: Grafico de la funcion de Penalizacion, que penaliza los errrores cuando mayor
es la altura del ro.
5.5.
5.5.1.
Se define la red neuronal con la funcion de Matlab newf f , que nos genera una red
neuronal de retropropagacion, que es el tipo de red que mas se adapta a las series temporales como los datos del ro Parana, del que se busca aprender su comportamiento, como
se puede observar en la siguiente lnea de codigo:
red1=newff(entred,salred,5);
125
donde:
entred : es el archivo de entrada para el entrenamiento o ajuste de la red neuronal,
salred : es el archivo con las salidas que debe aprender la red neuronal en el entrenamiento o ajuste en base al archivo de entrada,
5 : con la cantidad de neuronas en la capa oculta.
Cuando la red neuronal ya ha sido creada, se procede al entrenamiento pero antes
de realizar el entrenamiento, se establece la funcion de entrenamiento a usarse, en este
caso de fija trainbfg, lo cual hara que en la red neuronal utilice CuasiNewton en vez de
Levenberg-Marquardt, como puede observarse en la siguiente lnea de codigo:
red1.trainFcn=trainbfg;
Tambien antes de realizar el entrenamiento se indica, que se usara la funcion de penalizacion que se ha definido, en lugar de usar la funcion estandar de redes neuronales que
es la funcion cuadratica, lo cual se visuliza en la siguiente lnea, donde se indica que la
funcion a usar es errorcons:
red1.performFcn=errorcons;
Para realizar el entrenamiento de la red neuronal se usa la funcion train con los
siguientes parametros:
redaj=train(red1,entred,salred,[],[],VV,TV);
126
donde:
redaj : red neuronal que sera entrenada,
red1 : estructura de red neuronal que ha sido definida y que se usara en el entrenamiento,
entred : es el archivo de entrada para el entrenamiento o ajuste de la red neuronal,
salred : es el archivo con las salidas que debe aprender la red neuronal en el entrenamiento en base al archivo de entrada.
VV : es el archivo de validacion, que se usara para la validacion del entrenamiento
de la red neuronal,
TV : es el archivo de test, que se usara para el testeo del entrenamiento de la red
neuronal.
5.5.2.
Aplicaci
on de la Red Neuronal generada a los datos del
ro Paran
a
Una vez que la red neuronal ya ha sido entrenada puede usarse para pronosticar o
estimar los datos que se estan analizando, si el aprendizaje de la red fue aceptable nos
dara resultados que se acercan a la realidad que se esta modelizando, lo cual se implementa
de la siguiente manera:
Corred=sim(redaj,P98entred);
donde:
Corred : son los resultados que da la red neuronal, luego de aplicar el aprendizaje a
los datos que se le presentan en una situacion en particular.
redaj : es la red neuronal que se usara para pronosticar, que ha sido entrenada
anteriormente.
P98entred : son los datos que se dan a la red neuronal, de un momento determinado para que la red haga el pronostico, en este caso se le estan dando valores
correspondientes a la inundacion de 1998.
En la Tabla de la Figura (5.10), pueden observarse los resultados obtenidos con la Red
Neuronal con Funcion de Penalizacion, puede observarse que los errores en la prediccion
a 3 das se han reducido en algunos casos manteniendo alto en otros, como se observa en
los valores obtenidos de error promedio de 0, 21m, 0, 10m, 0, 13m, y 0, 87m.
127
5.6.
Combinaci
on de Archivos
129
5.7.
En la Tabla de la Figura (5.12), pueden observarse los resultados obtenidos con la Red
Neuronal con funcion de penalizacion, que se detallo en la Seccion (5.5) y los archivos
combinados que se analizaron en la Seccion (5.6).
5.8.
131
132
Captulo 6
Aplicaci
on de Modelos de Redes
Neuronales para Predicci
on a
Mediano Plazo
6.1.
Introducci
on
6.2.
Implementaci
on en Matlab
En este captulo se realiza un pronostico a siete das de las Alturas Hidrometricas del ro
Parana en la localidad de Corrientes, partiendo de los analisis realizados para el pronostico
de tres das, descriptos en el Captulo (5), se trabaja con los datos de alturas hidrometricas
de la estacion de Corrientes y las estaciones ro arriba de las localidades de Iguaz
u, Posadas
e Itat, para los perodos de Inundacion de los a
nos 1990, 1991-1992 y de 1997-1998, por
ser las crecidas que se han presentado luego de la entrada en funcionamiento de la represa
de Yacyreta.
Se aplicaran diferentes modelos de redes neuronales en busca de mejorar el aprendizaje
133
del comportamiento del ro Parana en perodos de inundacion que permita hacer una
prediccion a siete das, la cual es necesaria para realizar con la antelacion suficientes las
medidas preventivas, para la llegada del pico de una inundacion a la ciudad de Corrientes,
siendo siete das los que tarda en llegar la onda de crecida desde la localidad de Puerto
Iguaz
u aproximadamente 650km ro arriba, a la ciudad considerada en este trabajo.
Las diferentes redes neuronales se implementan en Matlab, trabajando tanto con la
Herramienta de redes neuronales - NNStart, como ralizando Programacion en Matlab,
para el desarrollo de redes neuronales mas especficas.
6.2.1.
Para chequear las redes que se generan en esta etapa de investigacion se seguiran los
siguientes pasos:
1. Generar una red con la estructura que se chequea.
2. Iniciar el proceso de prediccion:
a) Se fija un da de partida.
b) Se realiza la prediccion a 7 das.
c) Se avanza un da mas desde el tomado como partida.
d ) Se vuelve a repetir la prediccion a 7 das.
e) Se repiten los pasos c) y d), hasta hacer la prediccion de 11 das consecutivos.
3. Repetir los puntos 1 y 2 hasta tener 10 redes chequeadas.
6.2.2.
134
6.3.
En el analisis con redes neuronales de estructura NAR, las cuales son Redes Dinamicas
recurrente con conexiones de realimentacion de la misma serie de datos, se implementa
usando las alturas hidrometricas de la localidad de Corrientes, donde la informacion de
salida vuelve a realimentar la red neuronal, realizando la prediccion de las alturas en esta
135
6.3.1.
An
alisis de redes NAR con Matlab NNStart
137
138
139
Con esta herramienta de Matlab se analizan las series correspondientes a las dos u
ltimas inundaciones que han superado los 8, 00m, correspondientes a las a
nos de 1991-1992
y de 1997-1998, se entrena la red con datos de una inundacion y la red generada se utiliza para predecir valores del pico maximo de inundacion de la otra crecida, haciendo
verificacion cruzada, para lo cual se trabaja con los siguientes redes NAR y archivos:
NARPIR: entrenada con datos de la Inundaci
on de 1991-1992:
PICtes: Archivo de alturas hidrometricas del ro Parana en la localidad de
Corrientes, correspondiente a los a
nos de inundacion de 1991-1992, con las
cuales la red es entrenada.
PSICtes: Archivo de alturas hidrometricas del ro Parana en la localidad de
Corrientes, correspondiente al pico de la inundacion de los meses de abril y
mayo de 1998, con lo cual la red es probada una vez entrenada.
NARSIR: entrenada con datos de la Inundaci
on de 1997-1998:
SICtes: Archivo de alturas hidrometricas del ro Parana en la localidad de
Corrientes, correspondiente a los a
nos de inundacion de 1997-1998, datos que
se utilizaran para el entrenamiento de la red.
140
Figura 6.9: Red neuronal NAR: Graficos de Resultados y Errores por tiempo de entrenamiento.
Se obtiene que en las 110 predicciones realizadas se tiene un error promedio de 0, 3690m,
presentandose un error por exceso en 68 predicciones lo que representa el 61, 82 % de los
casos y un error por defecto en 42 pronosticos que significa un 38, 18 %, este u
ltimo tipo
de error se indica en la tabla con valores en rojo, por ser el error de mayor riesgo.
Posteriormente se realizaron cinco pruebas con datos de la crecida de 1990 y el error
promedio en valor absoluto se incremento a 0, 5476m, lo que indica que cada inundacion
presenta caractersticas diferentes.
Resultados de Predicci
on a 7 das con NARSIR
Los resultados que se presentan en la tabla de la Figura (6.12), detallan los errores
obtenidos al predecir a 7 das, durante 11 das consecutivos, en el perodo de inundacion
del mes de junio de 1992, con 10 redes diferentes, resultantes estas redes de entrenamientos
distintos de la red NARSIR, como se indica en los pasos del Procedimiento de Chequeo
enumerados en (6.2).
Se presenta en las 110 predicciones realizadas un error promedio de 0, 5251m, un error
por exceso en 29 predicciones, que representa el 26, 36 % de los casos y un error por defecto
en 81 pronosticos que significa un 73, 64 %, este u
ltimo tipo de error se indica en la tabla
con valores en rojo.
142
144
6.3.2.
An
alisis de redes NAR con Programaci
on en Matlab
En una segunda etapa del analisis con redes de estrutura NAR, se utiliza programacion en Matlab, lo que da mayor flexibilidad en la generacion y entrenamiento de la red
neuronal, permitiendo entrenar la red con los datos de ambas inundaciones, 1991-1992
y 1997-1998, buscando mejorar el aprendizaje de la red sobre el comportamiento de ro,
posteriormente la red sera probada con un perodo de crecida correspondiente a los meses
de enero-febrero de 1990.
Concatenaci
on de Archivos
Previo al entrenamiento de la red las series de datos deben ser concatenadas, para salvar la discontinuidad al trabajar con series de datos correspondientes a perodos de inundacion no continuos en el tiempo, al considerarse las inundaciones de los a
nos 1991-1992
y 1997-1998, los cuales se encuentran en archivos separados I-1991-1992 y I-1997-1998
respectivamente, que seran enlazados con la siguiente codificacion de Matlab, donde se indica el encadenamiento de los datos de alturas hidrometricas y sus pesos correspondientes,
de ambos perodos de inundacion:
145
Configuraci
on y Creaci
on de la Red con Estructura NAR
Se especifica en estas lineas de codigo la configuracion y creacion de la red nuronal
con estructura NAR, se indica el retardo de retroalimentacion que tendran las alturas
hidrometricas, que sera del da 1 al 6, la cantidad de neuronas de la capa oculta, que
en este caso tendra 10 neuronas, se define que la red creada sera de estructura NAR
y se establecen los porcentajes de datos que seran destinados a entrenamiento, testeo y
validacion. Posteriormente se entrena la red, se testean los resultados y una vez terminado
el entrenamiento se cierra el ciclo de retroalimentacion de la red.
Resultados de Predicci
on a 7 das con NARIR
Los resultados que se presentan en la tabla de la Figura (6.13), han sido generados
siguiendo los pasos del Procedimiento de Chequeo enumerados en (6.2), se detallan los
errores obtenidos al predecir la altura hidrometrica en la localidad de Corrientes en el
perodo de inundacion de los meses de enero y febrero de 1990.
En las 110 predicciones realizadas se presenta un error promedio de 0, 5879m, que no
presenta ning
un error por exceso y que tiene un error por defecto en los 110 pronosticos,
lo que significa el 100, 00 %, este u
ltimo tipo de error se indica en la tabla con valores en
rojo, por ser el error con mayor coste, que indica que siempre estima por debajo del valor
real del ro.
146
y Testeo
6.3.3.
An
alisis Comparativo de Redes NAR
En la tabla de la Figura (6.14), pueden verse los resultados comparativos de las redes
de arquitectura NAR, NARPIR, NARSIR y NARIR, puede observarse que al comparar los
resultados de los tres redes NAR, es notable que los mejores resultados son los obtenidos
con las red NARPIR, que es la red entrenada con los datos de la inundacion de 1991-1992,
que presenta un error promedio de 0, 3690m, presentando tambien el mayor porcentaje
de errores por exceso de 61, 82 %, el cual es el error de menor coste, tambien es relevante
que la red que ha sido entrenada con las dos inundaciones NARPIR, tienen los error
es mas altos al presentar un error promedio de 0, 5879 % y tambien que el 100 % de las
predicciones presentan errores por defectos que son los error es que tienen un coste mayor,
al hacer pronosticos que quedan por debajo de los valores que alcanza el hidrometro. En
el grafico de la de la Figura (6.15), puede observarse una prediccion con la red NARIR.
6.4.
Las redes neuronales de estructura NARX, son redes de dinamica recurrente con conexiones de realimentacion de las salidas de la misma serie de datos y de las entradas
externas. Para su analisis se implementan usando las alturas hidrometricas de la localidad de Corrientes que es la estacion a predecir la altura hidrometrica y como entradas
exogenas se consideraran los datos de las estaciones ro arriba de Iguaz
u, Posadas e Itat.
En este tipo de redes la informacion de salida vuelve a realimentar la red neuronal, como
las entradas externas y se analiza si al contar con los datos de la estacion, mas informacion de las estaciones anteriores en ubicacion en las margenes del ro que la localidad a
predecir, mejora la prediccion de las alturas hidrometricas en la localidad de Corrientes.
6.4.1.
An
alisis de redes NARX con Matlab NNStart
de la red porque se visualizan las iteraciones y los errores de ajustes que se estan dando, tambien se presentan opciones que permiten visualizar graficamente los siguientes
resultados:
Rendimiento del Entrenamiento, ver Figura (6.19),
Instancias del Entrenamiento,
Histograma de los Errores de Entrenamiento, ver Figura (6.20),
Graficos de Regresion, ver Figura (6.21),
Graficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.22),
Error de Autorregresion, ver Figura (6.23).
Correlacion de Error y Entrada.
148
Figura 6.16: Matlab-NNStart-NARX:: Izq.:Ingreso archivo de datos de alturas de la Ciudad de Corrientes. Dcha.: Seleccion de porcentaje de datos de Entremiento, Testeo y
Validacion.
150
151
Figura 6.18: Red neuronal NARX: Visualizacion del Entrenamiento y los Resultados.
152
153
Con las opciones que presenta esta herramienta de Matlab se analizan las series temporales correspondientes a las dos u
ltimas inundaciones que han superado los 8, 00m,
correspondientes a las a
nos de 1991-1992 y de 1997-1998, se entrena la red con datos de
una inundacion con los datos correspondientes a la estacion de Corrientes y las estaciones
de Puerto Iguaz
u, Posadas e Itat.
La red generada se utiliza para predecir valores del pico maximo de inundacion de la
otra crecida, para la localidad de Corrientes, haciendo verificacion cruzada, trabajandose
con los siguientes archivos:
NARXPIR: entrenada con datos de la Inundaci
on de 1991-1992:
PICtes: Archivo de alturas hidrometricas del ro Parana en la localidad de
Corrientes, correspondiente a los a
nos de inundacion de 1991-1992, con el cual
la red es entrenada.
PIOE : Archivo de alturas hidrometricas del ro Parana en las localidades de
Puerto Iguaz
u, Posadas e Itat, correspondiente a los a
nos de inundacion de
1991-1992, con el cual la red es entrenada.
PSICtes: Archivo de alturas hidrometricas del ro Parana en la localidad de
Corrientes, correspondiente al pico de la inundacion meses de abril y mayo de
1998, con el cual la red es probada una vez entrenada.
154
Figura 6.22: Red neuronal NARX: Graficos de Resultados y Errores por tiempo de entrenamiento.
155
Resultados de Predicci
on a 7 das con NARXPIR
Los resultados de la prediccion a siete das con la red neuronal NARXPIR puede
observarse en la tabla de la Figura (6.24), que ha sido generada siguiendo los pasos
del Procedimiento de Chequeo enumerados en (6.2), se detallan los errores obtenidos al
predecir la altura hidrometrica en la localidad de Corrientes en el perodo de inundacion
de los meses de abril y mayo de 1998 con una antelacion de 7 das.
En las 110 predicciones realizadas se tiene un error promedio de 0, 6950m, presentandose un error por exceso en 88 predicciones lo que representa el 80, 00 % de los casos y un
error por defecto en 22 pronosticos que significa un 20, 00 %, este u
ltimo tipo de error se
indica en la tabla con valores en rojo.
Resultados de Predicci
on a 7 das con NARXSIR
Los resultados de prediccion a 7 das con la red neural NARXSIR, con los valores de
la inundacion del mes de junio de 1992, con 10 redes diferentes, resultantes estas redes
de entrenamientos distintos de la red NARXSIR, se presentan en la tabla de la Figura
(6.25).
Se observa que en las 110 predicciones realizadas se presenta un error promedio de
0, 4924m, un error por exceso en 11 predicciones, que representa el 10, 00 % de los casos y
un error por defecto de 99 pronosticos que significa un 90, 00 %, este u
ltimo tipo de error
se indica en la tabla con valores en rojo.
6.4.2.
An
alisis de redes NARX con Programaci
on en Matlab
En una segunda etapa del analisis con redes de estrutura NARX, se utiliza programacion en Matlab, para la generacion y entrenamiento de la red neuronal en manera
manual, permitiendo entrenar la red con los datos de ambas inundaciones, 1991-1992 y
1997-1998, buscando con ello mejorar el aprendizaje sobre el comportamiento de ro en
perodos crticos de inundacion, porteriormente la red sera probada con un perodo de
crecida correspondiente a los meses de enero-febrero de 1990.
156
Concatenaci
on de Archivos
Al trabajar con series de datos de las inundaciones de 1991-1992 y de 1997-1998, las
series deben ser concatenadas, para salvar la discontinuidad de fechas y se encuentan en
diferentes archivos, I-1991-1992 y I-1997-1998. Con la siguiente codificacion de Matlab,
se indica el encadenamiento de los datos de las alturas hidrometricas de las estaciones de
Corrientes que es la estacion a estimar y que corresponde a los targets de la red, como
de las estaciones de Puerto Iguaz
u, Posadas e Itat, que seran las entradas exogenas de la
red y sus pesos correspondientes, en ambos perodos de inundacion:
157
Configuraci
on y Creaci
on de la Red con Estructura NARX
Se especifica es estas lneas de codigo la generacion de la red neuronal con estructura
NARX, se indica el retardo de retroalimentacion que tendran las alturas hidrometricas
de la ciudad de Corrientes, que sera del da 1 al 6, el retardo que tendran las entradas
externas que son los datos de las estaciones de Puerto Iguaz
u, Posadas e Itat, la cual
sera tambien del da 1 al 6, que la capa oculta tendra 10 neuronas y que la red creada sera
de estructura NARX, se establecen ademas los porcentajes de datos que seran destinado a
entrenamiento, testeo y validacion, posteriosmente se entrena la red, se testean los resultados y una vez terminada la etapa de entrenamiento se cierra el ciclo de retroalimentacion
de la red.
Resultados de Predicci
on a 7 das con NARXIR
Los resultados de prediccion a 7 das con NARXIR se presentan en la tabla de la
Figura (6.26), la cual ha sido generada siguiendo los pasos del Procedimiento de Chequeo enumerados en (6.2), donde se detallan los errores obtenidos al predecir la altura
158
6.4.3.
An
alisis Comparativo de Redes NARX
6.5.
Con las opciones que brinda la programacion de Matlab, se desarrolla una red neuronal
con estructura NARX, con varias capas, lo que la diferencia de las redes generadas con la
herramienta NNStart de Matlab, que tienen una sola capa oculta, se genera en este caso
una red con cuatro capas ocultas, con la siguientes cantidad de neuronas en cada capa:
6.5.1.
Configuraci
on y Creaci
on de la Red con estructura NARX
Multicapa
La red NARX Multicapa se entrena con las alturas hidrometricas de las inundaciones
de 1991-1992 y 1997-1998, por lo cual las seres de datos seran concatenadas, como se
detalla en (6.4.2) y se entrena la red con los datos de ambas inundaciones porque los
resultados obtenidos en (6.4.3), indican que la red entrenada de esta manera, predice con
mas precision, posteriormente la red se prueba con el perodo de crecida correspondiente
a los meses de enero-febrero de 1990.
La red que se genera tiene retroalimentacion tanto de la serie que predice, alturas
hidrometricas en la ciudad de Corrientes, como de las entradas externas que corresponden
a las alturas del ro en las estaciones de Puerto Iguaz
u, Posadas e Itat, tendran todas las
series un retardo del da 1 al 6.
Tambien se especifican las funciones que se implementaran en cada capa de la red y se
indican los porcentajes de datos que seran destinado a entrenamiento, testeo y validacion.
Posteriormente se entrena la red, se testean los resultados y una vez terminado el
entrenamiento se cierra el ciclo de retroalimentacion de la red y se generan reportes por
serie de datos, en este caso se generan los reportes para cada perodo de inundacion
utilizado en el entrenamiento.
La definicion de la red neuronal NARXMulti, con las caractersticas que se detallaron
pueden analizarse en la siguiente seccion de codigo:
redRP.divideParam.trainRatio = 85/100;
redRP.divideParam.valRatio = 15/100;
redRP.divideParam.testRatio = 0/100;
% Entrena la Red
[redRP,tr]=train(redRP,inputs,targets,inputStates,layerStates);
% Testea la Red
outputs = redRP(inputs,inputStates,layerStates);
performance = perform(redRP,targets,outputs);
errors = gsubtract(targets,outputs);
% Grafica los resultados del entrenamiento por cada serie
salida1=getsamples(outputs,1);
salida2=getsamples(outputs,2);
target1=getsamples(targets,1);
target2=getsamples(targets,2);
plotresponse(target1,salida1)
plotresponse(target2,salida2)
% Cierra la red para generar la retropropagaci
on
NARXMultiCtes = closeloop(redRP);
161
165
166
167
168
Figura 6.33: Red neuronal NARXMultiCtes: Graficos de Resultados y Errores por tiempo
de entrenamiento.
6.5.2.
Resultados de Predicci
on a 7 das con NARXMultiCtes
Los resultados de prediccion a 7 das con la red neuronal NARXMultiCtes se presentan en la tabla de la Figura (6.35), la cual ha sido generada siguiendo los pasos del
Procedimiento de Chequeo enumerados en (6.2), donde se detallan los errores obtenidos al
predecir la altura hidrometrica en la localidad de Corrientes en el perodo de inundacion
de los meses de enero y febrero de 1990, en la Figura (6.36), puede observarse el resultado
de una de esas predicciones.
Analizando las 110 predicciones realizadas se observa un error promedio de 0, 5839m,
que presenta 34 predicciones con error por exceso que representan el 30, 91 % y que tiene
un error por defecto en los 76 pronosticos, lo que significa el 69, 09 %, este u
ltimo tipo de
error se indica en la tabla con valores en rojo, por ser el error con mayor coste.
6.6.
Combinaci
on de Redes FTDNN, NAR y NARX
Multicapa
6.6.1.
Configuraci
on y Creaci
on de la Red integrando diferentes
arquitecturas de redes
Con las siguientes lneas de codigo se genera la red con retardo de tiempos, que sera entrenada con las alturas hidrometricas de las estaciones de Puerto Iguaz
u, Posadas e Itat,
esta aporta la informacion de las estaciones que se encuentra ro arriba, en territorio
argentino.
170
171
X = inputSeries;
% Define los target, Alturas de Corrientes
T = targetSeries;
% Crea la Red con retardos de tiempos
net = timedelaynet(2:8,5);
% Prepara los datos
[Xs,Xi,Ai,Ts] = preparets(net,X,T);
% Entrena la Red
net = train(net,Xs,Ts,Xi,Ai);
view(net);
Y = net(Xs,Xi,Ai);
% Evalua la red
perf = perform(net,Ts,Y);
NRTOtEst= net;
172
%
NARCtes: Alturas de Corrietnes
inputDelays = 2:8;
feedbackDelays = 1:3;
redRP3 = narxnet(inputDelays,feedbackDelays,[5 3 1 3]);
redRP3.inputConnect(1,2)=0;
redRP3.inputConnect(2,2)=0;
redRP3.inputConnect(2,1)=0;
redRP3.inputConnect(2,2)=1;
redRP3.layerConnect(3,1)=1;
redRP3.layerConnect(3,2)=0;
redRP3.layerConnect(2,1)=0;
175
176
redRP3.layerConnect(4,2)=1;
redRP3.inputWeights{1,1}.delays=inputDelays;
redRP3.inputWeights{2,2}.delays=feedbackDelays;
%Prepara los archivos como los necesita NARX
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP3,inputSeries,{},targetSeries,ew);
% Divisi
on datos para entrenamiento, validaci
on y testeo
redRP3.divideParam.trainRatio = 90/100;
redRP3.divideParam.valRatio = 10/100;
redRP3.divideParam.testRatio = 0/100;
% Se configura la estructura de la red
redRP3=configure(redRP3,inputs,targets);
% Capas 1 se toman de NRTOtEst y
% Capas 2 se toman de NARCtes
redRP3.IW{1,1}=NRTOtEst.IW{1,1};
redRP3.inputWeights{1,1}.learn=false;
redRP3.LW{3,1}=NRTOtEst.LW{2,1};
redRP3.layerWeights{3,1}.learn=false;
redRP3.IW{2,2}=NARCtes.IW{1,1};
redRP3.b{1}=NRTOtEst.b{1};
redRP3.biases{1}.learn=false;
redRP3.b{3}=NRTOtEst.b{2};
redRP3.biases{3}.learn=false;
redRP3.b{2}=NARCtes.b{1};
%redRP3.biases{2}.learn=false;
% Se prepara los datos para la Red
[inputs,inputStates,layerStates,targets] =
preparets(redRP3,inputSeries,{},targetSeries);
% Se entrena la Red
[redRP3,tr] = train(redRP3,inputs,targets,inputStates,layerStates);
Terminado el primer entrenamiento de la red, se realiza el cierre del lazo de retroalimentacion y se precede nuevamente a entrenar la red con lazo cerrado, este es un
entrenamiento con mayor coste computacional y que demora mayor tiempo, el codigo
correspondiente se detalla a continuacion.
177
Figura 6.41: Red neuronal NARX Multicapa: Red cuyas entradas son las salidas de las
redes NRTOtEst y NARCtes, estructura y resultados de la primer etapa de entrenamiento.
178
% Preparaci
on de los Archivos
[inputs,inputStates,layerStates,targets] =
preparets(DLNI,inputSeries,{},targetSeries);
DLNI.divideParam.trainRatio = 80/100;
DLNI.divideParam.valRatio = 20/100;
DLNI.divideParam.testRatio = 0/100;
% Entrenamiento de la Red con lazo de retroalimentaci
on cerrado
[redRP3,tr] = train(DLNI,inputs,targets,inputStates,layerStates);
% Test de la Red
outputs3 = redRP3(inputs,inputStates,layerStates);
performance3 = perform(redRP3,targets,outputs3);
errors3 = gsubtract(targets,outputs3);
% Graficas con resultados del entrenamiento
salida1=getsamples(outputs3,1);
salida2=getsamples(outputs3,2);
target1=getsamples(targets,1);
target2=getsamples(targets,2);
plotresponse(target1,salida1)
plotresponse(target2,salida2)
FtdnnNarNarxMCtes = redRP3;
En la ventana de la Figura (6.42), puede seguirse el proceso de este segundo ajuste de la red, porque se visualizan las iteraciones y los errores de ajustes que se estan
dando, tambien se presentan opciones que permiten visualizar graficamente los siguientes
resultados:
Rendimiento del Entrenamiento, ver Figura (6.43),
Instancias del Entrenamiento,
Histograma de los Errores de Entrenamiento, ver Figura (6.44),
Graficos de Regresion, ver Figura (6.45),
Graficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.46),
Error de Autorregresion, ver Figura (6.47),
Correlacion de Error y Entrada.
179
Figura 6.42: Red neuronal FtdnnNarNarxMCtes: Red cuyas entradas son las salidas de
las redes NRTOtEst y NARCtes, detalle de la estructura con lazo de retroalimentacion
cerrado y los resultados de la segunda etapa de entrenamiento.
180
181
6.6.2.
Resultados de Predicci
on a 7 das con FtdnnNarNarxMCtes
6.7.
Combinaci
on de Redes NLP y NARX Multicapa
183
184
segunda capa intentando reproducir la primera, cuyos pesos se han congelado y lo mismo
sucesivamente en las siguientes. Finalmente se a
naden las tres redes con estructura NARX
Multicapa y se realiza un ajuste completo de la red, partiendo de los pesos obtenidos en
los autocodificadores para las capas precedentes que son pasados a las capas de las redes
NARX Multicapa.
Esta red neuronal combina dos tipos de arquitecturas de redes, para realizar la prediccion integrandolas de la siguiente manera:
NLP-Redes neuronales de aprendizaje profundo: Por las caractersticas de estas redes de tener mas capas que le permite aprender las relaciones subyacentes de la
informacion. En una primera etapa se ingresaran las alturas hidrometricas de las
estaciones de Puerto Iguaz
u, Posadas, Itat y Corrientes, dejando que los autocodificadores procedan a establezcer los pesos iniciales que luego se pasaran a las demas
redes NARX Multicapa.
NARX Multicapa-Redes neuronales con retroalimentacion: Se tendran tres redes con
esta estructura de capas y de neuronas por capa:
redRP1 : Las entradas seran las alturas hidrometricas de las estaciones de Puerto Iguaz
u, Posadas, Itat y Corrientes, pero los pesos iniciales seran pasados
por los autocodificadores.
redRP2 : Las entradas seran las alturas hidrometricas de las estaciones de Puerto Iguaz
u, Posadas, Itat y Corrientes, pero los pesos iniciales seran pasados
por los autocodificadores.
redRP3 : Las entradas seran las alturas hidrometricas de las estaciones de Puerto Iguaz
u, Posadas, Itat y Corrientes y en su estructura toma 2 capas de
redRP1 y las otras dos capas las toma de redRP2.
185
6.7.1.
Configuraci
on y Creaci
on de la Red integrando diferentes
arquitecturas de redes
186
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% PRIMERA RED (Red NLP)
%
%Ingreso de datos para la red Profunda
datos=[CorrientesH1,CorrientesH2,CorrientesH3,CorrientesH4,
CorrientesH5,CorrientesH6,PtoIguazuH1,PosadasH1,ItatiH1,
PtoIguazuH2,PosadasH2,ItatiH2,PtoIguazuH3,PosadasH3,
ItatiH3,PtoIguazuH4,PosadasH4,ItatiH4,PtoIguazuH5,
PosadasH5,ItatiH5,PtoIguazuH6,PosadasH6,ItatiH6];
objet=[CorrientesH];
% Se Preparan los datos para la red NLP
p=datos;
t=objet;
maxt=max(t);
% PARA QUE LOS VALORES QUEDEN ENTRE 0 Y 1
maxp=max(p,[],2);
minp=min(p,[],2);
dp=maxp-minp;
dmin=repmat(minp,1,1449);
ddp=repmat(dp,1,1449);
pesc=(p-dmin)./ddp;
opc.batchsize=23;
opc.numepochs=67;
paj=pesc;
% Se determinan las neuronas por capa
autocod=saesetup([24 16 8 5 3]);
autocod.ae{1}.learningRate=1;
autocod.ae{2}.learningRate=1;
autocod.ae{3}.learningRate=1;
autocod.ae{4}.learningRate=1;
% Se entrena la red NLP
autocod=saetrain(autocod,paj,opc);
187
redRP2.LW{2,1}=autocod.ae{2}.W{1};
redRP2.layerWeights{2,1}.learn=true;
redRP2.LW{3,2}=autocod.ae{3}.W{1};
redRP2.layerWeights{3,2}.learn=true;
redRP2.LW{4,3}=autocod.ae{4}.W{1};
redRP2.layerWeights{4,3}.learn=true;
redRP2.b{1}=autocod.ae{1}.b{1};
redRP2.biases{1}.learn=false;
redRP2.b{2}=autocod.ae{2}.b{1};
redRP2.biases{2}.learn=true;
redRP2.b{3}=autocod.ae{3}.b{1};
redRP2.biases{3}.learn=true;
redRP2.b{4}=autocod.ae{4}.b{1};
redRP2.biases{4}.learn=true;
% Prepara los datos para el entrenamiento
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP2,inputSeries,{},targetSeries,ew);
% Entrena la red iniciando con los pesos pasados
% de los los autocodificadores
[redRP2,tr] =
train(redRP2,inputs,targets,inputStates,layerStates,ew1);
% Test the Network
outputs2 = redRP2(inputs,inputStates,layerStates);
performance2 = perform(redRP2,targets,outputs2);
errors2 = gsubtract(targets,outputs2);
La red redRP3 se crea con la estructura de redes NARX Multicapa y con un retardo
de 6 das, tanto en los datos de la serie como en los entradas externas, luego se realiza un
primer entrenamiento y a continuacion los pesos de sus capas se importan de la siguiente
manera:
Capas 1 y 2 se toman de redRP1
Capas 3 y 4 se toman de redRP2
%%% CUARTA RED
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% Crea tercera red con estructura NARX Multicapa
% con entradas externar
191
% Especificaci
on de los retardos
inputDelays = 1:6;
feedbackDelays = 1:6;
% Crea la Red con estructura
NARX Multicapa
1 y 2 se toman de redRP1
3 y 4 se toman de redRP2
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP3,inputSeries,{},targetSeries,ew);
% Segundo entrenamiento de la red con los pesos inicializados
[redRP3,tr] =
train(redRP3,inputs,targets,inputStates,layerStates,ew1);
% Test de la Red
outputs3 = redRP3(inputs,inputStates,layerStates);
performance3 = perform(redRP3,targets,outputs3);
errors3 = gsubtract(targets,outputs3);
% Graficos de resultados
salida1=getsamples(outputs3,1);
salida2=getsamples(outputs3,2);
target1=getsamples(targets,1);
target2=getsamples(targets,2);
plotresponse(target1,salida1)
plotresponse(target2,salida2)
NlpNarxMCtes = closeloop(redRP3);
En la ventana de la Figura (6.50), puede seguirse el proceso de este segundo ajuste de la red, porque se visualizan las iteraciones y los errores de ajustes que se estan
dando, tambien se presentan opciones que permiten visualizar graficamente los siguientes
resultados:
Rendimiento del Entrenamiento, ver Figura (6.51),
Instancias del Entrenamiento,
Histograma de los Errores de Entrenamiento, ver Figura (6.52),
Graficos de Regresion, ver Figura (6.53),
Graficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.54),
Error de Autorregresion, ver Figura (6.55),
Correlacion de Error y Entrada.
193
Figura 6.50: Red neuronal NlpNarxMCtes: Red resultante de la integracion de una red
NLP y tres redes NARX Multicapa, visualizacion de estructura final y resultados del
entrenamiento
194
195
196
Figura 6.54: Red neuronal NlpNarxMCtes: Graficos de Resultados y Errores por tiempo
de entrenamiento.
6.7.2.
Resultados de Predicci
on a 7 das con FtdnnNarNarxMCtes
Los resultados que se obtienen al realizar la prediccion a 7 das con FtdnnNarNarxMCte se presentan en la tabla de la Figura (6.56), la cual ha sido generada siguiendo los
pasos del Procedimiento de Chequeo enumerados en (6.2), donde se detallan los errores
obtenidos al predecir la altura hidrometrica en la localidad de Corrientes en el perodo de
inundacion de los meses de enero y febrero de 1990, en la Figura (6.57), puede observarse
el resultado de una de esas predicciones.
Al analizar las 110 predicciones realizadas se presenta un error promedio de 0, 2218m,
que presenta 65 predicciones con error por exceso que representan el 59, 09 % y que tiene
un error por defecto en los 45 pronosticos, lo que significa el 40, 91 %, este u
ltimo tipo de
error se indica en la tabla con valores en rojo, por ser el error con mayor coste.
6.8.
errores por exceso con un porcentaje del 86, 36 %, siendo este el error de menor coste y la
red NARIR: con estructua NAR con 1 capa oculta con 10 neuronas, es la que presenta el
mayor pocentaje de error por defecto, al presentarlo en el 100, 00 % en las predicciones,
siendo este el error de mayor coste, por estar siempre estimando por debajo de los errores
reales del ro.
La red que presenta el menor error promedio en valor absoluto es la red NlpNarxMCtes
que integra una red NLP y tres redes NARX Multicapa, presentando ademas un error por
exceso en el 59, 09 % de la predicciones y un error por defecto en el 40, 91 % de los casos.
198
Figura 6.58: Errores Comparativos de Prediccion a 7 das con diferentes Redes Neuronales
200
Captulo 7
An
alisis de los Resultados Obtenidos
7.1.
Pulso 2
7.2.
Predicci
on con Pulso 2
7.3.
Comparaci
on de Resultados con Pulso 2
203
205
206
Conclusiones
El presente trabajo incorpora algunas innovaciones al utilizar Sistemas Inteligentes
para el ajuste de Modelos Hidrologicos y aplicarlos en la Prediccion de las alturas hidrometricas del ro Parana en la localidad de Corrientes, Argentina.
La conclusion fundamental, cara a la gestion correcta de las emergencias de inundacion,
es que estos modelos permiten una prediccion con resultados aceptables y u
tiles ya que
22 cm de precision con 7 das de antelacion puede ser la diferencia entre tomar medidas
adecuadas o sufrir cuantiosas perdidas.
En el desarrollo del trabajo puede apreciarse que se comenzo con un primer analisis con
series temporales que se presentaron en el Captulo (4); se obtenian errores significativos
en los pronosticos, pero permitio conocer la dependencia de la Altura del ro a predecir
respecto a los distintos datos, descartando las variables meteorologicas y de caudales que
no tenian incidencia directa en la altura del ro.
De ello tambien esta tesis ha permitido obtener otra conclusion, que la conducta del
ro Parana en su paso por Corrientes esta dominada por su propia dinamica en ese tramo
y solo en menor medida por la evolucion de tramos anteriores.
En la Prediccion a Corto Plazo los mejores resultados se obtuvieron con redes neuronales en las que se ha implementado la Funcion de Penalizacion del Error que se propone,
que se ha detallado en el Captulo(5) en las Secciones (5.4), (5.6) y (5.7) y han sido entrenadas con archivos de varias inundaciones, obteniendose en la prediccion a tres das los
siguientes valores, los cuales son u
tiles en general y permiten mejorar los resultados obtenidos con los otros modelos por presentar un error en valor absoluto bajo y un porcentaje
de errores por defecto del 20, 00 %:
Error Promedio en Valor Absoluto de: 0, 12m
Presenta Error por Exceso en el 80, 00 % de las predicciones
Presenta Error por Defecto en el 20, 00 % de las predicciones.
207
208
Bibliografa
M. Gutierrez.
Introduccion a las Redes Neuronales.
sidad de Cantabria, Espa
na, Consultado: 23 de febrero
http://personales.unican.es/gutierjm/docs/tut RedesNeuro.pdf.
Univerde 2013.
Corrientes.
W. F. Laqui Vilca.
Aplicacion del Modelo AcquaNet.
Masters thesis,
Maestria en Recursos Hdricos-Universidad Nacional Agraria La Molina, Peru,
http://usuarios.multimania.es/lcastillonavarro/Aplicacion %20labsid.pdf, junio 2007.
E.
M. R. Spiegel. Estadstica - Serie de Compendios Schaum - Teora y Problemas. McGrawHill, Cali, Colombia, 1978.
G. Tkacz and S. Hu. Forecasting GDP growth using Artificial Neural Networks. Working
Paper 99-3. Bank of Canada. 1999.
Tutoriales. Tutoriales Ingenieria Civil - Algunos Parametros de Forma y Dreanaje de la Cuenca Hidrografica y su relacion con el Tiempo de Concentracion.
http://ingenieriacivil.tutorialesaldia.com/algunos-parametros-de-forma-ydrenaje-de-la-cuenca-hidrografica-y-su-relacion-con-el-tiempo-de-concentracion/, Consultado: 19 de febrero de 2013.
G. d. E. d. A. e. d. M. A. UDC.
Modelizacion del Estuario Superior
del Ro Oka. Reserva de la Biosfera de Urdaibai-Universidade da Coru
na.
http://www.ingurumena.ejgv.euskadi.net/contenidos/plan programa proyecto /restauracion estuario oka/es doc/adjuntos/ANEJO4.pdf, julio 2011.
UNICAN. Grupo de Emisarios Submarinos e Hidraulica Ambiental - Estudio de Recursos
Hdricos - Anejo2. UNICAN, Santander, Espa
na, diciembre 2004.
UNNE, N. I. Basterra, M. A. Valiente, and G. Glibota. Evaluacion del riesgo ambiental
por inundacion con SIG del valle fluvial del Ro Parana proximo a los n
ucleos urbanos
de Resistencia y Corrientes-Centro de Gestion Ambiental y Ecologa - CEGAE - Universidad Nacional del Nordeste. http://www.unne.edu.ar/, Consultado: 6 de febrero de
2010.
J.
P.
M.
Vide.
Modelos
Fsicos
de
Ros
en
lecho
fijo
y
movil
Universidad
Politecnica
de
Catalu
na.
http://www.imta.gob.mx/potamologia/images/docs/evento/JuanPedroMartinVide2.
pdf, Consultado: 8 de febrero de 2013.
212
Indice de figuras
1.
Atardecer en el ro Parana. . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.
Atardecer en el ro Parana. . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.
4.
5.
. . . . . . . . . 170
219
. . . . . . . . . . . . . . . . . . . . 206
220
Indice alfab
etico
algoritmos evolutivos, 33, 80
algoritmos geneticos, 33, 65, 80, 81, 201, 202
altura hidrometrica
media, 111
alturas hidrometricas, 31, 74, 8688, 90, 95
98, 105, 117, 133, 135, 136, 140, 141,
145147, 154, 156158, 160, 169, 170,
173, 185, 186, 188, 201203, 207, 208
media, 111
aprendizaje, 133, 145, 156, 185, 186
aproximacion, 44, 65, 66, 68, 75
arquitecturas de red, 69, 185
aspectos hidrologicos, 15
222