U N I V ERSI DAD DE CAN T ABRI A

T e sis Doc t ora l

Sistemas Inteligentes para el ajuste
de Modelos Hidrolgicos.
Aplicacin al Ro Paran

Mara del Carmen Montserrat la Red Martnez

Doc t ora do e n M a te m t ic a s y Com puta c in

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

U N I V ERSI DAD DE CAN T ABRI A

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

T e sis Doc t ora l pa ra a lc a nza r e l gra do de

Doc t or e n M a t e m t ic a s y Com puta c in

Sistemas Inteligentes para el ajuste

de Modelos Hidrolgicos.
Aplicacin al Ro Paran
Realizada por:

Mara del Carmen Montserrat la Red Martnez

Bajo la direccin del:

Dr. Jos Luis Crespo Fidalgo

Presentada en el:
Departamento de Matemtica Aplicada y Ciencias de la Computacin

Santander, Julio 2013

Pgina de Evaluacin
Doctorando:

Mara del Carmen Montserrat

la Red Martnez
Dr. Jos Luis Crespo Fidalgo

Director Tesis Doctoral:

Integrantes del Tribunal

...................................................................
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

Estado del Conocimiento y Marco de Referencia

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

1.3.8. Fuentes de Datos para el Desarrollo de la Tesis . . . . . . . . . . . . 30

1.4. Estructura de la Tesis

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2. Estado del Conocimiento

33

2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2. Procesos Estocasticos

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1

2.3. Procesos Deterministas Caoticos . . . . . . . . . . . . . . . . . . . . . . . . 36

2.4. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1. Modelos Fsicos. Caso de Ros . . . . . . . . . . . . . . . . . . . . . 38
2.4.2. Series Temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.3. Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.5. Redes Estaticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.5.1. Redes Multicapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.5.2. Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.6. Redes Dinamicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.6.1. La Red de Hopfield . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.6.2. Redes con Retraso de Tiempo-FTDNN . . . . . . . . . . . . . . . . 73
2.6.3. Redes con Estructura NAR . . . . . . . . . . . . . . . . . . . . . . 73
2.6.4. Redes con Estructura NARX . . . . . . . . . . . . . . . . . . . . . 75
2.7. Redes Profundas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.7.1. Autocodificadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.8. Algoritmos Evolutivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.8.1. Mecanismos de Cambio en la Evolucion . . . . . . . . . . . . . . . . 79
2.8.2. Algoritmos Geneticos . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3. Descripci
on Estadstica del ro Paran
a

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

6.2.2. Matlab - Herramienta de Redes Neuronales - NNStart . . . . . . . . 134

6.3. Implementaciones con Redes Neuronales con Estructura NAR . . . . . . . 135
6.3.1. Analisis de redes NAR con Matlab NNStart . . . . . . . . . . . . . 136
6.3.2. Analisis de redes NAR con Programacion en Matlab . . . . . . . . . 145
6.3.3. Analisis Comparativo de Redes NAR . . . . . . . . . . . . . . . . . 147
6.4. Implementaciones con Redes Neuronales con Estructura NARX . . . . . . 147
6.4.1. Analisis de redes NARX con Matlab NNStart . . . . . . . . . . . . 147
6.4.2. Analisis de redes NARX con Programacion en Matlab . . . . . . . . 156
6.4.3. Analisis Comparativo de Redes NARX . . . . . . . . . . . . . . . . 159
6.5. Red Neuronal con Estructura NARX Multicapa . . . . . . . . . . . . . . . 159
6.5.1. Configuracion y Creacion de la Red con estructura NARX Multicapa160
6.5.2. Resultados de Prediccion a 7 das con NARXMultiCtes . . . . . . . 169
6.6. Combinacion de Redes FTDNN, NAR y NARX Multicapa . . . . . . . . . 169
6.6.1. Configuracion y Creacion de la Red integrando diferentes arquitecturas de redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
6.6.2. Resultados de Prediccion a 7 das con FtdnnNarNarxMCtes . . . . 182
6.7. Combinacion de Redes NLP y NARX Multicapa . . . . . . . . . . . . . . . 182
6.7.1. Configuracion y Creacion de la Red integrando diferentes arquitecturas de redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6.7.2. Resultados de Prediccion a 7 das con FtdnnNarNarxMCtes . . . . 197
6.8. Resultados Comparativos de Predicciones a Mediano Plazo . . . . . . . . . 197
7. An
alisis de los Resultados Obtenidos

201

7.1. Pulso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201

7.2. Prediccion con Pulso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.3. Comparacion de Resultados con Pulso 2 . . . . . . . . . . . . . . . . . . . 202
Conclusiones

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.

Figura 1: Atardecer en el ro Parana.

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.

Figura 2: Atardecer en el 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

Figura 3: Ubicacion de la Provincia de Corrientes en la Rep

ublica Argentina.

Figura 4: Imagen satelital de la region mesopotamica donde se ubica la provincia de

Corrientes.

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.

hasta el 2000 las inundaciones y vendavales en Corrientes provocaron perdidas por un

valor de 70 millones de dolares. A los desastres naturales se agregan situaciones de vulnerabilidad generadas por la precaria infraestructura vial, falta de acceso a servicios basicos
y cobertura social para grandes sectores de la poblacion. El impacto de los desastres naturales y antropicos en Corrientes adquiere una considerable dimension, consigna el informe
que a su vez se nutre de datos registrados por la Red DesInventar, [DesInventar, 2010] y
[DesEnredando, 2010], orientada al estudio y prevencion de desastres en America Latina.
Desde 1982 hasta el a
no 2000, las perdidas ocasionadas por inundaciones, especialmente
la ocurrida durante 1998, se estiman en los 70.000.000 de dolares. En la cifra tambien se
encuentran los perjuicios ocasionados por vendavales durante el mismo perodo, aunque
estos fenomenos implican una incidencia menor en la provincia.
Mientras que con la cifra de 64.150.100 dolares el total de perdidas por inundaciones alcanza el 91.4 % del total de perdidas por desastres, los perjuicios ocasionados por
vendavales abarcan solo un 7.6 %, que se traduce en 6.000.000 de dolares. Los mayores
da
nos economicos se produjeron durante 1998 y afectaron especialmente al sector agrcolaganadero.
Los fenomenos hidrometereologicos, inundaciones por precipitaciones o por crecientes
de recursos hdricos, constituyen las principales amenazas de riesgo. Las caractersticas del
relieve correntino perfilan esta situacion: grandes planicies aluviales y enorme presencia
de recursos hdricos superficiales, con el 97,6 % del permetro provincial formado por ros,
no obstante, amenazas similares se presentan en todo el resto de la region del noreste
argentino, conocida como NEA.
Por toda la problematica que presenta la Provincia de Corrientes ante la permanente amenaza de inundaciones en especial, aquellas provocadas por el ro Parana, por la
morfologa del terreno, es de suma importancia contar en la provincia con un estudio pormenorizado y relevante, sobre el comportamiento del ro Parana, que permita previamente
poder analizar las situaciones de crecida del ro con una antelacion suficiente, permitiendo de esta forma organizar con tiempo necesario las tareas inherentes de evacuacion y
refuerzo de las defensas costeras, contra las inundaciones; cuyas obras tendran caracter
de provisorias, algunas de ellas, pero el analisis de los resultados que se obtuvieran, sera
la base para el dise
no de las defensas definitivas contra las inundaciones.
11

Por todo lo mencionado, al llegar el momento de seleccionar el tema de la presente

Tesis Doctoral: Sistemas Inteligentes para el ajuste de Modelos Hidrol
ogicos.
Aplicaci
on al ro Paran
a, el factor determinante a tener en consideracion fue el de
elegir un tema que me permitiese desarrollar investigaciones, que enriquecieran mi formacion profesional y a su vez que las mismas, con los resultados que se obtuviesen en
consecuencia, pudieran posteriormente redundar no solo en un beneficio para la provincia
de Corrientes sino tambien para toda la region del NEA, terru
no en el que vivo y desempe
no mis labores. Este objetivo perseguido, con polticas de Estado acordes al tema que
nos ocupa y medidas implementadas en un Mediano Plazo, redundaran sin lugar a dudas
en un amplio beneficio para toda la sociedad.
Considerando ademas el hecho de haber trabajado en el Ministerio de Obras y Servicios P
ublicos de la Provincia de Corrientes, en la Direccion de Hidraulica, en el Centro de
Informatica Hdrica, y al ser miembro del Equipo de Emergencia Hdrica de la Provincia
de Corrientes, en las inundaciones que azotaron a la region en el a
no 1992, me permitio apreciar en el lugar de los hechos y con toda claridad, la gravedad de una emergencia
provincial producida por inundaciones.
El proyecto de la presente Tesis Doctoral, fue presentado ante el Ministerio de Obras y
Servicios P
ublicos de la Provincia de Corrientes, obteniendose el aval total al proyecto por
parte del Ing Anibal D. Godoy, en su caracter de Ministro de Obras y Servicios P
ublicos
de la Provincia de Corrientes, Rep
ublica Argentina.

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

En este Captulo se presenta una descripcion de la Problematica Planteada en la Tesis,

comenzando en la Seccion (1.2) con generalidades de la Problematica de la Prediccion
Cientfica, luego se presenta en la Seccion (1.2.1) la Prediccion de Inundaciones, analizando
su relacion con las Predicciones Meteorologicas a Largo Plazo en Seccion (1.2.2), las
Predicciones Estacionales Regionales en Seccion (1.2.3) y las Predicciones de Avenidas en
Seccion (1.2.4).
Seguidamente se presentan en la Seccion (1.3) los Aspectos Hidrologicos comenzando
en la Seccion (1.3.1) con una breve mencion de las Cuencas Hidrograficas, siguiendo con
la descripcion de la region en la cual se estudiaran las inundaciones por crecientes del ro
Parana, en la Seccion (1.3.2) se presenta la Cuenca del Plata, en la Seccion (1.3.3), se
detalla la Cuenca del ro Parana, en la Seccion (1.3.4) se describe las caractersticas del
ro Parana, en la Seccion (1.3.5) se analiza el fenomeno climatico de las Inundaciones, en
la Seccion (1.3.6) se caracterizan las inundaciones de la region correntina, en la Seccion
(1.3.7) se presentan los Estudios de Pronostico de Crecida existentes para la region y en la
Seccion (1.3.8), se enumeran las fuentes de los datos que se trabajaron para el desarrollo
de la presente tesis.
Posteriormente en la Seccion (1.4) se describe la Estructura de la Tesis.

1.2.

Problem
atica de la Predicci
on Cientfica

La prediccion en el contexto cientfico es una declaracion precisa de lo que ocurrira en

determinadas condiciones especificadas, se puede expresar a traves del silogismo: Si A es
cierto, entonces B tambien sera cierto. El metodo cientfico concluye con la prueba de afirmaciones que son consecuencias logicas de las teoras cientficas, la verificacion se hace a
traves de experimentos que deben poder repetirse o mediante estudios de observacionales
rigurosos, porque una teora cientfica cuyas aseveraciones no son corroboradas por experimentos, pruebas u observaciones, es descartada. El falsacionismo de Karl Popper [Popper,
2002] considera que todas las teoras deben ser puestas en cuestion para comprobar su rigor. Las teoras que generan muchas predicciones, resultan valoradas, tanto por su interes
15

cientfico como por sus aplicaciones, se confirman o se falsean facilmente y, en muchos

campos cientficos, las mas deseables son aquellas que, con n
umero bajo de principios
basicos, predicen un gran n
umero de sucesos.
La teora de la prediccion cientifica, tiene su origen en la decada de los a
nos 50, siendo
actualmente un area en la que se han realizado avances teoricos muy importantes y se ha
probado su eficiencia en m
ultiples areas, como se detalla en lo siguiente.
1948: Primera aplicacion del metodo DELPHI, desarrollado por la Rand Corporation, para predecir los resultados de las carreras de caballos.
1949: A. Kaplan, A.L. Skogstad y M.A. Girshick publican The prediction of social
technological events, donde se da el soporte cientfico a la tecnica Delphi.
1951: Primer experimento Delphi con fines militares (Dalkey y Helmer).
1958: Aparicion del artculo de Brown que sienta las bases para los metodos de
alisado.
1963: Primer experimento Delphi con fines no militares (Helmer y Quade).
1970: Primera edicion del clasico de Box, G. E. P.; Jenkins, G. M.; and Reinsel, G.
C., Time Series Analysis, Forecasting and Control.
1974: Hasta este a
no, el metodo Delphi ha estado creciendo en popularidad: casi
500 artculos publicados. Pero a partir de aqu se inicia un periodo de crisis de este
metodo.
1980: Creacion de la revista Journal of Time Series Analysis.
1980: Se da por terminada la fase de crisis del metodo Delphi.
1981: Celebracion del primer simposio internacional sobre prediccion (ISF1981).
1981: Creacion de la revista Journal of Forecasting.
1984: Creacion de la revista International Journal of Forecasting.
1985: Inicio de la recuperacion y aplicacion continua de la tecnica Delphi a problemas
concretos y refinamiento de la metodologa.
1986: Publicacion de PDP Books (Parallel Distributed Processing, Vol. I and II) editados por David Rumelhart y James Mc Clelland que supuso un verdadero acontecimiento por la presentacion del metodo de aprendizaje de retropropagacion (backpropagation) para redes neuronales tipo Perceptron Multicapa.
1987: Creacion de la International Neural Networks Society (INNS) en la celebracion
de la IEEE International Conference on Neural Networks con 1700 participantes
(San Diego).
1990: Publicacion de la revista Transactions on Neural Networks por el IEEE.
1999: G. Rowe y G.Wrigth publican en el International Journal of Forecasting un
artculo de referencia fundamental, The Delphi tehnique as a forecasting tool: issues
and analysis, recopilatorio del estado del arte y posibilidades abiertas al metodo
Delphi.
16

1999: Publicacion en Espa

na de un peque
no pero magnfico libro sobre el metodo
Delphi. Jon Landeta, El metodo Delphi, Ariel Practicum, Barcelona.
2001: Publicacion del tratado Principles of Forecasting, editado por J. S. Armstrong.
2005: Bodas de Plata del International Symposium on Forecasting, el foro mundial
de mayor relevancia sobre la prediccion.

1.2.1.

Predicci
on de Inundaciones

La prediccion de las inundaciones es la estimacion de la ocurrencia de un evento futuro

empleando el conocimiento del medio ambiente y la recopilacion de datos historicos. La
prediccion precisa de inundaciones permite estimar cuando ocurriran y de que magnitud
seran, lo que permite tomar medidas proactivas para proteger las areas pobladas, como
la evacuacion de poblaciones en situacion de riesgo y levantar barreras antes que llegue el
desastre, lo que permite minimizar su impacto devastador.
La prediccion de inundaciones se desarrolla en distintas etapas:
Prediccion Meteorologica: parte del conocimiento cientfico y la utilizacion de nuevas
tecnologas, realizan la prediccion del estado atmosferico a corto plazo y en un lugar
determinado.
Prediccion de Avenidas: parte de la situacion meteorologica futura para predecir las
inundaciones resultantes y su magnitud, mediante modelos hidrologicos.
Las nuevas tecnologas y en especial los Sistemas Inteligentes, hacen posible que los
investigadores combinen los datos de numerosas fuentes como datos de observaciones recopilados por radares, satelites o estaciones meteorologicas y base de datos, que integrados
a la comprension de los sistemas meteorologicos y los ros, ademas de la influencia de
factores humanos y naturales, permiten generar modelos complejos de estos fenomenos
naturales. Varios de estos proyectos son financiados por la Union Europea como EURAINSAT, CARPE DIEM, MUSIC, MANTISSA y VOLTAIRE y estan explorando formas de
utilizar estos avances para mejorar el rendimiento de los modelos de inundaciones.
El proyecto transnacional DEMETER, coordinado por el Centro Europeo de Pronostico Meteorologico a Plazo Mediano, esta trabajando en el primer sistema de modelaje
mundial que produce previsiones del tiempo por estaciones a largo plazo. Estas previsiones pueden dar datos sobre las precipitaciones muy valiosos ya que ayudan a saber
por anticipado cuando habra inundaciones, proporcionando predicciones sobre la probabilidad de que se de un cierto regimen o patron meteorologico en varias estaciones
o incluso a
nos antes, incluyendo el impacto que tendra sobre la agricultura y la salud, [Europea, 2013]. Para mas informacion sobre DEMETER se puede consultar en:
http://www.ecmwf.int/research/demeter/.

1.2.2.

Predicciones Meteorol
ogicas a Largo Plazo

Las predicciones meteorologico a largo plazo consideran interacciones conocidas entre

la atmosfera y los oceanos, analizan las anomalas de la temperatura de la superficie del
17

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).

Figura 1.1: Caractersticas comparativas de los fenomenos de El Ni

no y La Ni
na.

18

1.2.3.

Predicciones Meteorol
ogicas Estacionales Regionales

El objetivo no es predecir las condiciones meteorologicas concretas en un da dado,

sino determinar las condiciones medias del tiempo a lo largo de varios das. De hecho,
se pronostica el comportamiento a gran escala de la atmosfera y como lo afectan los
mecanismos de influencia en mayor medida, al ser imposibles de predecir de forma precisa
las caractersticas atmosfericas a peque
na escala, por estar sujetas cambios rapidos no
predecibles, [Ogallo, 2013].
Durante 2007 Argentina, Chile, Uruguay, Paraguay y Brasil estuvieron afectados por
sequas regionales y esto esta relacionado al efecto de La Ni
na que se desarrollo entre
2007 y culmino a principios de 2008. Por efecto de La Ni
na 2007/08, los antecedentes
hidrologicos y el desarrollo de la situacion sinoptica particular hubo tambien grandes
inundaciones en Bolivia y el noroeste de Argentina. Esto se debe a que el desarrollo de las
temperaturas del Pacfico y su interaccion con la atmosfera son siempre un poco diferentes.
Esto sumado a las condiciones del Atlantico hace que los sistemas sinopticos cambien y
a veces modifican fuertemente el clima por un cierto tiempo. Por eso es necesario poder
ajustar mejor una prediccion estacional operativa, teniendo en cuenta la modificacion de
la situacion sinoptica por los oceanos tanto Pacfico como Atlantico y las condiciones
hidrologicas antecedentes, de cada region en particular.

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. Deteccion de avenidas: Consiste en la estimacion de la posibilidad de formacion de

una avenida a partir de un analisis hidrometeorologico.
2. Pronostico de avenidas: Consiste en la estimacion cuantitativa de los valores futuros
de una variable hidrologica durante una inminente situacion de avenida.
3. Alerta de avenidas: Consiste en la comunicacion del nivel de peligrosidad y el tiempo de llegada de una avenida, junto con alguna estimacion de tipo cualitativo que
indique la posibilidad de excedencia de un umbral determinado. Las alertas de avenidas normalmente van dirigidas a las autoridades responsables de las actuaciones
en caso de avenidas y a los usuarios afectados por la misma.
19

1.3.
1.3.1.

Aspectos Hidrol
ogicos de la Regi
on
Cuencas Hidrogr
aficas

Una Cuenca Hidrografica consiste en una cuenca de drenaje, considerando el area de

territorio que aporta agua a la corriente principal o sistema de drenaje natural, que drena
sus aguas a traves de un u
nico ro, al mar o un lago endorreico. La naturaleza de un
modelo de drenaje puede variar mucho de un tipo de terreno a otro, fundamentalmente
en respuesta a los tipos de suelos sobre los cuales se desarrolla la corriente o al modelo
estructural de fallas y pliegues. Tambien recibe los nombres de hoya hidrografica, cuenca
de drenaje y cuenca imbrfera.
Existen tres tipos de cuencas seg
un el destino final del drenaje de sus aguas:
Exorreicas: drenan sus aguas al mar o al oceano. Un ejemplo es la cuenca del Plata,
en Argentina.
Endorreicas: desembocan en lagos, lagunas o salares que no tienen comunicacion
fluvial al mar. Por ejemplo, la cuenca del ro Desaguadero, en Bolivia.
Arreicas: las aguas se evaporan o se filtran en el terreno antes de encauzarse en una
red de drenaje, son frecuentes en areas deserticas. Por ejemplo, los arroyos, aguadas
y ca
nadones de la meseta patagonica central, en Argentina, pertenecen a este tipo,
ya que no desaguan en ning
un ro u otro cuerpo hidrografico de importancia.
Una cuenca y una cuenca hidrologica se diferencian en lo siguiente:
Cuenca: se refiere exclusivamente a las aguas superficiales.
Cuenca Hidrologica: considera las aguas superficiales, incluyendo tambien las aguas
subterraneas o acuferos.
La cuenca hidrografica es delimitada de otra cuenca por una lnea imaginaria denominada lnea de las cumbres o divisoria de aguas, como se detalla en la imagen de la Figura
(1.2). La delimitacion de la cuenca debe seguir las altas cumbres, debe cortar ortogonalmente a las curvas de nivel y no debe cortar ninguno de los cauces de la red de drenaje.
Esta delimitacion tambien es usada en la ubicacion de los recursos naturales, los cuales
se regulan administrativamente separando el territorio por cuencas hidrograficas.
Tradicionalmente la delimitacion de cuencas, se ha realizado mediante la interpretacion
de los mapas cartograficos, este proceso, ha evolucionando con la tecnologa y actualmente
los Sistemas de Informacion Geografica (SIG), proporcionan aplicaciones que facilitan el
analisis y delimitacion de cuencas.
La generacion de caudales circulante en una cuenca hasta el punto de desag
ue, pueden
observase en la Figura (1.3), el cual comienza al producirse una precipitacion sobre el
conjunto de la misma, cabe indicar que la precipitacion puede tener lugar sobre diferentes tipos de superficie como vegetacion, superficie del terreno, o masas de agua, con la
consiguiente repercusion en la continuacion del proceso. Una parte del agua procedente
de la precipitacion, seg
un las epocas y las caractersticas concretas de la cuenca, retorna
a la atmosfera a traves de evaporacion desde la vegetacion, desde la superficie del terreno
20

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

Figura 1.3: Representacion esquematica del comportamiento hidrologico de una cuenca.

caudal, tendera a ser menor y viceversa.

Coeficiente de Compacidad o Indice de Gravelius (Kc): Es la relacion entre el permetro
de la cuenca y el permetro de un crculo de area igual al de la cuenca, el cual se calcula
con la Ecuacion (1.1), [Tutoriales, 2013]:
P
Kc = 0, 28
A

(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

Figura 1.4: Formas de Cuencas y Coeficiente de Compacidad asociados.

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

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.

La Cuenca del Ro Paran

a

La Cuenca sedimentaria del Parana, es una amplia cuenca sedimentaria situada en

el area centro-este de America del Sur, forma parte de la extensa cuenca combinada del
Plata. Su area cubre principalmente el centro-sur de Brasil, desde el estado del Mato
Grosso hasta el estado de Rio Grande do Sul, donde se encuentra el 75 % de su superficie.
Ademas de Brasil, tambien se extiende por el nordeste de Argentina y por la region este
de Paraguay y el norte de Uruguay. Es una depresion ovalada, con el eje mayor orientado
de norte a sur, y posee un area de cerca de 1.500.000 millones de km2 , [Wikipedia, 2013].
Esta cuenca recoge las aguas de la mayora de los ros del sur del continente, como el
Parana, el Paraguay, el Uruguay, sus afluentes y diversos humedales, como el Pantanal,
24

los Esteros del Ibera y el Ba

nado la Estrella, siendo la segunda cuenca mas extensa de
Suramerica, solo superada por la del ro Amazonas, siendo el colector principal el ro
Parana, que corre su eje central de norte a sur.
Presenta un enorme potencial hidroelectrico, debido al gran volumen de agua de sus
ros, tanto del ro Parana como de diversos afluentes, sumado al terreno accidentado de
la cuenca.
Un importante recurso natural de la cuenca es el agua subterranea del Acufero Guaran, que constituye uno de los mayores acuferos del mundo y es la mayor reserva subterranea de agua de America del Sur. El acufero posee un area de presencia de cerca de
1,2 millones de km2 , un volumen de aproximadamente 46 mil km3 .

1.3.4.

El Ro Paran
a

El ro Parana es el segundo en longitud de Sudamerica, despues del Amazonas, con

una longitud de 4.880 km desde su nacimiento en los estados brasile
nos de Sao Paulo,
Minas Gerais y Mato Grosso del Sur, de la confluencia del ro Grande y el ro Paranaba,
hasta su desembocadura en delta en el Ro de la Plata, en las provincias argentina de
Santa Fe y Entre Ros, con un caudal promedio de 17.290 m3 /s y un cauce que varia de
3.500 m a 6.000 m de ancho, sembrado de islas y bancos de arena de todas dimensiones,
que en perodos de inundacion llega a superar los 10.000 m de ancho, [Wikipedia, 2013].
Desde su nacimiento hasta la desembocadura pueden diferenciarse tres tramos:
Superior o Alto Paran
a: desde el nacimiento hasta la confluencia del ro Paraguay,
1.550 km,
Medio Paran
a: desde la Confluencia con el ro Paraguay hasta Diamante, a lo
largo de aproximadamente 722 km,
Paran
a Inferior o Delta: desde Diamante hasta la confluencia con el ro Uruguay,
298 km.
Los saltos de agua y rapidos del alto Parana han sido aprovechados para la generacion
de energa electrica y el almacenamiento de agua para consumo y riego, a traves de la
construccion de centrales hidroelectricas, existiendo mas de 130 represas en la cuenca,
considerando solo aquellas con altura superior a 10 metros, que transformaron el ro
Parana y sus principales afluentes en una sucesion de lagos.
En territorio argentino se ubica una gran represa en el Alto Parana, muy proxima a
la ciudad de Corrientes, se encuentran las obras del complejo Apipe-Yacireta, acordado
entre Argentina con Paraguay, el cual provoca un fuerte impacto sobre la region. En el
mapa de la Figura (1.6), puede observase la ubicacion de las represas hidroelectricas de
Itaip
u que se encuentra entre Paraguay y Brasil y la de Yacyreta que se encuentra entre
Paraguay y Argentina, ambas represas ejercen una accion reguladora del cauce del ro y
un efecto directo en toda la cuenca.
La localidad de Corrientes se encuentra en el Parana Medio, muy cerca de la confluencia
del ro Paraguay, ubicando el area que se estudia, entre el Alto y Medio Parana.
Las variaciones de caudal del ro Parana dependen de las precipitaciones que se registran en territorio brasile
no, el mencionado ro atraviesa zonas con distintos tipos y
25

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).

Figura 1.6: Ubicacion de las Represas de Itaip

u y de Yacyreta, en el curso del ro Parana.

1.3.5.

Las Inundaciones

La mayora de inundaciones tiene un origen meteorologico provocado por los procesos

atmosfericos que pueden variar mucho tanto en tiempo como en espacio. Solamente una
hora o menos de tormenta puede desencadenar inundaciones en los valles peque
nos. Por el
contrario, las grandes inundaciones en los grandes valles fluviales suelen ser el resultado de
una serie de precipitaciones extraordinarias sobre una region amplia durante un intervalo
largo de tiempo.
Los efectos de los fenomenos climaticos pueden presentarse con diferentes magnitudes,
desde peque
nos inconveniente o llegar a ser grandes catastrofes, con consecuencias directas
en la calidad de vida de las diferentes poblaciones y en la economa regional. En la decada
de 1990, la mayora de los desastres naturales tuvieron que ver con fenomenos extremos
climaticos, con consecuencias de perdidas humanas en promedio anual de 80.000 vctimas;
se vieron afectadas 200 millones de personas y las perdidas economicas se elevaron a 63.000
millones de dolares EE.UU., siendo las Inundaciones el fenomemo que mas se presenta de
estas catastrofes, como puede observarse en el grafico de la de la Figura (1.7), [OMM,
2013].
El fenomeno de Inundacion, es definido por la Directiva 2007/60/EC de la Union
Europea, como: el cubrimiento temporal por agua de una tierra que normalmente no
se encuentra cubierta, [Parliament, 2007]. Por lo tanto, se incluyen las inundaciones
producidas por ros, torrentes, corrientes de agua efmeras mediterraneas e inundaciones
26

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.

Las Inundaciones en Corrientes

Desde 1982 hasta el a

no 2000 se produjeron 174 eventos de inundaciones en diferentes
areas de Corrientes. En los a
nos 1982-1986 y 1998-2000 fueron los dos perodos donde
se registraron los niveles de alerta mas alarmantes, ya sea por exceso de precipitaciones
o por creciente de ros. De esos perodos, los principales da
nos se concentraron en 1983,
1992 y 1998, todos coincidentes con eventos de la corriente de El Ni
no.
La crecida extraordinaria del Parana detono las inundaciones catastroficas de los a
nos
1983 (recurrencia 130 a
nos) y de 1992 (recurrencia 100 a
nos). Se trato de crecidas ligadas
a la aparicion de sendos eventos ENOS.
En 1998, se produjo una nueva inundacion que, a diferencia de las anteriores, combino niveles altos del ro Parana (recurrencia de 40 a
nos) con grandes precipitaciones al
interior de la provincia, lo que genero mayores da
nos economicos; esta inundacion produjo,
sobre todo, graves impactos sobre el sector agropecuario.
Para apreciar la magnitud de las areas inundadas en estos perodos puede apreciarse
en la imagen de la Figura (1.8), Foto Izq., el valle fluvial en oportunidad del fenomeno de
El Ni
no de 1998 y en la Foto Dcha., puede observarse el curso normal del ro Parana.

Figura 1.8: Valle fluvial Ro Parana aleda

no a Corrientes, Foto Izq.:imagen Landsat
5 TM del 04/05/1998. Altura Ro Parana en Puerto Corrientes = 8.38m. Fuente:
www.conae.gov.ar. Foto Dcha.: imagen Landsat 5 TM del 02/09/2007. Altura Ro Parana en Puerto Corrientes = 2.63m. Fuente: www.inpe.br.

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.

Estudios Actuales sobre Pron

osticos de Inundaciones en
Corrientes

De los estudios que actualmente se estan realizando sobre el pronostico de crecida y

alturas del ro Parana, podemos destacar dos estudios en especial:

1. Modelo de pronostico de inundaciones en el Ro Parana en Corrientes, basado en el

Fenomeno ENSO (El Ni
no / Oscilacion del Sur)
2. Evaluacion del riesgo ambiental por inundacion con SIG del valle fluvial del ro
Parana proximo a los n
ucleos urbanos de Resistencia y Corrientes

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.

Fuentes de Datos para el Desarrollo de la Tesis

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 ( %)

Viento Escalar Medio en Km/h

Presion Atmosferica a nivel de la estacion (hPa)

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].
Altura del ro Media (m)

Caudal del ro Maximo (m3 /seg)

Caudal del ro Mnimo (m3 /seg)

Caudal del ro Media (m3 /seg)

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

En este Captulo se analiza el Estado del Conocimiento en el que se fundamenta el

presente trabajo, inicialmente en la Seccion (2.2) se analiza los Procesos Estocasticos,
siguiendo en la Seccion (2.3), con los Procesos Deterministas Caoticos, continuando en la
Seccion (2.4), se inicia el analisis de los diferentes tipos de Modelos, como los Modelos
Fsicos , en particular los Casos de Ros, detallando los Modelos Hidrologicos o de Onda
Cinematica, los Modelos Hidrodinamicos, los Modelos de Cuencas y Redes Fluviale, se
presentan las Series Temporales, analizando los modelos ARIMA y las Redes Neuronales
describiendo sus diferentes estructura, el entrenamiento, el aprendizaje y las funciones de
activacion, analizando algunos tipos de redes, en la Seccion (2.5) se mencionan las Redes
Estaticas, describiendo principalmente el Perceptron y las Redes Multicapa, en la Seccion
(2.6) se presentan las Redes Dinamicas, detallando las Redes con Retraso de TiempoFTDNN y redes de estructuras NAR, NARX y en la Seccion (2.7) se describen las Redes
Profundas y en la Seccion (2.8) se describen los Algoritmos Evolutivos y en particular se
mencionan los Algoritmos Geneticos.

2.2.

Procesos Estoc
asticos

Constituye un Proceso Estocastico cada variable o conjunto de variables sometidas a

influencias o impactos aleatorios, que evoluciona a lo largo del tiempo de forma parcial o
totalmente aleatoria. Estas variables aleatorias (estocasticas) que evolucionan en funcion
de otra variable, generalmente el tiempo, teniendo cada una de las variables aleatorias del
proceso su propia funcion de distribucion de probabilidad y, entre ellas, pueden estar correlacionadas o no. Se pueden encontrar patrones de regularidad en diferentes secciones de
una serie temporal, que pueden ser descritas mediante modelos basados en distribuciones
de probabilidad, por lo cual se denomina un proceso estocastico a la secuencia ordenada
de variables aleatorias Xt y su distribucion de probabilidad asociada, [Alberola Lopez,
2004].
Un ejemplo de este tipo de variables son las temperaturas en la ciudad de Corrientes,
con variaciones diarias aumentando durante el da y bajando durante la noche y con variaciones estacionales aumenta en el verano a valores muy altos y desciende en invierno; su
variacion es parcialmente determinstica y parcialmente aleatoria como puede observarse
33

en la grafica de la Figura (2.1).

Figura 2.1: Ejemplo de Procesos Estocasticos: Temperaturas Maximas y Mnimas diarias

de la ciudad de Corrientes en el a
no 1998.
Al analizar variables con caractersticas aleatorias que permanecen constantes a traves
del tiempo, al incluir en el estudio la presencia de la variable determinstica tiempo se
considera que la variable aleatoria depende del tiempo y del fenomeno probabilstico, en
consecuencia, cualquier funcion que se establezca en terminos de la variable aleatoria, como
lo son la funcion de distribucion o la funcion de densidad, seran tambien dependientes del
tiempo.
Tambien puede definirse un proceso estocastico como una coleccion o familia de variables aleatorias Xt con t T , ordenadas seg
un el subndice t que se identifica con el tiempo.
Por tanto, para cada instante t tendremos una variable aleatoria distinta representada por
Xt , con lo que un proceso estocastico puede interpretarse como una sucesion de variables
aleatorias cuyas caractersticas pueden variar a lo largo del tiempo.
Los posibles valores que puede tomar la variable aleatoria se denomina estados, por
lo que se puede tener un espacio de estados discreto y un espacio de estados continuo,
ademas la variable tiempo puede ser de tipo discreto cuando los cambios de estado ocurren
cada da por ejmplo y o de tipo continuo, donde los cambios de estado se podran realizar
en cualquier instante.
Dependiendo de como sea el conjunto de subndices T y el tipo de variable aleatoria
dado Xt , se puede establecer la siguiente clasificacion de Procesos Estocasticos, que se
sintetiza en el cuadro de la Figura (2.2):
Cadena: el tiempo se mueve en forma discreta y la variable aleatoria solo toma
valores discretos en el espacio de estados.
34

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.

Figura 2.2: Clasificacion de Procesos Estocasticos.

Los Procesos Estocasticos pueden ser clasificados seg
un el tiempo en:
Tiempo Discreto: Cuando el valor de la variable solo puede cambiar en una serie
de momentos determinados del tiempo, por ejemplo, los sorteos de la lotera tienen
lugar en determinadas fechas.
Tiempo Continuo: Cuando el valor de la variable puede cambiar en cualquier momento del tiempo, por ejemplo, los cambios diarios de temperatura.
Otra forma de clasificar a los Procesos Estocasticos es seg
un la variable aleatoria en:
Variable Continua: La variable puede tomar cualquier valor comprendido en un
rango, por ejemplo la temperatura.
Variable Discreta: La variable solo puede tomar determinados valores o estados
discretos, por ejemplo los mercados financieros cotizan sus activos con unos precios
que oscilan: de centimo de euro en centimo de euro, o en 1/8 de punto, etc.).
Un proceso estocastico se define por una ley de probabilidad que gobierna la evolucion
de una variable X (temperaturas, rendimientos, variacion de los tipos de interes etc.)
a lo largo de un horizonte temporal t. De tal manera que para diferentes momentos del
tiempo t1 < t2 < t3 ... podemos obtener la probabilidad de que los valores correspondientes
x1 , x2 , x3 ..., se sit
uen dentro de un rango especfico como, por ejemplo:
P rob[a1 < x1 = b1 ].
P rob[a2 < x2 = b2 ].
P rob[a3 < x3 = b3 ].
Cuando se llegue al momento t1 y observemos el valor correspondiente de x1 , podemos
condicionar la probabilidad de futuros sucesos, en base a la informacion conocida en un
momento ti , como se ejemplifica en la Figura (2.3).
35

Figura 2.3: Procesos Estocasticos.

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

El saber como se comportan las trayectorias.

El conocer las propiedades estadsticas de las trayectorias, en el caso de que presenten
alguna regularidad de tipo estadstico.
La teora del caos proporciona un medio para producir un origen determinista para
un proceso estocastico, a
nadiendo a las variables aleatorias otra posible fuente de azar,
siendo de intereres algunos aspectos, [Mateos de Cabo, 2013]:
El comportamiento caotico puede ser extra
no, pero no es raro, de ah su aplicacion
a disciplinas tan diversas como la fsica, la qumica, la meteorologa, la biologa, la
epidemiologa y la medicina.
El caos en una clase creciente de sistemas dinamicos, que puede ser descriptos a
traves de un n
umero relativamente peque
no de objetos matematicos y se han descubierto ciertas propiedades universales que no parecen depender del sistema especfico
bajo estudio.
La teora del caos presenta un caracter interdisciplinario.
Un ejemplo de Procesos Deterministas Caoticos, puede observarse en la Figura (2.4),
en la que se presenta la simulacion de mercado en Monte Carlo del Costo Parametrico
Estimado o CER, los ejes de los graficos son temporales y se presentan cinco ejemplos
distintos interactuando entre s, al observar las graficas en su conjunto podramos decir
que es caotico, pero si miramos cada ejemplo individualmente podemos predecir bastante
bien, dentro de los lmites de Monte Carlo, donde se va a girar al alza o a la baja, [Ball,
2013].

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

Figura 2.4: Ejemplo de Procesos Deterministas Caoticos: Comportamiento de Mercados.

Fuente: [Ball, 2013].

Modelo no Determinista: si a la misma entrada, pueden corresponderle diferentes salidas.

Un modelo es una representacion simplificada de la realidad, en la que se considera no
toda la complejidad de la realidad sino el conjunto de propiedades que se desea estudiar y
se construye estableciendo una relacion de correspondencia con la realidad, cuyas variantes pueden producir modelos de caractersticas notablemente diferentes; por esta razon las
reglas de representacion del modelo corresponden a un ambito cientfico. En otras situaciones puede no existir una representacion adecuada de los datos o los resultados no ser
interpretables, porque solo corresponden a las condiciones consideradas en el desarrollo
del modelo.

2.4.1.

Modelos Fsicos. Caso de Ros

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

ro y su influencia en zonas costeras inundables en relacion con las diferentes alturas

del ro, que deben ser analizadas en el dise
no de las obras definitivas de defensa contra
las inundaciones fluviales y constituyen un conjunto de medios complementarios, cuya
aplicacion permite optimizar sus capacidades y utilizar sus sinergias para alcanzar la
mejor solucion para el problema en estudio.
El modelo fsico, en el caso de estudios de ros es la reproduccion a escala reducida
de las magnitudes mas representativas del sistema hidrologico o elementos a ensayar, el
cual, con las simplificaciones introducidas seg
un las necesidades de cada caso, constituye
el prototipo, como se detalla en las imagenes de la Figura (2.5), que presentan el desarrollo
del prototipo de estudio de inundaciones del ro Mero, en La Coru
na, Espa
na.

Figura 2.5: Modelo Fsico del ro Mero, (La Coru

na-Espa
na), con el objetivo de hidrodinamica (flujo complejo) y altura de inundacion. Fuente: [Vide, 2013].

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

simplemente escala. En esta semejanza solo influyen aspectos de forma, destacandose

los detalles geometricos y la rugosidad superficial, los cuales representan una primera
dificultad para que la semejanza modelo-prototipo sea completa.
Semejanza Cinematica (t ): implica la similitud de movimientos modelo-prototipo,
lo que junto a la semejanza geometrica determina que las trayectorias de partculas
homologas modelo-prototipo sean semejantes. En este caso, la relacion de semejanza
(t ) se conoce como escala de tiempos.
Semejanza Din
amica (M ): entre dos sistemas geometrica y cinematicamente semejantes supone la constancia de la relacion de masas y, por lo tanto, de fuerzas en
elementos homologos. La relacion entre masas es la escala de masas (M ).
Como se ha indicado, las ecuaciones de la hidrodinamica permanecen invariantes en
la transformacion modelo-prototipo, pero no ocurre lo mismo con el fluido, que no se
puede reproducir a escala. Sus caractersticas fsicas (densidad, viscosidad, etc.), a efectos
del modelo, cambian respecto a las que tiene en el prototipo de acuerdo con las escalas
elegidas (, t y M ).
La imposibilidad de lograr una semejanza geometrica completa por la dificultad de
reproducir plenamente forma y rugosidad. Con la semejanza dinamica este problema aumenta, pues la relacion entre las fuerzas que act
uan en el prototipo gravedad, viscosidad,
tension superficial, elasticas y de presion y en el modelo no se mantiene constante, ni su
importancia en ambos sistemas es la misma. Sin embargo, en la practica, una semejanza
dinamica parcial, basada en las fuerzas predominantes en cada caso es suficiente para que
el modelo facilite la solucion del problema que con el ensayo se busca, surgen as los diversos criterios de semejanza dinamica parcial, en esta semejanza parcial dos de sus escalas,
tiempo y masa (t y M ), quedan prefijadas al determinar la fuerza preponderante en el
fenomeno y el fluido a utilizar, por lo que la u
nica escala a elegir es la geometrica (). Esto
se realiza de forma que el modelo tenga las dimensiones necesarias para que los ensayos
sean representativos de la realidad, [Gutierrez Serret, 2013].
Modelos Hidrol
ogicos o de Onda Cinem
atica
Tr
ansito de Caudales
El transito de caudales es un procedimiento para determinar la magnitud del caudal,
las elevaciones y sus tiempos, en un punto del curso de agua utilizando hidrogramas
conocidos o supuestos en uno o mas puntos. Si el flujo es una creciente, el procedimiento
se conoce especficamente como transito de crecientes, [EFN-UNCOR, 2013].
El transito de inundacion, describe el movimiento de esa onda de creciente cuando
atraviesa un cauce, teniendo particular interes analizar la reduccion del caudal pico mientras se dirige aguas abajo, denominada atenuacion, como el tiempo maximo que el flujo
de agua llega hacia los puntos de importancia, estimar la altura maxima de agua que
se puede acumular en puntos de importancia y de que manera cambia la hidrografa del
lugar mientras se mueve aguas abajo, terminara cuando entra en un embalse o en un
gran cuerpo de agua que pueda recibir el volumen de agua sin un incremento significativo
en el nivel o cuando la creciente se ha atenuado presentando un caudal que no supera el
correspondiente al caudal de 100 a
nos de recurrencia para la planicie de inundacion.
40

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)

y cota de la superficie de la lamina de agua (m),

S0 pendiente del fondo del canal,
Sf pendiente de friccion,
El escurrimiento superficial se encuentra regido por leyes fsicas que son representadas
cuantitativamente por variables tales como el caudal (Q), el area hidra
ulica (A) y la cota
de superficie de la lamina de agua (y), mientras que el comportamiento del mismo, es
descrito por tres principios fundamentales, [EFN-UNCOR, 2013]:
Conservaci
on de la Masa: que se estima por la Primer Ecuacion de Saint Venant,(2.1).
Conservaci
on de la Cantidad de Movimiento: que se calcula por la Segunda Ecuacion
de Saint Venant, (2.2).
Conservaci
on de Energa: la cual normalmente no es empleada en flujo a superficie
libre.
Las ecuaciones de Saint Venant, a pesar de las simplificaciones adoptadas, son capaces
de representar la mayora de los problemas de escurrimientos en ros, canales, embalses y
sobre la cuenca de aporte, describen el movimiento del agua a superficie libre en un canal
y son el resultado de aplicar los principios de la conservacion de la masa y de la cantidad
de movimiento, bajo las siguientes hipotesis simplificatorias, [Chow, 2004] :
El flujo es unidimensional e incompresible: con densidad constante, el tirante hidraulico y la velocidad del flujo varan solo en la direccion del eje longitudinal del canal.
La velocidad es uniforme y la superficie libre es horizontal a traves de cualquier
seccion perpendicular al eje.
Las lneas de flujo no tienen curvatura pronunciada: esto significa que el flujo vara
gradualmente a lo largo del canal, de forma que las aceleraciones verticales puedan
considerarse despreciables. Lo anterior implica que la distribucion de presiones sea
hidrostatica.
El fondo del canal es fijo y de pendiente peque
na: de modo que la profundidad del
flujo y el tirante son aproximadamente identicos, de tal suerte que los efectos de
socavacion y deposicion son despreciables.
Los coeficientes de resistencia: para flujo uniforme permanente turbulento son aplicables relaciones como la ecuacion de Manning, que puede utilizarse para describir
los efectos de resistencia, esta formula utiliza el coeficiente de rugosidad de Manning que depende del material con el que se halla construido el canal y se encuentra
tabulado, lo que facilicta su aplicacion.
Los sistemas de escurrimiento pueden tener diferentes caractersticas predominando en
cada caso, con uno o mas efectos sobre el flujo. El transito de caudales puede considerarse
como un analisis para seguir el caudal a traves de un sistema, dada una entrada.
Los metodos existentes para el transito en cauces se pueden dividir en dos tipos,
[Chow, 2004]:
42

Metodos Hidraulicos: tambien llamados distribuidos, el flujo se calcula como una

funcion del tiempo y el espacio. Son aquellos modelos que emplean las dos ecuaciones
de Saint Venant.
Metodos Hidrologicos: los flujos se calculan como una funcion del tiempo u
nicamente
en un lugar particular. Son modelos que consideran solamente los efectos de almacenamiento, despreciando los terminos de la ecuacion de cantidad de movimiento de
la Segunda Ecuacion de Saint Venant.

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

evaluacion de zonas inundables, transporte de sedimentos y contaminantes. Consideran

para la modelacion, los siguientes terminos fuente en las ecuaciones 2D-SWE, [UDC,
2011]:
Pendiente del fondo
Presion hidrostatica
Tensiones tangenciales viscosas
Tensiones tangenciales turbulentas
Rozamiento superficial por viento
Rozamiento del fondo
Fuerza de Coriolis
Fuente sumidero de masa de agua (simulacion de lluvia, infiltracion, sumideros,etc.)
Modelos Comerciales: Se detallan algunos de los Modelos Hidrodinamicos, disponibles comercialmente:
Mike 11/21 : Entorno integral para la modelizacion hidrodinamica 1D y 2D, desarrollado por Danish Hydraulic Institute.
Guad 2D: Modelo desarrollado a partir de los resultados de la Universidad de Zaragoza y comercializado por la empresa INCLAM.
Riverine: Interfaz com
un para un conjunto de aplicaciones hidrodinamicas, distribuido por Scientific Software Group. Incluye las licencias para los modelos RMA,
FESWMS y HIVEL 2D.
TUFLOW : Modelo distribuido por Scientific Software Group con una interfaz similar a la del paquete Riverine.
Sobek : Entorno integral para la modelizacion hidrodinamica 1D y 2D, desarrollado
por Delft Hydraulics.
Inforworks: Entorno integral para la modelizacion hidrodinamica 1D y 2D, desarrollado por Wallingford.
Modelos Gratuitos: Se detallan algunos de los Modelos Hidrodinamicos, disponibles
gatuitamente:
HEC-RAS : Modelo de calculo de perfiles de lamina de agua, desarrollado por Hydrologic Engineering center del U.S. Army Corps of Engineers.
River 2D: Modelo hidrodinamico bidimensional desarrollado para la simulacion de
habitats fluviales.
Iber : Modelo de calculo 2D en ros y estuarios desarrollado a partir de los modelos
Carpa (UPC) y Turbillon (UC) y distribuido por el CEDEX.
45

Modelos de Cuencas y Redes Fluviales

Con objeto de poder representar adecuadamente el comportamiento hidrologico de
una determinada cuenca es preciso, llevar a cabo una representacion esquematica de la
misma, que refleje de la mejor manera posible, su morfologa y las caractersticas de su red
de drenaje. En dicha representacion esquematica se utilizan generalmente diversos tipos
de elementos, dentro de los cuales se desarrollan los procesos hidrologicos, [UNICAN,
2004].
La modelacion de sistemas hidrologicos entre otras caractersticas, es un medio relativamente de bajo costo utilizado para evaluar los efectos de corto y largo plazo de las
actividades humanas sobre los procesos hidrologicos en una cuenca. Adicionalmente, estos
Modelos Hidrologicos proveen una herramienta de ayuda en la toma de decisiones para
mitigar y disminuir los impactos de proyectos sobre la cuenca. Los problemas de toma de
decisiones en ingeniera de recursos hdricos referentes a la asignacion eficiente de agua
pueden ser modelados y formulados como problemas de optimizacion. El gran n
umero de
variables, la no linealidad, la naturaleza estocastica de los flujos, los conflictos provocados
por los m
ultiples usos del agua, la operacion integrada de varios reservorios y las restricciones existentes, conforman un sistema hdrico complejo. Con el avance computacional
tanto en equipos y en programas, en los u
ltimos a
nos el problema de asignacion de agua
entre m
ultiples usos se ha solucionado de manera satisfactoria. La eleccion del metodo
depende de las caractersticas del sistema, de la disponibilidad de informacion, de los
objetivos y restricciones, [Laqui Vilca, 2007].
En el modelado de Cuencas se incluyen diferentes de elementos, cuya descripcion y
funcionalidad se indican a continuacion, [UNICAN, 2004]:
Subcuenca: Este tipo de elemento se caracteriza porque no recibe ning
un flujo entrante y da lugar a un u
nico flujo saliente, que es el que se genera en la subcuenca a
partir de los datos meteorologicos, una vez descontadas las perdidas de agua, transformado el exceso de precipitacion en escorrenta superficial y a
nadido el flujo base.
Se utiliza para representar cuencas vertientes de muy variado tama
no.
Tramo de cauce: Se caracteriza porque recibe uno o varios flujos entrantes y da lugar
a un solo flujo saliente. Los flujos entrantes, que provienen de otros elementos de la
cuenca, tales como subcuencas u otros tramos de cauce, se suman antes de abordar
el calculo del flujo saliente. Este tipo de elementos se suele utilizar para representar tramos de ros o arroyos en los que se produce el transito de un determinado
hidrograma.
Embalse: Es un tipo de elemento que recibe uno o varios flujos entrantes, procedentes
de otros elementos, y proporciona como resultado del calculo un u
nico flujo saliente.
Se utiliza para poder representar fenomenos de laminacion de avenidas en lagos y
embalses.
Confluencia: Se caracteriza porque recibe uno o varios flujos entrantes y da lugar
a un solo flujo saliente, con la particularidad de que el flujo saliente se obtiene
directamente como suma de los flujos entrantes, considerando nula la variacion del
volumen almacenado en la misma. Permite representar la confluencia propiamente
dicha de ros o arroyos, aunque ello no es imprescindible, ya que los flujos entrantes
pueden proceder tambien de subcuencas parciales.
46

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

Para decidir entre un modelo de optimizacion y otro de simulacion, se debe considerar

la complejidad del sistema estudiado, las caractersticas del sistema considerado, la disponibilidad de informacion, los objetivos y restricciones especificadas, los cuales posibilitaran
la eleccion de modelos de optimizacion o modelos de simulacion, o una combinacion de los
mismos. En los casos donde se tenga el conocimiento de los fenomenos y donde se pueda
deducir ecuaciones que describan y gobiernen el sistema, estos pueden ser tratados por un
modelo de simulacion matematicos. Para sistemas complejos que no pueden ser analizados
directamente a traves de metodologas analticas formales, se usara la simulacion fsica o
analogica, [Laqui Vilca, 2007].

2.4.2.

Series Temporales

Una serie temporal o cronologica es una secuencia de datos, observaciones o valores,

medidos en determinados momentos del tiempo, historica u ordenados cronologicamente, normalmente espaciados entre s de manera uniforme; tambien puede definirse como
una sucesion de observaciones cuantitativas de un fenomeno ordenadas en el tiempo. El
analisis de series temporales comprende metodos que ayudan a interpretar este tipo de
datos, extrayendo informacion representativa, tanto referente a los orgenes o relaciones
subyacentes como a la posibilidad de extrapolar y predecir su comportamiento futuro,
[Pe
na Sanchez de Rivera, 2005].
Los valores de una serie temporal van ligados a instantes del tiempo, entonces, el analisis de una serie implica el manejo conjunto de dos variables, siendo una de ellas la serie
temporal y la otra los intervalos o instantes del tiempo sobre los cuales se han realizado las
observaciones. Hay que se
nalar que esa observacion sincronizada de la variable en el tiempo, implica que los valores de la misma han de estar perfectamente ordenados, de igual
modo que los intervalos del tiempo lo estan. Para que el analisis de una serie temporal
conduzca a conclusiones acertadas, ademas de utilizar las tecnicas apropiadas, sera imprescindible que esos datos sean comparables y no lo seran nunca si no son homogeneos,
por ejemplo si cada a
no cambia la metodologa de observacion, se cambian las definiciones,
se modifica la poblacion de referencia, etc., el resultado sera una serie temporal compuesta
por un conjunto de valores no comparables porque son muy heterogeneos. Esta falta de
homogeneidad se pierde, de una forma natural, con el transcurso del tiempo, de manera
que cuando las series son muy largas no hay garanta de que los datos iniciales y finales
sean comparables, pero esta necesidad es recomendable que las series no sean muy largas,
para que sus datos no pierdan la deseable homogeneidad, [Sanchez Fernandez, 2004].
Lo que se pretende con una serie es describir y predecir el comportamiento de un
fenomeno que cambia en el tiempo. Esas variaciones que experimenta una serie temporal
pueden ser de naturaleza doble, por un lado las variaciones pueden ser, evolutivas o
estaciones, por lo cual se tendran:
Series Evolutivas: presentan variaciones evolutivas, cuando el valor medio de la serie
cambia, no permanece fijo a lo largo del tiempo.
Series Estacionarias: presentan variaciones estacionarias, son aquellas en las que su
valor medio no cambia, aunque sufra oscilaciones en torno a ese valor medio fijo o
constante. Una serie es estacionaria cuando se encuentra en equilibrio estadstico,
en el sentido de que sus propiedades no varan a lo largo del tiempo, por lo tanto no
48

pueden existir tendencias. Un proceso es no estacionario si sus propiedades varan

con el tiempo, como el clima o la altura de un ro.
Hay dos aspectos en el estudio de las series de tiempo, [Abril, 2004]:
1. Analisis: El objetivo del analisis es resumir las propiedades de una serie y remarcar
sus caractersticas salientes, pudiendo hacerse tanto:
En el dominio del Tiempo: se relacionan las observaciones en puntos distintos
de tiempos.
En el dominio de las Frecuencias: se estudian los movimientos con diferente
periodicidad.
2. Modelado: La razon de modelar una serie de tiempo es para permitir la prediccion de
sus valores futuros. La caracterstica distintiva de un modelado de serie de tiempo,
opuesto a un modelado econometrico de serie de tiempo, es que no se realiza ning
un
intento para formular una relacion de comportamiento entre la serie de tiempo
considerada y otras variables. Los movimientos de la serie son explicados solamente
en terminos de su propio pasado o por su posicion en relacion al tiempo y las
predicciones se realizan mediante extrapolacion.
Modelado Cl
asico de Series Temporales
La forma mas sencilla de iniciar el analisis de una serie temporal, es mediante su representacion grafica con un sistema cartesiano en el que los valores o periodos de tiempo
t se llevan al eje de abscisas y los valores de la serie, yt , se tienen en el eje de ordenadas,
obteniendo un diagrama de dispersion, con la particularidad de que el eje de abscisas se
reserva siempre a la misma variable: el tiempo, t . Mediante este tipo de representacion
se pueden detectar las caractersticas mas sobresalientes de una serie, tales como el movimiento a largo plazo, la amplitud de las oscilaciones, la posible existencia de ciclos, los
puntos de ruptura, la presencia de valores atpicos o anomalos, etc.
Un ejemplo de este tipo de analisis de graficas se presenta en la Figura (2.6), donde se
ha representado la serie del paro registrado en Espa
na para un periodo de cinco a
nos con
datos mensuales. Los datos base del grafico se detallan en la Tabla de la Figura (2.7).
Una vez iniciado el proceso de descripcion de una serie y superado el primer paso
que consiste en su representacion grafica, para poder llegar a conclusiones mas definitivas
respecto del comportamiento de la serie, es conveniente recurrir a otras tecnicas que
superen el analisis grafico.
El objetivo del analisis de series temporales es doble, por un lado se busca explicar
las variaciones observadas en la serie en el pasado, tratando de determinar si responden
a un determinado patron de comportamiento y por otro, si se consigue definir ese patron
o modelo, se intentara predecir valores futuro de la misma.
Para alcanzar este doble objetivo se utiliza una metodologa, seg
un la cual la serie
temporal es una funcion del tiempo: yt = f (t), la serie es una variable dependiente y
el tiempo una variable independiente o explicativa. Sin embargo, el tiempo, no es una
variable explicativa, es simplemente el soporte o escenario en el que se realiza o tiene
lugar la serie temporal. El tiempo no sirve para explicar el comportamiento de la serie.
49

Figura 2.6: Series Temporales: Grafica de la Evolucion del paro en Espa

na. Fuente: [Sanchez Fernandez, 2004].

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

Figura 2.8: Series Temporales: Grafica de la Evolucion del paro en Espa

na conjuntamente
con la Tendencia de la serie. Fuente: [Sanchez Fernandez, 2004].

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

recta con pendiente negativa, aunque el ritmo de decrecimiento no solo se reduce al

final del perodo sino que a lo largo de 2002 parece tener lugar un incipiente cambio
de tendencia, se tiene una serie que es decreciente para el periodo considerado. Otro
ejemplo, es el uso creciente de Internet en la sociedad argentina, independientemente
de que en un mes concreto en Argentina, por determinadas causas economicas, haya
una bajada de la utilizacion de Internet, como ocurrio en la crisis del a
no 2001.
2. Variacion Estacional VE : Es el movimiento periodico de corto periodo, se trata de
una componente causal debida a la influencia de ciertos fenomenos que se repiten
de manera periodica en un a
no, como las estaciones, se basa en causas de tipo climatologico (produccion, turismo, etc.) o de ordenacion del tiempo (los das de la
semana condiciona el comportamiento de ciertas series). La periodicidad generalmente es el a
no, aunque puede ser el mes, la semana o incluso el da. En el ejemplo
del paro en Espa
na, Figura (2.6), se observa un patron de estacionalidad bastante
bien definido: el paro registrado desciende notablemente en los meses estivales y el
resto del a
no se mantiene en niveles mas elevados, salvo en el mes de diciembre
que, de forma sistematica es algo mas reducido que en los anteriores y posteriores.
Otro ejemplo, es el caso particular del ro Parana, una variable estacional, sera la
epoca de lluvias de verano, en la alta cuenca en territorio brasile
no, que determina
incrementos en las alturas de ro, en esta estacion en territorio argentino.
3. Variacion Cclica C : Es el componente de la serie que recoge las oscilaciones periodicas de amplitud superior a un a
no, movimientos a plazo medio normalmente
irregulares alrededor de la tendencia, en las que a diferencia de las variaciones estacionales, tiene un perodo y amplitud variables, pudiendo clasificarse como cclicos,
cuasicclicos o recurrentes. Esta componente tiene un marcado caracter economico,
pues suele ser el resultado de la sucesion de las fases expansivas y recesivas de la
economa. Esta componente resulta difcil de aislar, pues ocurre, con frecuencia, que
se pueden superponer ciclos de distintos periodos o amplitudes. La amplitud es el
n
umero de a
nos que dura un ciclo completo. En el ejemplo del paro en Espa
na,
Figura (2.6), no se detecta de forma clara la presencia de ciclos, bien sea porque
el periodo de tiempo estudiado sea muy corto o porque realmente no hay ciclos,
aunque lo mas verosmil en este caso sea que el empleo responde a los ciclos de la
economa.
4. Variacion Aleatoria R: Es un componente accidental, de caracter erratico, tambien
denominada residuo, no muestran ninguna regularidad, debidos a fenomenos de
caracter ocasional son resultado de factores fortuitos o aleatorios que inciden de
forma aislada y no permanente en una serie. Por ejemplo en el comportamiento del
ro Parana pueden ser lluvias extraordinarias en la localidad de Corrientes en un
perodo de inundaciones.
La interaccion de estas cuatro componentes genera la serie temporal. La forma en que
se combinen puede ser muy variada, pero tradicionalmente se ha optado por dos modelos
distintos. El aditivo y el multiplicativo, aunque en algunas ocasiones se mezclan ambos.
Seg
un el modelo que se adopte, la serie temporal sera, [Spiegel, 1978]:
Modelo Aditivo
y t = T t + V E t + C t + Rt
52

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

Redes Neuronales Artificiales

Son modelos computacionales que tratan de replicar, de manera simplificada, el complejo funcionamiento del cerebro humano. Su capacidad de aprendizaje a traves de ensayos
repetidos las hace muy utilizables en una amplia variedad de aplicaciones en todas las
ciencias. Han demostrado ser una herramienta muy u
til por su sorprendente habilidad para capturar relaciones no lineales entre variables. De hecho, pueden aproximar cualquier
funcion no lineal si son correctamente especificadas, [Tkacz and Hu, 1999].
En 1943, Warren McCulloc y Walter Pitts originaron el primer modelo de operacion
neuronal, el cual fue mejorado en sus aspectos biologicos por Donald Hebb en 1948. En
1962 Bernard Widrow propuso la regla de aprendizaje Widrow-Hoff, posteriormente Frank
Rosenblatt desarrollo una prueba de convergencia y definio el rango de problemas para los
que su algoritmo aseguraba una solucion, el propuso los Perceptrones como herramienta
computacional, [Crespo, 1996] y [Fausett, 2006].
El cerebro humano continuamente recibe se
nales de entrada de muchas fuentes y las
procesa a manera de crear una apropiada respuesta de salida; nuestros cerebros cuentan con millones de neuronas que se interconectan para elaborar redes neuronales, estas
redes ejecutan los millones de instrucciones necesarias para mantener una vida normal.
Las neuronas son las celulas que forman la corteza cerebral de los seres vivos, cada una
esta formada por elementos llamados cuerpo, axon y dendritas, como se muestra en la
Figura (2.9). Las dendritas forman una estructura de filamentos muy fina que rodean el
cuerpo de la neurona, el axon es un tubo largo y delgado que se ramifica en su extremo
en peque
nos bulbos finales que casi tocan las dendritas de las celulas vecinas, la peque
na
separacion entre los bulbos finales y las dentritas se le denomina sinapsis.

Figura 2.9: Descripcion de una neurona natural.

Las neuronas, al igual que las demas celulas del cuerpo, funcionan a traves de impulsos electricos y reacciones qumicas. Los impulsos electricos que utiliza una neurona
para intercambiar informacion con las demas viajan por el axon que hace contacto con
las dendritas de la neurona vecina mediante las sinapsis; la intensidad de la corriente
transmitida depende de la eficiencia de la transmision sinaptica. Una neurona en especial
54

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.

Figura 2.10: Comparacion entre neurona natural y neurona 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. La funcion tangente hiperbolica de 1 a 1, ver la grafica en la Figura (2.12):

fc (x) = tanh(cx)

(2.8)

Figura 2.11: La funcion logstica de 0 a 1.

Figura 2.12: La funcion tangente hiperbolica de 1 a 1.

Neurona o Unidad Procesadora

Todo modelo de red neuronal consta de dispositivos elementales de procesamiento: las
neuronas. A partir de ellas, se pueden generar representaciones especficas, de tal forma
que un estado conjunto de ellas pueda significar una letra, un n
umero o cualquier otro
objeto.
Generalmente se pueden encontrar tres tipos de neuronas:
56

Figura 2.13: Descripcion de una Neurona Artificial.

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

Figura 2.14: Descripcion de una Red Neuronal Artificial.

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:

Figura 2.15: Arquitecturas de redes neuronales artificiales.

Un conjunto de unidades elementales, cada una de las cuales posee bajas capacidades
de procesamiento.
58

Una densa estructura interconectada usando enlaces ponderados.

Parametros libres que deben ser ajustados para satisfacer los requerimientos de
desempe
no.
Un alto grado de paralelismo.

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

Figura 2.17: Conexiones hacia delante.

Figura 2.18: Conexiones laterales.

Entrenamiento de una Red Neuronal

En el entrenamiento se presentan las entradas y respuestas deseadas, entonces la red
neuronal partiendo de un conjunto de pesos sinapticos iniciales, inicia el proceso de aprendizaje que busca un conjunto de pesos que permitan a la red desarrollar correctamente la
salida deseada, minimizando los errores, [Crone, 2002a] y [Crone, 2002b]. Los valores de
entrada se recomiendan que previamente sean de alg
un modo transformados a una escala.
Existen dos fases en el entrenamiento de toda aplicacion de las redes neuronales: la
fase de aprendizaje y la fase de prueba, con las siguientes caractersticas, [Gutierrez,
2013]:
Fase de Aprendizaje: Una caracterstica de las redes neuronales es su capacidad de
aprender. Aprenden por la actualizacion o cambio de los pesos sinapticos que caracterizan a las conexiones. Los pesos son adaptados de acuerdo a la informacion
60

Figura 2.19: Conexiones hacia atras o recurrentes.

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

Aprendizaje No Supervisado: se presenta solo un conjunto de patrones y el objetivo

del algoritmo de aprendizaje es ajustar los pesos de la red de manera tal que la

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

3. El error maximo, definido como:

donde bp es la salida de la red para el vector de entrada ap . Notese que en el caso de

una u
nica salida, la funcion norma k : k se reduce a la funcion valor absoluto | : | usual.
Sobreajuste - Overfitting
En estadstica es conocido que cuando se utiliza un modelo con muchos parametros
para ajustar un conjunto de datos procedente de proceso con pocos grados de libertad,
el modelo obtenido puede no descubrir las tendencias reales del proceso original, aunque
pueda presentar un error peque
no. Las diferentes curvas resultantes pueden observarse y
compararse en la Figura (2.20), [Gutierrez, 2013]:
La curva (a) pasa exactamente por los puntos de entrenamiento.
La curva (b) muestra el comportamiento sobre un conjunto alternativo.
La curva (c) es un polinomio de tercer grado.
La diferencia entre ambos modelos puede verse en (d).
62

Figura 2.20: Sobreajuste de Redes Neuronales. Fuente: [Gutierrez, 2013].

Se puede identificar el comienzo del sobreajuste a traves del uso de la validacion

cruzada, para lo cual los ejemplos de entrenamiento se separan en un subset de estimacion
y un subset de validacion. El subset de estimacion se utiliza para entrenar a la red en el
modo usual, excepto por una modificacion menor: la sesion de entrenamiento se detiene
periodicamente, cada tantas repeticiones y se eval
ua la red con el set de validacion despues
de cada perodo de entrenamiento. Mas especficamente, el proceso periodico de estimacion
seguida de validacion, se denomina metodo de entrenamiento con detencion temprana y
procede de la siguiente manera, [Fiszelew, 2013]:
Despues del perodo de estimacion (entrenamiento), se fijan todos los pesos y los
umbrales del Perceptron multicapa y la red opera en su modo hacia delante. El error
de validacion se mide as para cada ejemplo en el set de validacion.
Cuando la fase de validacion se completa, la estimacion (entrenamiento) se reanuda
para otro perodo y el proceso se repite.
En la Figura (2.21), se muestra las formas conceptualizadas de dos curvas de aprendizaje, una perteneciente a las medidas sobre el subset de estimacion y la otra sobre el
subset de validacion. Normalmente, el modelo no trabaja tan bien sobre el subset de validacion como lo hace sobre el set de estimacion, en el cual se baso su dise
no. La curva de
aprendizaje de estimacion decrece monotonamente para un n
umero creciente de repeticiones en la forma acostumbrada. En contraste, la curva de aprendizaje de validacion decrece
monotonamente hasta un mnimo, entonces empieza a incrementarse mientras contin
ue el
entrenamiento. Cuando miramos a la curva de aprendizaje de estimacion puede parecer
que podramos mejorar si vamos mas alla del punto mnimo sobre la curva de aprendizaje de validacion. En realidad, lo que la red esta aprendiendo mas alla de ese punto es
63

Figura 2.21: Ilustracion de la regla de detencion temprana basada en la validacion cruzada.

Fuente: [Fiszelew, 2013].

esencialmente ruido contenido en el set de entrenamiento. Esta heurstica sugiere que el

punto mnimo sobre la curva de aprendizaje de validacion sea utilizado como un criterio
para detener la sesion de entrenamiento, [Fiszelew, 2013].
Optimizaci
on de Ajuste de Perceptr
on. Adaptaciones de la Funci
on de Error
Los metodos de ajuste son un punto importante en la implementacion de las redes
neuronales como se menciono en (2.4.3), donde se plantearon algunas medidas estandar
del error como la suma de los cuadrados de los errores, la raz cuadrada del error cuadratico
medio, el error maximo y como tecnica de ajuste un descenso gradiente de la funcion de
error.
El objetivo com
un es que la funcion de error se anule en el caso de predecir con
exactitud la respuesta del sistema y sea positiva en cualquier otro punto, con mayor valor
cuanto mas lejos este del mejor ajuste. La funcion de error elegida condiciona el resultado
ya que, en general, el mnimo no sera el mismo, la funcion de error cuadratica es de uso
com
un pero no resulta aconsejable cuando el ruido no es gaussiano o hay muchos valores
erroneos en la muestra. Los metodos de ajuste deben ser computacionalmente eficaces,
deben converger, es decir, acercarse hacia un mnimo en forma estable y que este mnimo
sea global, evitando valles locales que pueda tener la funcion objetivo. Los metodos de
ajuste se pueden clasificar seg
un, [Zorrilla Pantaleon, 2001]:
La amplitud de la b
usqueda. Los algoritmos que realizan la b
usqueda por todo el
espacio de pesos se denominan globales, y aquellos que buscan el mnimo en las
proximidades del punto inicial, se designan locales.
El grado de derivadas que utiliza el algoritmo:
Grado 0, no utilizan derivadas,

Grado 1, usan la primera derivada,

Grado 2, utilizan la segunda derivada.

64

A mayor grado, el algoritmo es mas veloz y complejo. Existen diversos metodos de

optimizacion de grado cero y b
usqueda global, como son, el algoritmo de cristalizacion,
algoritmos geneticos, algoritmos de perturbacion, etc., que se pueden utilizar para la
obtencion preliminar de los pesos a partir de los cuales se aplique otro metodo de ajuste
mas eficaz (basado en derivadas).
A continuacion se describen los metodos de ajuste mas com
unmente utilizados en el
ambito de las redes neuronales.
Descenso de Gradiente Conjugado
Es un algoritmo de grado 1 y b
usqueda local, trata de solventar la poca eficiencia que
presenta el descenso de gradiente al avanzar en direcciones ortogonales. Las direcciones
conjugadas son suficientemente decrecientes a pesar de que no sean las del gradiente y
no son ortogonales. En cada momento se conoce el gradiente, gi , y la direccion a tomar
di . La primera direccion es la del gradiente cambiado de signo y la siguiente direccion se
calcula seg
un, [Zorrilla Pantaleon, 2001]:
dn+1
= gin+1 + dni
i

(2.12)

donde:
P

gjn+1 (gjn+1 gjn )

P
=
dnj (gjn+1 gjn )

(2.13)

En cada paso hay una minimizacion unidimensional a lo largo de la direccion a tomar,

en esta minimizacion se pueden aplicar varios algoritmos como el de Newton.
Newton. Levenberg-Marquardt
El metodo de Newton es una alternativa a los metodos de gradiente conjugado para
una optimizacion mas rapida, es un algoritmo local de grado 2. Toma una aproximacion
hasta la segunda derivada del desarrollo en serie del error y busca el mnimo a partir de
esa expresion. Como la funcion no sera de segundo orden, el proceso sera iterativo. En
cada iteracion el vector incremento de pesos se calcula seg
un, [Zorrilla Pantaleon, 2001]:
p = Hg

(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

cada paso hay una minimizacion unidimensional a lo largo de la direccion a tomar. En

esta minimizacion se pueden aplicar varios algoritmos como el de Newton.
Criterios de Parada
Los algoritmos de ajuste funcionan por iteraciones, por eso se requiere alg
un criterio
que indique detener el proceso y dar el resultado por bueno. Algunos de estos pueden ser,
[Zorrilla Pantaleon, 2001]:
Detener el algoritmo cuando el progreso es muy peque
no.
Llegar a cierto valor de la funcion de error.
Que todos los puntos de la muestran tengan su error por debajo de un umbral.
Que el gradiente, en algoritmos de grado 1 o 2, sea casi nulo.

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

En los casos practicos donde se utiliza la regularizacion de la complejidad para mejorar

la generalizacion, al parametro se le asigna un valor entre medio de estos dos casos
extremos. La forma de regularizacion de complejidad que puede utilizarse es la degradacion
de pesos (weight decay), [Hinton, 1989]. En el procedimiento weight-decay, el termino
penalidad de complejidad se define como la norma al cuadrado del vector de pesos w (es
decir, todos los parametros libres) en la red, como se muestra en la siguiente ecuacion:
C (w) = kW k2 =

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

Las Redes Neuronales Estaticas, tienen como caracterstica com

un el no poseer memoria, es decir, solo son capaces de transformar un conjunto de entradas en un conjunto
de salidas, de tal manera que una vez establecidos todos los parametros de la red las
salidas u
nicamente dependen de las entradas, en general la relacion deseada de entradas
y salidas se determina en este caso externamente mediante alguna forma de ajuste de los
parametros del sistema supervisado.
Este tipo de redes se han empleado con exito en muchos problemas de clasificacion,
como funciones logicas, as como en el campo de la aproximacion funcional.
Son ejemplo de este tipo de redes, las redes Multicapa de Perceptrones, las redes de
Funciones de Base Radial y las redes Neuronal Probabilstica.
En estos modelos, el flujo de informacion es generalmente sncrono, todos los estados
de las neuronas se actualizan al mismo tiempo o siguiendo una secuencia determinstica.
68

2.5.1.

Redes Multicapa

Las Redes Multicapa o de retropropagacion, seg

un la cantidad de capas ocultas que
tenga, puede resolver una gran variedad de problemas en diferentes areas del conocimiento,
siendo entre las arquitecturas de redes la mas popular; en la Figura (2.22), se identifican
sus componentes.

Figura 2.22: Descripcion de una red neuronal artificial 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

En un perceptron, cada entrada es multiplicada por el peso W correspondiente y los

resultados son sumados, siendo evaluados contra el valor de umbral, si el resultado es
mayor al mismo, el perceptron se activa, como se detalla en la Figuras (2.23) y (2.24).

69

Figura 2.23: Estructura del Perceptron.

Figura 2.24: Capas de un Perceptron.

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)

Figura 2.25: Aprendizaje Hebbiano del Perceptron.

Descenso de Gradiente: Inicialmente se eligen valores aleatorios para los pesos, la

idea de este metodo es utilizar un proceso iterativo que minimice la funcion de error:
E(w) =

1 X  p bp 2
bi bi
2 i,p

(2.25)

En el caso lineal (f (x) = x) se tiene:

wij =
En general, se tiene:
wij =


X p
E
=
bi bbpi apj
wij
p


X p
E
=
bi bbpi f (Bip )apj
wij
p

El parametro se llama tasa de aprendizaje.

71

(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.

Figura 2.26: Red de Hopfield.

Posteriormente, cuando se tenga una configuracion arbitraria de las neuronas como

entradas, la red devolvera aquel patron almacenado que este mas cerca de la configuracion
de partida en terminos de la distancia de Hamming, siendo esta distancia el n
umero de
72

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)

Ahora, si se quieren obtener los pesos apropiados para memorizar un patron a =

(a1 , . . . , an ), entonces, los pesos tienen que satisfacer las siguientes condiciones de estabilidad:

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)

Redes con Retraso de Tiempo-FTDNN

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.

Redes con Estructura NAR

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.

Figura 2.28: Red neuronal FTDNN: Alturas Hidrometricas Pto. Iaguaz

u, Posadas e Itat.

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.

Figura 2.29: Red neuronal NAR: Alturas Hidrometricas de Corrientes.

74

2.6.4.

Redes con Estructura NARX

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

Figura 2.33: Redes Profundas: Estructura con varias capas ocultas.

el poder en los sistemas de aprendizaje, en particular en las redes neuronales artificiales

multicapa. Se estan produciendo mejoras en areas como la precision de la vision por
computador, reconocimiento de voz y otras aplicaciones, generando un campo que es
conocido como, aprendizaje profundo, [Anthes, 2013].
En la decada de 1980, Hinton y otros propusieron un tipo mas poderoso de aprendizaje
supervisado, que emplea aprendizaje en m
ultiples capas, combinacion de caractersticas de
bajo nivel en forma sucesiva hasta los niveles mas altos. Sin embargo, Hinton dice que, con
algunas excepciones, estos sistemas no funcionan tan bien como era esperado. El proceso
de iniciar con caractersticas de muy bajo nivel, tales como la intensidades de pxeles
individuales y el aprendizaje de m
ultiples capas, al hacerse todo al mismo tiempo, implica
una enorme cantidad de calculos, los ordenadores de esos a
nos no eran lo suficientemente
rapido, no haba suficientes datos etiquetados y no tenan una buena forma de inicializar
los pesos. Desde 2005, Hinton con Yann Le Cun, profesores de informatica y neurociencia,
en la Universidad de Nueva York y otros hicieron una serie de los avances fundamentales
en redes neuronales, principalmente en apredizaje sin supervision y el aprendizaje de
m
ultiples capas, haciendo viable su aplicacion, [Anthes, 2013].
La complejidad de construir Redes Profundas, no puede resolverse de forma efectiva
empleando algoritmos clasicos de redes neuronales. Tras identificar las causas de esta
complejidad se presentan dos metodos capaces de llevar a cabo esta tarea, las Maquinas
de Boltzmann Restringidas (Restricted Boltzmann Machines) y los Autocodificadores
Dispersos (Sparse Autoencoders), as como algunas tecnicas de optimizacion adecuadas
77

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).

Figura 2.34: Redes Profundas: Autocodificador.

2.8.

Algoritmos Evolutivos

La teora de la evolucion, fue descrita en 1859 por Charles Darwin, 20 a

nos despues de
su viaje por las islas Galapagos, en el libro Sobre el Origen de las Especies por medio de la
Seleccion Natural. En los a
nos 50, Watson y Crick descubrieron que la base molecular de
78

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),

Figura 2.35: Cadena de ADN.

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.

Mecanismos de Cambio en la Evoluci

on

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

Figura 2.36: Descripcion del Algoritmo Genetico.

Figura 2.37: Descripcion de un Cruce en los Algoritmos Geneticos.

generando para la evolucion un algoritmo basado en poblaciones con cruces, mutaciones

e inversiones:, [Holland, 1992].
Cruce: extrae partes de dos cromosomas, imitando la combinacion biologica de dos
cromosomas aislados (gametos).
Mutaci
on: se encarga de cambiar, de modo aleatorio, los valores del alelo en algunas
localizaciones del cromosoma.
Inversi
on: invierte el orden de una seccion contigua del cromosoma, recolocando por
tanto el orden en el que se almacenan los genes.
Siendo actualmente una tecnica robusta, que puede tratar con exito gran variedad de
problemas de diferentes areas, incluyendo aquellos en los que otros metodos encuentran
dificultades. No se garantiza que se encuentre la solucion optima del problema, pero si
que se encuentran soluciones de un nivel aceptable, en un tiempo competitivo con el resto
de algoritmos de optimizacion.
Al trasladar estos conceptos a la vida artificial en los algoritmos geneticos, el termino
cromosoma se refiere a un candidato a solucion del problema, que a menudo se codifica
como una cadena de bits. Los genes son tanto un bit o bloques cortos de bits adyacentes
que codifican un elemento particular del candidato a solucion, por ejemplo, en el caso
de la optimizacion de una funcion multiparametrica, los bits que codifican un parametro
particular, se considera un gen. Un alelo en una cadena de bits sera un 0 o un 1 (para
alfabetos largos cada lugar puede tener mas alelos), como se visualiza en la Figura (2.38).
La forma mas simple de algoritmo genetico utiliza tres tipos de operadores:
81

Figura 2.38: Detalle de Cromosona, Gen y Alelo.

Figura 2.39: Operacion de Cruce.

Figura 2.40: Operacion de Mutacion.

Seleccion o Reproduccion: Este operador escoge cromosomas entre la poblacion para

efectuar la reproduccion. Cuanto mas capaz sea el cromosoma, mas veces sera seleccionado para reproducirse.
Cruce: El cruce consiste, normalmente, como en su espejo biologico, en un intercambio de material genetico entre dos cromosomas de dos padres haploides. Se trata de
un operador cuya labor es elegir un lugar y cambiar las secuencias antes y despues
de esa posicion entre dos cromosomas, para crear nueva descendencia, por ejemplo, las cadenas 0110001110 y 1001100011 pueden cruzarse despues del sesto lugar
para producir la descendencia 0110000011 y 1001101110. Imita la recombinacion
biologica entre dos organismos haploides, como se detalla en la Figura (2.39).
Mutaci
on: La mutacion es una permutacion en un bit en un lugar aleatorio o en
los alfabetos largos, remplaza el smbolo de un lugar escogido aleatoriamente con
un smbolo nuevo escogido tambien aleatoriamente. Este operador produce variaciones de modo aleatorio en un cromosoma, por ejemplo, la cadena 0100101110 puede
mutar su cuarta y novena posicion para dar lugar a la cadena 0101101100. La mutacion puede darse en cada posicion de un bit en una cadena, con una probabilidad,
normalmente muy peque
na, por ejemplo 0,001, como se detalla en la Figura (2.40).
82

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

Figura 2.41: Diagrama del Algoritmo Genetico Simple o Canonico.

84

Captulo 3
Descripci
on Estadstica del ro
Paran
a
3.1.

Introducci
on

En este Captulo se realiza la Descripcion Estadstica del ro Parana, iniciando en la

Seccion (3.2) con el Estudio Estadstico Descriptivo del ro en la localidad de Corrientes,
en la Seccion (3.3) se presentan los Graficos de Evolucion Temporal, en la Seccion (3.4)
se analizan las Tendencias, en la Seccion (3.5), se presentan los Graficos de Recurrencia
y finalizando en la Seccion (3.6) con las Conclusiones Cualitativas y Cuantitativas sobre
el comportamiento del ro Parana.

3.2.

Estudio Estadstico Descriptivo

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

Se consideran para el desarrollo de la presente tesis las dos u

ltimas perodos de inundaciones, que han superado los 8, 00m, los a
nos de 1991-1992 y de 1997-1998, por ser ambas
posteriores a la construccion de la Central Hidroelectrica Binacional Argentina-Paraguaya
de Yacyreta, la cual ha modificado y regulado el curso normal del ro Parana aguas abajo.
En la inundacion de 1991-1992, la represa estaba en etapa avanzada de construccion y en
la de 1997-1998 en etapa de funcionamiento parcial.

3.2.1.

Estadsticos de las Alturas Hidrom

etricas en la localidad
de Corrientes en los a
nos 1989-2008

Inicialmente se realiza un estudio estdstico descriptivo de las Alturas Hidrometricas

del ro Parana en la localidad de Corrientes, analizando el perodo del 1 de enero de 1989
al 31 de diciembre de 2008, obteniendose los siguientes estadsticos, para este perodo de
20 a
nos:
Media o Promedio: 3, 95m
Mediana: 3, 72m
Moda: 3, 40m
Maximo: 8, 61m
Mnimo: 1, 40m
Rango: 7, 21m
Q1 : 3, 02m
Q2 : 3, 72m
Q3 : 4, 74m
Coef. Asimetra: 0, 74
Desviacion Estandar: 1, 23
Curtosis: 0, 28
Varianza: 1, 52m2
Esto indica las siguientes caractersticas estadsticas del ro en la localidad de Corrientes, una Altura Promedio de 3, 95m, por lo cual podemos deducir que en promedio la
altura del ro presenta valores por debajo de los valores de alerta, la Moda es de 3, 40m
lo que indica que es el valor mas frecuente en la altura del ro, las alturas hidrometricas
se distribuyen en un rango de 7, 21m siendo el valor Maximo de 8, 61m y el Mnimo de
1, 40m, el Cuartil Q1 es de 3, 02m lo que indica que el 25 % se presentan valores inferiores
a este valor, el Cuartil Q2 y la Mediana es de 3, 72m lo que nos indica que el 50 % de las
alturas presentan valores inferiores a esta altura y el Cuartil Q3 es de 4, 74m, indicando
que el 75 % de las mediciones presentan valores inferiores a este valor.
86

El Coeficiente de Asimetra de la serie es de 0, 74, por lo cual presenta una distribucion

asimetrica positiva, que indica que se concentran mas valores a la derecha de la media
aritmetica o promedio, que a su izquierda.
La Desviacion Estandar es de 1, 23, siendo la desviacion estandar una medida del
grado de dispersion de los datos con respecto al valor promedio, nos indica que los datos
se distribuyen en promedio con respecto a la media aritmetica en 1, 23.
El Coeficiente de Curtosis es de 0, 28, siendo que analiza el grado de concentracion
que presentan los valores alrededor de la zona central de la distribucion, al ser positivo
nos indica que los datos son sesgados a la derecha y que se trata de una distribucion
leptoc
urtica, que presenta un elevado grado de concentracion alrededor de los valores
centrales de la variable.
Analizando estos estadsticos puede observarse que el ro Parana en la ciudad de Corrientes, presenta la mayor parte del tiempo valores inferior a los 5, 00m, que es el primer
valor de alerta de emergencia de inundacion, por ello podemos deducir que las inundaciones
son fenomenos no frecuentes pero de gran magnitud, porque en perodos de inundacion, los
valores de alturas hidrometrica alcanzan los 8, 61m, lo que supera el doble de los valores
promedio, media y moda de la serie.

3.2.2.

Estadsticos de las Alturas Hidrom

etricas en la localidad
de Corrientes, en Perodo sin Inundaci
on A
nos 2005-2006

Media o Promedio: 3, 31m

Mediana: 3, 21m
Moda: 2, 49m
Maximo: 5, 80m
Mnimo: 1, 95m
Rango: 3, 85m
Q1 : 2, 74m
Q2 : 3, 21m
Q3 : 3, 72m
Coef. Asimetra: 0, 92
Desviacion Estandar: 0, 77
Curtosis: 0, 90
Varianza: 0, 59m2
Las caractersticas estadsticas del ro en la localidad de Corrientes en el perodo de
curso nomal considerando los a
nos de 2005-2006, presenta una Altura Promedio de 3, 31m,
por lo cual podemos deducir que en promedio la altura del ro se mantuvo por debajo de
los valores de alerta, al igual que la Moda que es de 2, 49m, las alturas hidrometricas se
87

distribuyen en un rango de 3, 85m siendo el valor Maximo de 5, 80m, el Mnimo de 1, 95m

y la Mediana es de 3, 21m.
El Coeficiente de Asimetra de la serie es de 0, 92, por lo cual presenta una distribucion
asimetrica positiva, que indica que se concentran mas valores a la derecha de la media
aritmetica o promedio, que a su izquierda.
El Coeficiente de Curtosis es de 0, 90, siendo que analiza el grado de concentracion
que presentan los valores alrededor de la zona central de la distribucion, al ser positivo
nos indica que los datos son sesgados a la derecha y que se trata de una distribucion
leptoc
urtica, que presenta un elevado grado de concentracion alrededor de los valores
centrales de la variable.
Analizando estos estadsticos puede observarse que el ro Parana en la ciudad de Corrientes, en perodos de alturas normales presenta la mayor parte del tiempo valores
inferior a los 5, 00m, que es el primer valor de alerta de emergencia de inundacion y que
el valor de alerta es superados en raras ocasiones y por pocos das.

3.2.3.

Estadsticos de las Alturas Hidrom

etricas en la localidad
de Corrientesde, en Perodo de Inundaci
on A
nos 19911992

Media o Promedio: 4, 53m

Mediana: 4, 57m
Moda: 4, 70m
Maximo: 8, 61m
Mnimo: 2, 14m
Rango: 6, 47m
Q1 : 3, 54m
Q2 : 4, 57m
Q3 : 5, 22m
Coef. Asimetra: 0, 53
Desviacion Estandar: 1, 33
Curtosis: 0, 17
Varianza: 1, 76m2
Analizando las caractersticas estadsticas del ro en la localidad de Corrientes en el
perodo de Inundacion 1991-1992, se observa una Altura Promedio de 4, 53m, por lo cual
podemos deducir que en promedio la altura del ro se mantuvo por debajo de los valores de
alerta, al igual que la Moda que es de 4, 70m, las alturas hidrometricas se distribuyen en
un rango de 6, 47m, siendo el valor Maximo de 8, 61m, el Mnimo de 2, 14m y la Mediana
es de 4, 57m.
88

El Coeficiente de Asimetra de la serie es de 0, 53, por lo cual presenta una distribucion

practicamente simetrica, que indica que se concentran mnimamente mas valores a la
derecha de la media aritmetica o promedio, que a su izquierda.
El Coeficiente de Curtosis es de 0, 17, al ser positivo nos indica que los datos son
sesgados a la derecha y que se trata de una distribucion leptoc
urtica, que presenta un
elevado grado de concentracion alrededor de los valores centrales de la variable.
Analizando estos estadsticos puede observarse que el ro Parana en la ciudad de Corrientes, presenta la mayor parte del tiempo valores inferior a los 5, 00m, que es el primer
valor de alerta de emergencia de inundacion, a pesar de ser perodos de inundacion, aunque presenta en estos a
nos alturas mas altas que oscilan entre 0, 50m y 1, 00m, que los
valores promedio generales, por ello podemos deducir que las inundaciones son fenomenos
no frecuentes pero de gran magnitud y con una permanencia en valores altos cercanos o
superiores al nivel de alerta, que cuando se presenta el pico de crecida en los perodos de
inundacion, los valores de alturas hidrometrica alcanzan los 8, 61m, conservando valores
proximo a este valor por varios das, siendo en la onda de crecida valores de altura hidrometrica que superan notablemente los valores promedio, media y moda de la serie en
perodo de inundacion.

3.2.4.

Estadsticos de las Alturas Hidrom

etricas en la localidad
de Corrientesde, en Perodo de Inundaci
on A
nos 19971998

Media o Promedio: 5, 31m

Mediana: 5, 38m
Moda: 5, 61m
Maximo: 8, 38m
Mnimo: 2, 83m
Rango: 5, 55m
Q1 : 4, 15m
Q2 : 5, 38m
Q3 : 6, 29m
Coef. Asimetra: 0, 07
Desviacion Estandar: 1, 32
Curtosis: 0, 82
Varianza: 1, 75m2
Los siguientes estadsticas del ro en la localidad de Corrientes en el perodo de Inundacion de 1997-1998, presenta una Altura Promedio de 5, 31m, por lo cual podemos deducir
que en promedio la altura del ro se mantiene por encima de los valores de alerta, al igual
89

que la Moda que es de 5, 61m, las alturas hidrometricas se distribuyen en un rango de

5, 55m siendo el valor Maximo de 8, 38m, el Mnimo de 2, 83m y la Mediana es de 5, 38m.
El Coeficiente de Asimetra de la serie es de 0, 07, por ser un valor cercano a cero, puede
considerarse que la distribucion es simetrica, presentando aproximadamente la misma
cantidad de valores a ambos lados de la media.
El Coeficiente de Curtosis es de 0, 82, siendo que analiza el grado de concentracion
que presentan los valores alrededor de la zona central de la distribucion, al ser negativo
nos indica que los datos son sesgados minimamente a la izquierda y que se trata de una
distribucion platic
urtica, que presenta un reducido grado de concentracion alrededor de
los valores centrales de la variable.
Analizando estos estadsticos puede observarse que el ro Parana en la ciudad de Corrientes en el perodo de Inundacion de 1997-1998, presenta la mayor parte del tiempo
valores superiores a los 5, 00m, que es el primer valor de alerta de emergencia de inundacion, aunque presenta en estos a
nos alturas mas altas que oxilan entre 0, 50m y 1, 00m,
que el promedio general.
Al comparar los estadsticos de esta inundacion con los valores de la inundacion de
1991-1992, podemos destacar que en esta inundacion el valor maximo ha sido menor en
0, 23m, pero la onda de crecida ha permanecido con valores altos mas tiempo que la
inundacion de 1991-1992, lo cual se aprecia al comparar los valores de las medianas para
1991-1992 es de 4, 57m y para 1997-1998 es de 5, 38m.

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

El funcionamiento y estructura de los ros con planicie de inundacion, como el ro

Parana, estan condicionados por las inundaciones periodicas o pulsos de energa y materia o pulso hidrosedimentologico, en ros como el Parana, las crecientes y las bajantes
90

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.

Regularidad o Recurrencia (R): corresponde a la probabilidad estadstica de un

evento de inundacion o sequa de magnitud determinada dentro de una centuria o
de un milenio. Esta dado por la frecuencia relativa.
Amplitud (A): tambien expresada como duracion, es el segmento de tiempo que
permanece el ro en una fase de inundacion o de sequa de determinada magnitud.
Estacionalidad (S): se refiere a la frecuencia estacional en que ocurren las fases de
sequas o inundaciones. Los organismos, excepto el hombre, tienen ajustes de sus
ciclos de vida (fertilidad, reproduccion, crecimiento) a la epoca en que ocurren los
eventos hidrologicos.
Las diferencias en la posicion topografica en distintos puntos de una planicie, determinaran diferente frecuencia, intensidad y duracion de las fases de inundacion y de sequa.
La oferta de habitat para micro y macro organismos tambien sera distinta y puede ser
calificada y cuantificada, como se grafica en la Figura (3.6), [Neiff, 1999].
El ro Parana en la localidad de Corrientes, es un ro poco predecible, com bajo isocronismo, baja recurrencia de pulsos y magnitud muy variable de fases, como se observa
en la Figura (3.1), esto se debe a su regimen hidrologico mixto, complejo y al hecho de
captar agua de regiones climaticas diferentes, por estar orientado de norte a sur recoge
las lluvias en el extenso recorrido en Brasil, considerando ademas que el ro Iguaz
u tiene
una influencia muy marcada en el bajo 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

Figura 3.5: Variaciones hidrometricas del ro Parana en el Puerto de Corrientes desde

enero de 1998 hasta enero de 2006, [Neiff, 1999].

Figura 3.6: Representacion esquematica de un Pulso de Inundacion del ro Parana, [Neiff,

1999].

aritmeticas de un conjunto k de valores consecutivos, con el requisito de que k sea inferior

al total de observaciones.
Con este metodo lo que se hace es suavizar la serie promediando los valores de la misma
para periodos de tiempo fijos pero que se desplazan a lo largo de todo el horizonte de la
serie, el resultado de este proceso es la eliminacion de los movimientos a corto y medio
plazo as como las irregularidades debidas a factores no controlables ni predecibles. Es
decir, a la serie se le quitan tres de sus componentes y se le deja solo la tendencia. La idea
que subyace detras de este metodo es que la media de cualquier conjunto de valores sirve
para eliminar la dispersion o variabilidad de la serie motivada por factores coyunturales
94

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.

Figura 3.7: Alturas hidrometricas del ro Parana en la localidad de Corrientes en el perodo

1989-2008 y lnea de tendencia aproximada por medias moviles de orden 7.

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

Figura 3.8: Alturas hidrometricas del ro Parana en el Puerto de Corrientes en el perodo

de Inundacion de 1991-1992 y lnea de tendencia aproximada por medias moviles de orden
2.

3.5.

Gr
aficos de Recurrencia y Frecuencia

La frecuencia y la recurrencia tambien definen la modalidad de fluctuacion del ro, la

frecuencia indica el n
umero de veces que ocurre un proceso en un determinado lapso de
tiempo, por ejemplo el n
umero de crecidas extraordinarias del ro Parana en un siglo y
la recurrencia define la regularidad con que el fenomeno ocurre en el tiempo, por ejemplo
cada 6 a
nos.
En el cuadro de la Figura (3.10), se detallan la recurrencia de las Inundaciones seg
un
las alturas hidrometricas maximas alcanzadas en cada una de ellas, puede observarse que
a mayor altura hidrometrica del ro, es menor su recurrencia.
En la Figura (3.11), se puede observar el histograma mensual de la localidad de Corrientes para el perodo de 1989 a 2008, donde se aprecia claramente como en los meses
de enero, febrero y marzo, el ro presenta alturas hidrometricas que superan los 5, 00m,
que es el valor de alerta de crecida y que representa el primer pico de crecida y de mayor
intensidad, siendo febrero el mes de que presenta mas das con valores altos, luego en los
meses de septiembre, octubre y noviembre se observa la seguna onda de crecida pero de
menor intensidad, presentando los valores mas altos el mes de octubre.
En la Figura (3.12), se detalla el histograma anual de la localidad de Corrientes para
el perodo de 1989 a 2008, donde se observa claramente la presencia de los dos perodos de
inundacion que se analizan en el presente trabajo, el primer a
no es 1992, que corresponde
a la creciente de los a
nos 1991-1992 y el segundo de los a
nos 1997-1998, los mencionados
96

Figura 3.9: Alturas hidrometricas del ro Parana en el Puerto de Corrientes en el perodo

de Inundacion de 1991-1992 y lnea de tendencia aproximada por medias moviles de orden
2.

Figura 3.10: Recurrencia de Inundaciones seg

un Alturas Hidrometricas Maximas.

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

Figura 3.11: Histograma mensual de alturas hidrometricas del ro Parana en a localidad

de Corrientes en el perodos de 1989 a 2008.

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.

Conclusiones Cualitativas y Cuantitativas

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

Figura 3.12: Histograma anual de alturas hidrometricas del ro Parana en la localidad de

Corrientes en el perodos de 1989 a 2008.

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.

Figura 3.14: Alturas y Cuadales de perodos de Inundaciones en la localidad de Corrientes.

y no predecible del ro Parana, en especial en perodos de inundacion. Puede observarse

que en epocas de crecidas los valores de altura promedio, como la moda y la media son
duplicados con referencia a los valores de a
nos normales y que las inundaciones tienen
comportamientos diferentes en 1991-1992 alcanzo una mayor altura llegando a los 8, 61m,
pero la inundacion fue de menor duracion, sin embargo en 1997-1998 el ro alcanzo 8, 38m,
pero con una mayor duracion o amplitud, lo cual se denota en los estadsticos del perodo
de inundacion, con valores de mediana y del cuartil Q3 de 5, 38m, como el valor de la
moda de 5, 61m, siendo valores que superan el nivel de alerta de inundacion de 5, 00m.

100

Figura 3.15: Cuadro Comparativo de Estadsticos de las Alturas Hidrometricas del ro

Parana en la localidad de Corrientes.

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

En este Captulo se detalla la Aplicacion de Modelos de Series Temporales Lineales

para Prediccion, iniciando en la Seccion (4.2) con el Analisis de Series Ttemporales, presentando diferentes modelos, en la Seccion (4.3) se presenta el Analisis de Altura del ro
y Variables Meteorologicas con diferentes Modelos de Series Temporales y en la Seccion
(4.4), se detallan Modelos de Series Temporales aplicados en el Analisis de Alturas y
Caudales, los analisis que se presentan en este captulo son para realizar predicciones de
alturas hidrometricas en la localidad Corrientes, con informacion de esta estacion y las
estaciones del Alto Parana de Pueto Iguaz
u, Posadas e Itat.

4.2.

Series Temporales Lineales

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.

Modelos ARIMA - Herramientas Implementadas

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

de Autobox (www.autobox.com), para construir modelos Box-Jenkins, presenta un buen

conjunto de modelos de regresion y de series de tiempo ARIMA para los datos univariados
y multivariados.
Freefore usa modelos heursticos automaticos, no elige el mejor, trabaja con deteccion
de intervencion. Se adapta el modelo de prevision para el problema bajo analisis, incluyendo la seleccion de las mejores estructuras de pulso y de retraso para cada serie de
entrada. Se corrige la omision de variables, por ejemplo, los cambios que han afectado a
los datos historicos.
FreeFore es un software gratuito, una version reducida del programa comercial Autobox, pero tiene el mismo modelo y motor de pronostico. FreeFore tiene un conjunto
de herramientas graficas que ayudan a presentar informacion estadstica compleja de una
forma que sea facil y claro en cada etapa del proceso de prevision e incluso una descripcion simple del modelo final. Los graficos de autocorrelacion, autocorrelacion parcial y
funciones de correlacion cruzada estan todos disponibles.
An
alisis con Matlab, Herramienta de Identificaci
on de Sistemas GUI
Las Herramientas de Identificacion de Sistemas GUI, que tiene Matlab, permite construir modelos matematicos en forma dinamica basandose en los datos, generando varios
modelos, permitiendo su posterior analisis, para determinar el modelo que mejor ajusta
a los datos que estamos estudiando y permite seleccionar el tipo de modelo que se desea
trabajar.

4.3.

An
alisis de Alturas Hidrom
etricas del ro y Variables Meteorol
ogicas en Corrientes

Primeramente se realiza el analisis con los datos Meteorologicos y la Altura de ro en

la localidad de Corrientes, para determinar la incidencia de los datos meteorologicos sobre
la altura del ro Parana, considerando las siguientes variables Meteorologicas:
Precipitacion (mm)
Temperatura Maxima (o C)
Temperatura Mnima (o C)
Temperatura Media (o C)
Humedad Relativa ( %)
Viento Escalar Medio en Km/h
Presion Atmosferica a nivel de la estacion (hPa)
Altura del ro Media (m)
106

Este conjunto de datos comprende registros diarios por un perodo de 20 a

nos, pero
presenta muchos intervalos faltantes de informacion en cada variable, siendo estos intervalos de tiempo distintos para cada variable, por lo cual es una ardua tarea encontrar un
perodo de varios a
nos con datos completos en todas las variables.
Con este analisis de busca determinar la incidencia de las variables Meteorologicas
sobre la altura del ro y si existe, poder determinar su grado de influencia en la altura
hidrommetrica del ro Parana en la localidad de 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.

3,3004, es la media de la altura del ro,

[(1 0,992B 1 )]1 , es el coeficiente B de retardo aplicado con un da de atraso, en
los valores de altura del ro en Corrientes,
T , es el tiempo,
A, es la Altura del ro en Corrientes,
Y , es la variable estimada Altura del ro en Corrientes.
Al analizar el modelo generado por FreeFore, las variables Meteorologicas han sido
descartadas en el modelo, porque el modelo utiliza solamente los datos de altura de ro
en el da anterior, para predecir la altura del ro.
Este analisis se ha repetido con distintos perodos de tiempo para la localidad de
Corrientes, tambien incluyendo datos meteorologicos de las estaciones de Puerto Iguaz
u,
Posadas e Itat, obteniendose en todos los casos resultados similares, en los que las variables Meteorologicas no eran includas en el modelo generado.
En el modelo de Autorregresion generado por FreeFore, se ha utilizado para realizar
predicciones de Altura del ro en la localidad de Corrientes con un pronostico a 7 das, en
base a los datos meteorologicos, en la Figura (4.2), puede observarse que los errores del
modelo oscilando entre 0, 43m y 0, 17m, que el error promedio es de un 0, 18m, que el
71 % de los pronosticos superan un error de 0, 10m y que el 43 % de los pronosticos estan
por debajo de la altura real del ro, cuando el ro presenta cuace normal.
Al aplicar el mismo modelo a perodos de inudacion, los errores crecen alcanzando
para la inundacion de 1991-1992, un error promedio en valor absoluto de 2, 25m y con
datos de la inundacion de 1997-1998, un valor 1, 98m, lo cual indica que el ro presenta
comportamientos muy distintos en perodos de inundacion que en perodos normales o de
bajantes.
108

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.

Figura 4.3: Herramienta de Identificacion de Sistemas de Matlab-Datos Meteorologicos

y Altura Hidrometricas del ro en la localidad de Corrientes y el modelo Autorregresion
seleccionado, que sera aplicado.

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):

A(q)y(t) = B(q)u(t) + e(t)

A(q) = 1 2,155(0,0378)q 1 + 1,925(0,08332)q 2 1,006
(0,08306)q 3 + 0,2516(0,03742)q 4
109

(4.2)

B1(q) = 0,001247(0,00107)q 32 0,0002419(0,001669)q 33

+0,002567(0,001775)q 34 0,0003788(0,001166)q 35
B2(q) = 0,0008386(0,0003551)q 33 + 0,0004097(0,0004322)q 34
0,000299(0,0003955)q 35 + 0,000415(0,0003253)q 36
B3(q) = 0,0004321(0,0008554)q 16 0,0002909(0,001299)q 17
+0,001177(0,001293)q 18 0,001154(0,0008504)q 19
B4(q) = 0,000246(0,0006276) + 0,0001825(0,000684)q 1
+0,001176(0,000683)q 2 + 0,0001153(0,0006289)q 3
B5(q) = 0,0003662(0,0002217) + 0,0003618(0,0002231)q 1
0,0004074(0,0002233)q 2 + 3,058e 005(0,0002223)q 3
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 Meteorologicas
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 Meteorologicas
son anuladas en el modelo por estar multiplicadas por valores muy cercanos a cero, lo que
indica su influencia nula, el modelo utiliza solamente los datos de altura del ro en los
das anteriores, para predecir la altura actual, 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.
Este analisis se ha repetido con distintos perodos de tiempo para la localidad de
Corrientes, tambien incluyendo datos meteorologicos de las estaciones de Puerto Iguaz
u,
Posadas e Itat, obteniendose en todos los casos resultados similares, en los que las variables Meteorologicas eran anuladas en el modelo generado por coeficientes muy cercanos a
cero.
El modelo de Autorregresion generado se ha utilizado para realizar predicciones de
Alturas Hidrometricas del ro en la localidad de Corrientes, en la Figura (4.4) en el grafico izquierdo, puede observarse los errores del modelo en un pronostico a 3 das, puede
apreciarse que el error oscila entre 0, 30m y 0, 70m, y en el grafico de la derecha pueden
observase los errores al realizar un pronostico a 5 das, donde se observa que el rango de
los error es se ha incrementado de 0, 60m a 0, 80m.
110

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

El conjunto de datos comprende registros medios diarios de alturas y caudales de las

estaciones argentinas del Alto Parna y Corrientes en el perodo de 1997 a 1998, siendo estos
a
nos de inundaciones y tomando el a
no 2009 para controles de validacion de resultados,
en la Figura(4.5), se muestra el detalle de los datos a procesar.
En FreeFore luego del procesado de los datos genera el siguiente modelo de Autorregresion, que se detalla en la Formula (4.3):

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)

+[(1 0,996B 1 )]1 [A(T )]

donde:
1,2648, es la media de la altura del ro,
(0,089B 2 ), es el coeficiente B de retardo aplicado con 2 das de atraso, en los
valores de altura de ro en la estacion de Posadas,
[(+0,367 + 0,441B 1 )], es el coeficiente B de retardo aplicado con 1 da de atraso, en
los valores de altura de ro en la estacion de Itat,
[(1 0,996B 1 )]1 , es el coeficiente B de retardo aplicado con 1 da de atraso, en los
valores de altura de ro en la estacion de Corrientes,
T , es el tiempo,
X1, es la Altura del ro en Posadas,
X2, es la Altura del ro en Itat,
A, es la Altura del ro en Corrientes,
Y , es la variable estimada Altura del ro en Corrientes.
Al analizar el modelo generado por Freefore, se nota que todas las variables de Caudales
en las distintas estaciones y la Altura en Puerto Iguaz
u, han sido descartadas en el modelo,
porque el modelo utiliza solamente los datos de Altura en Posadas de 2 das atras, Altura
en Itat de 1 da atras y Altura en Corrientes de 1 da anterior, para predecir la Altura
del ro en Corrientes.
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, no
incluyendo en ning
un caso las variables de caudales de todas las estaciones y la de altura
de ro de Puerto Iguaz
u.
El modelo de Autorregresion generado por FreeFore, se ha utilizado para realizar
predicciones de Altura Hidrometrica del ro en la localidad de Corrientes con un pronostico
a 7 das, en base a las Alturas y Caudales, en la Figura (4.6), puede observarse los errores
del modelo oscila entre 0, 05m y 0, 30m, que el error promedio es de un 0, 11m, que el
43 % de los pronosticos superan un error de 0, 10m y que el 71 % de los pronosticos estan
por debajo de la altura real del ro, esto siempre en a
nos de normales, sin perodos de
inundacion.
Al aplicar el modelo con datos de la inundacion de 1991-1992, se presenta un error
promedio en valor absoluto de 1, 67m y con datos de la inundacion de 1997-1998, se
presenta un error promedio de 1, 31m, lo que indica que debera focalizarse el estudio
para perodos de inundacion.
113

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.

Figura 4.7: Herramienta de Identificacion de Sistemas de Matlab-Datos de Alturas y

Cuadales en las estaciones de Puerto Iguaz
u, Posadas, Itat y Corrientes.

Matlab, luego del procesado de los datos genera el siguiente modelo ARX de Autorregresion, el cual se detalla en la Formula (4.4):
114

A(q)y(t) = B(q)u(t) + e(t)

A(q) = 1 1,328(0,02371)q 1 + 0,3999(0,03746)q 2
0,08286(0,02515)q 3 + 0,03342(0,00727)q 4
B1(q) = 0,0008986(0,0006657)q 3 0,0003085(0,0009166)q 4
0,0005605(0,0008918)q 5 + 0,001424(0,0005833)q 6
B2(q) = 1,371e 006(7,189e 007) 3,158e 006(1,476e 006)q 1
+3,724e 006(1,603e 006)q 2 1,831e 006(1,025e 006)q 3
B3(q) = 0,01381(0,004508)q 36 0,01861(0,009044)q 37
+0,0008583(0,009037)q 38 + 0,005235(0,004456)q 39
B4(q) = 0,0001492(5,974e 006) + 0,0001256(1,238e 005)q 1
5,651e 007(1,296e 005)q 2 + 1,53e 005(7,168e 006)q 3
B5(q) = 0,5576(0,01577) 0,4055(0,03507)q 1
0,04753(0,03831)q 2 0,06789(0,02271)q 3

B6(q) = 0,0001757(2,958e 006) 0,0002389(6,659e 006)q 1

+6,469e 005(8,438e 006)q 2 + 1,932e 006(4,524e 006)q 3
(4.4)

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

En este Captulo se detallan las Aplicaciones de Modelos de Rede Neuronales para

Prediccion a Corto Plazo, de las alturas hidrometricas del ro Parana en la localidad de
Corrientes, en perodos de inundacion, iniciando en la Seccion (5.2) con el Analisis de los
Perceptrones, en la Seccion (5.3) Optimizacion de Ajuste de Perceptron y las Adaptaciones de la Funcion de Error, en la Seccion (5.4) se detalla la funcion de penalizacion
Propuesta, en la Seccion (5.5) se presentan Redes Neuronales con la Funcion de Penalizacion Propuesta, en la Seccion (5.6) se propone una Combinacion de Archivos para mejorar
el aprendizaje de la red, en la Seccion (5.7) se detallan los Resultados de Redes Neuronales
con Funcion de Penalizacion entrenada con Archivos Combinados y en la Seccion (5.8),
se visulizan los Resultados Comparativos de las Predicciones a Corto Plazo.

5.2.
5.2.1.

Perceptr
on
Implementaci
on en Matlab - Herramienta de Redes Neuronales - NNTool

La Herramienta de Redes Neuronales de Matlab, NNTool, consiste de un conjunto de

funciones y estructuras que manejan las redes neuronales, que se presenta en un entorno de
ventanas de trabajo, donde se ingresan los datos del problema a resolver y se seleccionan las
funciones de activacion, los algoritmos de formacion, que se usaran, con distintas opciones
se ingresa o selecciona informacion sobre la estructura de la red neuronal, por ejemplo el
n
umero y estructura de sus capas, la conectividad entre las capas, datos necesarios para
generar la red neuroral, [Demuth and Beale, 1998].
El analisis con red neuronal usando la NNTool de Matlab, se inicia en el entorno de
trabajo de la Herramienta de redes neuronales, se ingresan los datos a ser analizados, en
las Figuras (5.1) y (5.2), puede observarse que el algoritmo trainbr o de regularizacion
bayesiana, es el que se propone para ser utilizado en la red neuronal, porque presento un
117

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.

Figura 5.1: Matlab-NNTool: Ventana de NNTool, con la RN y los datos usados en la

generacion.

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 5.2: Matlab-NNTool: Ventana de Creacion de la red neuronal, donde se indican

datos y se configuran las funciones y la estructura de la red neuronal.

red con datos de perodos normales, de perodos mixtos que comprendan a

nos con valores
normales y con valores de inundaciones y tambien se realizo entrenamiento con perodos
de inundaciones, buscando con ello que la red aprenda el comportamiento del ro en etapas
normales, como de crecidas e inundaciones.
De las pruebas realizadas se pudo concluir que cuando la red neuronal era entrenada
con datos de diferentes estados del ro, cuando se predecian alturas de ro para perodos
de inundacion cometia errores mayores.
Tambien se considero redes entrenadas con datos de perodos de inundacion, con este
entrenamiento focalizado en inundaciones se lograron mejores resultados, pero se presentaban resultados con errores de gran magnitud, al pronosticar valores extremos de
inundacion alta, no considerados en los datos de entrenamiento de la red.
En la tabla de la Figura (5.6), se presenta una sntesis de los resultados obtenidos con
dos redes neuronales RNH643 y RNHQ643, entrenadas en el mismo perodo de tiempo
a
nos 1997 y 1998, que comprenden un perodo de inundaciones, pero con distintos datos
de entrenamiento, como se detalla a continuacion:
119

Figura 5.3: Matlab-NNTool: Estructura de a Red Neuronal.

Figura 5.4: Matlab-NNTool: Entrenamiento de la Red Neuronal, indicando los archivos

de entrenamiento.

RNH643 : Red neuronal que ha sido entrenada con datos de Alturas de ro de la

estacion de Corrientes, Alturas de Puerto Iguaz
u con 6 das de retardo, Alturas de
Posadas con 4 das de retardo, Alturas de Itat con 3 das de retardo y Alturas de
Corrientes con 3 das de retardo.
RNHQ643 : Red neuronal que ha sido entrenada con datos de Alturas de ro de la
estacion de Corrientes, Alturas de Puerto Iguaz
u con 6 das de retardo, Alturas y
Caudales de Posadas con 4 das de retardo, Alturas y Caudales de Itat con 3 das
de retardo y Alturas y Caudales de Corrientes con 3 das de retardo.
Podemos observar en la tabla de la Figura (5.6), que la red neuronal RNH643, al
realizar pronostico en el mes de mayo de 1998, que el error absoluto promedio es de
120

Figura 5.5: Matlab-NNTool: graficas con los resultados del entrenamiento de la RN, funcion de entrenamiento Trainbr.

un 0, 06m, que el 20 % de los pronosticos superan un error de 0, 10m y que el 45 % de

los pronosticos estan por debajo de la altura real del ro y que al realizar el pronostico
para el mes de junio de 1992, los errores se incrementan, siendo los siguientes, el error
absoluto promedio es de 0, 44m, que el 100 % de los pronosticos superan un error de
0, 10m y que el 95 % de los pronosticos estan por debajo de la altura real del ro. Tambien
podemos observar que que la red RN HQ643, que incorpora los caudales en la prediccion,
al pronosticar valores para el mes de junio de 1992, que el error absoluto promedio es de
0, 54m, que el 95 % de los pronosticos superan un error de 0, 10m y que el 25 % de los
pronosticos estan por debajo de la altura real del ro.

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

La variable red neuronal se puede dividir en cinco secciones:

1. Arquitectura: Define las caractersticas basicas de la red neuronal, n
umero de entradas, capas, conexiones de vias, etc.
2. Subobjetos: Contiene referencias a las subestructuras de la red neuronal, que permitira configurar las propiedades de los distintos componentes que forman la red
(capas, entradas, salidas, etc.).
3. Funciones: Funciones principales de la red neuronal, utilizadas para ejecutar las
operaciones de inicializacion, entrenamiento o simulacion.
4. Parametros: Configuracion de los parametros asociados a las funciones seleccionadas
en el bloque de funciones.
5. Valores: Aqu se definen las matrices con los valores de los pesos de entrada, conexiones entre capas y vas.
Funciones
Una vez creada la red neuronal, para trabajar con la misma, podremos utilizar las
siguientes funciones para realizar las operaciones tpicas:
1. Inicializacion (net = init(net)): Mediante la funcion de inicializacion, se obtiene
una red neuronal con los valores de los pesos y vias actualizados seg
un las funciones
de inicializacion que le hayamos asociado a la red.
2. Entrenamiento ([net, tr, Y, E, P f, Af ] = train(net, P, T, P i, Ai, V V, T V ); ): Realiza
el entrenamiento de la red neuronal, modificando los pesos asociados a las conexiones entre las diferentes capas y neuronas de la misma. Para esto, debemos indicar
unos patrones de entrada a la red (P , matriz de dimensiones M xN siendo M la
suma de los tama
nos de las capas de entrada de la red neuronal y N el n
umero de
patrones que se desea aplicar en el entrenamiento). En caso de ser un entrenamiento
supervisado tambien indicaremos los targets (T , matriz de M xN ), con estos datos
la matriz de patrones se aplica a la red neuronal y el toolbox utilizando las funciones
de entrenamiento que se han indicado en las propiedades trainFcnse encargara de
actualizar los pesos asociados a las conexiones de la red. Los resultados del entrenamiento se obtendran en la variable de retorno Y y los errores para cada patron
de entrada respecto a la salida esperada en la variable de retorno E.
3. Simulacion ([Y, P f, Af, E, perf ] = sim(net, P, P i, Ai, T )): Funcion parecida a la
anterior pero que no actualizara los pesos de la red neuronal. Una vez que se tiene
entrenada la red neuronal y que esta ofrezca unos resultados validos, se utilizara esta
funcion para analizar nuevos patrones de entrada.

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

Los problemas de pronosticos requieren de medidas alternativas del error y por lo

tanto para su evaluacion se minimizara una funcion de costos asimetrica que no penalice
de igual forma cuando el pronostico se ubique por encima o por debajo del dato observado,
como ocurre en la realidad, [Crone, 2002a] y [Crone, 2002b].
Esta situacion es concretamente el caso bajo estudio de pronosticar la altura del ro en
un perodo de inundacion, resulta mucho mas costoso en terminos de seguridad, credibilidad y costos, cuando dentro de su esquema de alerta de inundacion se anuncia una meta
inferior a la que posteriormente se registra, que cuando ocurre lo contrario. Como tampoco es la misma situacion que el pronostico tenga un error de 0, 15m cuando el ro tiene
una altura de cauce normal de 3, 50m, que cuando el ro esta con alerta de inundacion
de 7, 00 m, o cuando esta en un pico de inundacion de 8, 80m, porque las consecuencias,
tanto en costo social como economico sera mayor cuando mayor sea la altura del ro.

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 5.7: Tabla comparativa de la penalizacion de Errores con la Funcion Cuadratica y

la Funcion de Penalizacion Propuesta.

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.

Redes Neuronales con Funci

on de Penalizaci
on
Propuesta
Generaci
on y Entrenamiento

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

Figura 5.9: Grafico de la funcion Cuadratica.

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

Figura 5.10: Errores obtenidos al implementar la RN con la Funcion de Penalizacion

propuesta.

5.6.

Combinaci
on de Archivos

Del analisis de los resultados obtenidos al ingresar datos de Alturas y Caudales en

las redes neurorales que se implementaron con NNTool, en la Seccion (5.2.1), en los
que se denotaba que las variables de caudales de las distintas estaciones no aportaban
informacion sobre la altura del ro Parana en la estacion de Corrientes, en esta etapa
no seran consideradas. Se trabajara con las alturas del ro en las estaciones de Puerto
Iguaz
u,con un retardo de 7 das, Posadas, con un retardo de 5 das, Itat y Corrientes
con retardos de 3 das, y las diferencias de alturas de 1 o 3 das en las estaciones de
Posadas, Itati y Corrientes, incoporandose la variable tiempo, la cual es presentada con
las funciones seno y coseno del tiempo, se busca con la trasformacion del tiempo en grados
que luego del 31 de diciembre viene el 1 de enero, reflejando la continuidad de los datos
de un a
no en el siguiente, siendo las variables utilizadas las siguientes:
1. ACorr3 : Corrientes con 3 das de retardo
2. ACorrdif1 : Diferencia de Corrientes entre das 3 y 4
3. ACorrdif2 : Diferencia de Corrientes entre das 4 y 5
128

4. AItati3 : Itat con 3 das de retardo

5. AItatidif1 : Diferencia de Itat entre das 3 y 4
6. AItatidif2 : Diferencia de Itat entre das 4 y 5
7. APosadas5 : Posadas con 5 das de retardo
8. APosadasdif1 : Diferencia de Posadas entre das 5 y 6
9. APosadasdif2 : Diferencia de Posadas entre das 6 y 7
10. AIguazu7 : Puerto de Iguaz
u con 7 das de retardo
11. At1 : seno del tiempo
12. At2 : coseno del tiempo
13. ACorrpred : Altura de Corrientes a ser pronosticada
Para obtener un mejor aprendizaje del comportamiento del ro Parana, se ingresan
las Alturas de las estaciones combinando los datos de 4 a
nos, los cuales corresponden a
las inundaciones de 1991-1992 y de 1997-1998, en la imagen de la Figura (5.11), puede
observarse con distintos colores como fue realizada la combinacion de los datos de estos
a
nos.
Esta combinacion de archivos se utiliza para generar los archivos de Entrenamiento,
Validacion y Testeo , que se utilizan en el entremamiento de la Red Neuronal Modificada,
buscando mejorar el aprendizaje de los perodos de inundacion.

Figura 5.11: Archivo con datos combinados de 2 perodos de inundaciones.

129

5.7.

Resultados de Redes Neuronales con Funci

on de
Penalizaci
on entrenada con Archivos Combinados

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).

Figura 5.12: Errores obtenidos al implementar la RN con la Funcion de Penalizacion

propuesta y entrenada con Archivos Combinados.
En las cuatro primeras columnas se presentan los resultados que se obtuvieron con
estos archivos combinados de distintas inundaciones, en los cuales los datos faltantes han
sido generados en relacion a los datos existentes y se pronostican 20 das de crecidas en
los perodos de inundacion de abril de 1998 y junio de 1992, con una antelacion de 3 das.
Para abril de 1998 : se obtuvo que el error promedio es de un 0, 12m, que el 70 %
de los pronosticos superan un error de 0, 10m y que el 15 % de los pronosticos estan
por debajo de la altura real del ro.
Para junio de 1992 : se tiene que el error promedio es de un 0, 11m, que el 45 % de
los pronosticos superan un error de 0, 10m y que el 20 % de los pronosticos estan
por debajo de la altura real del ro.
En las cuatro u
ltimas columnas se presentan los resultados que se obtuvieron con estos
archivos combinados de distintas inundaciones, pero eliminando los datos imcompletos y
se pronostican 20 das de crecidas en los perodos de inundacion de abril de 1998 y junio
de 1992, con una antelacion de 3 das.
Para abril de 1998 : se observa que el error promedio es de un 0, 12m, que el 70 %
de los pronosticos superan un error de 0, 10m y que el 5 % de los pronosticos estan
por debajo de la altura real del ro.
130

Para junio de 1992 : se aprecia que el error promedio es de un 0, 12m, que el 35 %

de los pronosticos superan un error de 0, 10m y que el 20 % de los pronosticos estan
por debajo de la altura real del ro.

5.8.

Resultados Comparativos de Predicciones a Corto Plazo

En el cuadro compartivo de la Figura (5.13), pueden observarse los errores en valor

absoluto que se fueron obteniendo aplicando Modelos de Redes Neuronales, para hacer
predicciones a 3 das en perodos de inundacion, comparanadose tambien con los resultados
de prediccion a 3 das que se obtuvieron con los modelos de Series Temporales que ser
analizaron en el Captulo (4).
Puede observarse que en la prediccion a 3 das, la Red Neuronal con Funcion de
Penalizacion Modificada y entrenada con los Archivos Combinados con datos de ambas
inundaciones, presenta un error promedio en valor absoluto de 0, 12m, que el error por
defecto de mayor riesgo se presenta solo en el 15 % y el error por exceso de menor riesgo
se presenta en el 85 %.
Puede observarse que al predecir a tres das las magnitudes de los errores son menores
que en la prediccion a Mediano Plazo que se detalla en la seccion (6.8), en el Captulo
(6).

Figura 5.13: Errores Comparativos de Prediccion a 3 das en perodos de Inundacion.

Estas aportaciones y conclusiones analizadas en este captulo de la Tesis Doctoral
fueron presentadas en:
Conferencia Internacional sobre Matem
aticas Aplicadas y Inform
atica - ICAMI
2010 : bajo la Ponencia: Parana River Water Level Prediction with Neural Networks
- (Prediccion de Alturas del ro Parana con Redes Neurales). Con Publicacion con
Referato: ISBN 978-958-670-843-2. San Andres, Colombia. A
no: 2010.
IX Encuentro Cientfico Tecnol
ogico E.C.T. 2012 : bajo la Ponencia: Prediccion de
Alturas del Ro Paran`a con Redes Neruronales. Facultad Politecnica, Universidad
Nacional del Este, Ciudad del Este, Rep
ublica del Paraguay. A
no: 2012.

131

132

Captulo 6
Aplicaci
on de Modelos de Redes
Neuronales para Predicci
on a
Mediano Plazo
6.1.

Introducci
on

En este Captulo se detallan las Aplicaciones de Modelos de Redes Neuronales para

Prediccion a Mediano Plazo, iniciando en la Seccion (6.2) Implementacion en Matlab,
describiendo como se desarrollaran los modelos en Matlab, en la Seccion (6.3) Implementaciones con Redes Neuronales con estructura NAR, se presentan diferentes modelos
de redes neuronales con esta arquitectura, en la Seccion (6.4) Implementaciones con Redes Neuronales con arquitectura NARX, se implementan diferentes modelos NARX y se
comparan sus resultados, en la Seccion (6.5) Redes Neuronales con estructura NARX
Multicapa, se implementan y testean diferentes modelos de redes neuronales con esta arquitectura NARX Multicapa, en la Seccion (6.6) Combinacion de Redes FTDNN, NAR
y NARX Multicapa, se describe la construccion y testeo de una red que integra redes con
estas arquitecturas, en la Seccion (6.7) Combinacion de Redes NLP y NARX Multicapa
se detalla la estructura y chequeo de redes que integran estos tipos de arquitectura de
redes y en la Seccion (6.8) Resultados Comparativos de Predicciones a Mediano Plazo
se presenta un analisis de los resultados obtenidos con diferentes modelos implementados en este captulo. Todas las implementaciones se aplican para prediccion de alturas
hidrometricas del ro Parana en la localidad de Corrientes en perodos de Inundacion.

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.

Procedimiento de Chequeo de las Redes Generadas

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.

Matlab - Herramienta de Redes Neuronales - NNStart

La Herramienta de redes neuronales de Matlab, NNStart, consiste en un entorno de

trabajo con ventanas, que presentan diferentes opciones para la generacion de redes neuronales, reconocimiento de patrones, agrupaciones y series temporales dinamicas, ofrece
enlaces a las listas de conjuntos de datos, que permite generar redes y entrenarlas, como
se observa en la Figura (6.1).
Al seleccionar la opcion series temporales dinamicas se presenta la ventana de la Figura
(6.2), donde se selecciona la estructura de la red neuronal que se generara, pudiendo optar
por una de las siguientes:
NARX
NAR
Entrada / Salida no lineal.

134

Figura 6.1: Matlab - Herramienta de Redes Neuronales - NNStart.

Figura 6.2: Matlab - Herramienta de Redes Neuronales - NNStart.

6.3.

Implementaciones con Redes Neuronales con Estructura NAR

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

localidad, con los datos de la misma estacion.

6.3.1.

An
alisis de redes NAR con Matlab NNStart

Se implementa con la toolbox de Matlab NNStart, la cual con diferentes ventanas

va permitiendo la configuracion y generacion de la red neuronal, como puede observarse
en las ventanas de la Figura (6.3), en la ventana de la izquierda se indica el ingreso del
nombre del archivo que contiene la serie de datos de alturas hidrometricas de la ciudad
de Corrientes y en la ventana de la derecha se fijan los porcentajes de los datos que seran
usados para entrenamiento, testeo y validacion.

Figura 6.3: Matlab-NNStart-NAR: Izq.:Ingreso archivo de datos de alturas de la Ciudad de

Corrientes. Dcha.: Seleccion de porcentaje de datos de Entremiento, Testeo y Validacion.
En la Figura (6.4), en la imagen izquierda se presenta la configuracion de la red
neuronal indicandose la cantidad de neuronas en la capa oculta, en este caso se indican
10 neuronas y los retardos de tiempo que se usaran para la realimentacion de la red, se
fija en 6, en base a los resultados del analisis de las series temporales que se obtuvo en
el Captulo (4), lo que se observa en detalle en la Formula (4.2), estos parametros se han
analizado y determinado los valores indicados, para las diferentes series que se procesan.
Tambien se visualiza la estructura de la red que se genera con los parametros ingresados.
En la Figura (6.4), imagen derecha se presenta la ventana con la opcion de realizar
entrenamiento o reentrenamiento, en la cual luego del entrenamiento se presentan los
resultados y opciones de visualizarlos graficamente, lo que tambien se presenta con mas
detalle en la Figura (6.5).
En la ventana que se visualiza en la Figura (6.5), puede seguirse el proceso de ajuste
de la red al visualizarse 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 (6.6),
Instancias del Entrenamiento,
Histograma de los Errores de Entrenamiento, ver Figura (6.7),
136

Figura 6.4: Matlab-NNStart-NAR: Izq.: Determinacion de las neuronas de la capa oculta

y el retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados obtenidos.

Graficos de Regresion, ver Figura (6.8),

Graficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.9),
Autocorrelacion de Error, ver Figura (6.10).

137

Figura 6.5: Red neuronal NAR: Visualizacion del Entrenamiento y Resultados.

138

Figura 6.6: Red neuronal NAR: Rendimiento del Entrenamiento.

Figura 6.7: Red neuronal NAR: Histograma de Errores de Entrenamiento.

139

Figura 6.8: Red neuronal NAR: Graficos de Regresion.

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.

Figura 6.10: Red neuronal NAR: Autocorrelacion de Error.

PPICtes: Archivo de alturas hidrometricas del ro Parana en la localidad de

Corrientes, correspondiente al pico de la inundacion del mes de junio de 1992,
con los cuales la red es probada una vez entrenada.
Resultados de Predicci
on a 7 das con NARPIR
Los resultados pueden observarse en la tabla de la Figura (6.11), 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 abril y mayo de 1998.
141

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

Figura 6.11: Red neuronal NARPIR: Errores de Prediccion a 7 das.

143

Figura 6.12: Red neuronal NARSIR: Errores de Prediccion a 7 das.

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:

%Carga los datos de las 2 inundaciones para entrenar NAR

% (Inundaci
on 1991-1992 Inundaci
on 1997-1998)
%Se unen las 2 series de las inundaciones
% Archivos de Excel: I-1991-1992 y I-1997-1998
C1=[PICorrientes];
P1=[PIPesoCtes];
C2=[SICorrientes];
P2=[SIPesoCtes];
CP=tonndata(C1,false,false);
CS=tonndata(C2,false,false);
%CONCATENA LOS DATOS DE LAS DOS SERIES
targetSeries = catsamples(CP,CS,pad);
w1=con2seq(P1-0.7);
w2=con2seq(P2-0.7);
ew=catsamples(w1,w2,pad,0);

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.

% Create a Nonlinear Autoregressive Network

feedbackDelays = 1:6;
hiddenLayerSize = 10;
net = narnet(feedbackDelays,hiddenLayerSize);
% Preparaci
on de los datos
[inputs,inputStates,layerStates,targets]
= preparets(net,{},{},targetSeries);
% Divisi
on de los datos para Entrenamiento, Validaci
on\index{validaci
on}
net.divideParam.trainRatio = 80/100;
net.divideParam.valRatio = 20/100;
net.divideParam.testRatio = 0/100;
% Entrenamiento de la Red
[net,tr] = train(net,inputs,targets,inputStates,layerStates);
% Testeo de la Red
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs);
% Cierre del ciclo de retroalimentaci
on de la red
NARIR = closeloop(net);

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.

Implementaciones con Redes Neuronales con Estructura NARX

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

Se implementa con la toolbox de Matlab NNStart, la cual con diferentes ventanas va

permitiendo la configuracion y generacion de la red neuronal, como puede observarse en
las ventanas de la Figura (6.16), en la ventana de la izquierda se indica el ingreso del
nombre del archivo que contiene la serie de datos de alturas hidrometricas de la cuidad de
Corrientes (Targets) y el archivo que contiene la informacion de las estaciones de Iguaz
u,
Posadas e Itat (Imputs). En la ventana de la derecha se fijan los porcentajes de datos
que seran usados para entrenamiento, testeo y validacion.
En la Figura (6.17), en la imagen de la derecha se presenta la configuracion de la red
neuronal indicandose la cantidad de neuronas en la capa oculta, en este caso se indican 10
neuronas y los retardos de tiempo que se usaran para la realimentacion de la red, el cual
se fija en 6, en base a los resultados del analisis de las series temporales que se obtuvo en
el Captulo (4), estos parametros se han analizado y determinado los valores indicados,
para las diferentes series que se procesan. Tambien se visualiza la estructura de la red
que se genera con los parametros ingresados. Asimismo se presenta la opcion de realizar
entrenamiento o reentrenamiento, tambien en esta ventana se mostraran los resultados y
se activan las opciones de visualizar graficamente los mismos.
En la ventana que se visualiza en la Figura (6.18), puede seguirse el proceso de ajuste
147

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 6.13: Red neuronal NARIR: Error de Prediccion a 7 das

149

Figura 6.14: Errores de prediccion comparados entre redes de estructura NAR.

Figura 6.15: Resultados de prediccion con NARIR.

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

Figura 6.17: Matlab-NNStart: Izq.: Determinacion de las neuronas de la capa oculta y el

retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados obtenidos.

151

Figura 6.18: Red neuronal NARX: Visualizacion del Entrenamiento y los Resultados.

152

Figura 6.19: Red neuronal NARX: Rendimiento del Entrenamiento.

Figura 6.20: Red neuronal NARX: Histograma de los Errores de Entrenamiento.

153

Figura 6.21: Red neuronal NARX: Graficos de Regresion.

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.

Figura 6.23: Red neuronal NARX: Error de Autoregersion.

155

NARXSIR: 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, con el cual
la red es entrenada.
SIOE : 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
1997-1998, con los cuales la red es entrenada.
PPICtes: Archivo de alturas hidrometricas del ro Parana en la localidad de
Corrientes, correspondiente al pico de la inundacion mes de junio de 1992, con
el cual la red es probada una vez entrenada.

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:

%Carga los datos de las 2 inundaciones

% para entrenar NARX
%(Inundaci
on 1991-1992 Inundaci
on 1997-1998)
%Se unen las 2 series de las inundaciones
% Inundaci
on 1991-1992
I11=[PIIguazu];
I12=[PIPosadas];
I13=[PIItati];
C1=[PICorrientes];
P1=[PIPesoCtes];
% Inundaci
on 1997-1998
I21=[SIIguazu];
I22=[SIPosadas];
I23=[SIItati];
C2=[SICorrientes];
P2=[SIPesoCtes];
IP=tonndata([I11 I12 I13],false,false);
IS=tonndata([I21 I22 I23],false,false);
CP=tonndata(C1,false,false);
CS=tonndata(C2,false,false);
%CONCATENA LOS DATOS DE LAS DOS SERIES
inputSeries=catsamples(IP,IS,pad);
targetSeries = catsamples(CP,CS,pad);
w1=con2seq(P1-0.7);
w2=con2seq(P2-0.7);
ew=catsamples(w1,w2,pad,0);

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.

% Crea una red con estructura NARX con entradas externas

inputDelays = 1:6;
feedbackDelays = 1:6;
hiddenLayerSize = 10;
net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize);
% Prepara los datos para el proceso
[inputs,inputStates,layerStates,targets] =
preparets(net,inputSeries,{},targetSeries);
% Division de datos para Entrenamiento, Validaci
on y Testeo
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;
% Entrenamiento de la red
[net,tr]=train(net,inputs,targets,inputStates,layerStates);
% Testeo de la red
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs)
% Cierre para la retroalimentaci
on de la Red
NARXIR = closeloop(net);

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

hidrometrica en la localidad de Corrientes en el perodo de inundacion de los meses de

enero y febrero de 1990.
Se detallan que en las 110 prediccioens realizadas se presenta un error promedio de
0, 4798m, que presenta un error por exceso en 77 prediccion, lo que significa el 70, 00 % y
un error por defecto en 33 pronosticos que significa un 30, 00 %, este u
ltimo tipo de error
se indica en la tabla con valores en rojo, por ser el error con mayor coste.

6.4.3.

An
alisis Comparativo de Redes NARX

En la tabla de la Figura (6.27), pueden observarse los resultados comparativos de las

redes de arquitectura NARX NARXPIR, NARXSIR y NARXIR, puede observarse que al
comparar los resultados de los tres redes NARX, donde la red NARXPIR, entrenada con
los datos de la inundacion de 1991-1992, presenta el mayor error promedio con un error
de 0, 6950m, presentando un porcentaje de errores por exceso del 80, 00 %, el cual es el
error de menor coste y un porcentaje de error por defecto del 20, 00 %.
La red NARXSIR entrenada con los datos de la inundacion de 1997-1998, presenta un
error promedio de 0, 4924m, presentando un porcentaje de errores por exceso del 10, 00 %
y un error por defecto del 90, 00 %.
La red NARXIR entrenada con los datos de ambas inundaciones, presenta un error
promedio de 0, 4798m, presentando un porcentaje de errores por exceso del 70, 00 %, y un
error por defecto del 30, 00 %.
Se puede apreciar que la red NARXIR, entrenada con informacion de dos inundaciones
esta dando mejores resultados en las predicciones, que las redes NARXPIR y NARXSIR,
no solo por presentar el menor error promedio, sino porque presenta un porcentaje alto de
errores por exceso y porcentaje bajo de error por defecto. En el grafico de la de la Figura
(6.28), puede observarse una prediccion con la red NARXIR.

6.5.

Red Neuronal con Estructura NARX Multicapa

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:

1. capa oculta con 16 neuronas

2. capa oculta con 8 neuronas
3. capa oculta con 5 neuronas
4. capa oculta con 3 neuronas.
159

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:

% Crea una red neuronal con retroalimentaci

on con entrada externa
% Retardo de las entradas externas
% Alturas hidrom
etricas de Pto. Iguaz
u, Posadas e Itat

% Retardo de las Serie que se predice

inputDelays = 1:6;
% Alturas hidrom
etricas de Corrientes
feedbackDelays = 1:6;
% Crea la red con estructura NARX con 4 capas
redRP = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);
% Define funciones para cada capa
redRP.layers{1}.transferFcn=logsig;
redRP.layers{2}.transferFcn=logsig;
redRP.layers{3}.transferFcn=logsig;
redRP.layers{4}.transferFcn=logsig;
% Prepara los archivos para la red neuronal
[inputs,inputStates,layerStates,targets] =
preparets(redRP,inputSeries,{},targetSeries);
% Divide los datos para Entrenamiento , Validaci
on y Testeo
160

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);

En la ventana que se visualiza en la Figura (6.29), puede seguirse el proceso de ajuste

de la red porque se visualizan las iteraciones y los errores de ajustes que se dan en
cada iteracion, tambien se presentan opciones para visualizar graficamente los siguientes
resultados:
Rendimiento del Entrenamiento, ver Figura (6.30),
Instancias del Entrenamiento,
Histograma de los Errores de Entrenamiento, ver Figura (6.31),
Graficos de Regresion, ver Figura (6.32),
Graficos de Resultados y Errores por tiempo de entrenamiento, ver Figura (6.33),
Error de Autorregresion, ver Figura (6.34),
Correlacion de Error y Entrada.

161

Figura 6.24: Red neuronal NARXPIR: Error de Prediccion a 7 das.

162

Figura 6.25: Red neuronal NARXSIR: Error de Prediccion a 7 das.

163

Figura 6.26: Red neuronal NARXIR: Error de Prediccion a 7 das

164

Figura 6.27: Errores de Prediccion comparados entre redes de estructura NARX.

Figura 6.28: Resultados de prediccion con la red NARXIR.

165

Figura 6.29: Red neuronal NARXMultiCtes: Evolucion del Entrenamiento y Resultados.

166

Figura 6.30: Red neuronal NARXMultiCtes: Rendimiento del Entrenamiento.

Figura 6.31: Red neuronal NARXMultiCtes: Histograma de los Errores de Entrenamiento.

167

Figura 6.32: Red neuronal NARXMultiCtes: Graficos de Regresion.

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

La estructura de esta red neuronal, combina redes de diferentes arquitecturas, para

realizar la prediccion, combinandolas de la siguiente manera:
FTDNN-Redes neuronales con retardo de tiempo: Se utilizaran para ingresar con
retardos de tiempo las alturas hidrometricas de las estaciones de Puerto Iguaz
u,
Posadas e Itat.
NAR-Redes neuronales con retroalimentacion: Se usaran para ingresar la informacion de la alturas hidrometricas de la localidad de Corrientes Capital.
169

Figura 6.34: Red neuronal NARXMultiCtes: Autocorrelacion de Error.

NARX Multicapa-Redes neuronales con retroalimentacion: Integrara la informacion

de red FTDNN que corresponde a las alturas hidrometricas de las estaciones ro
arriba de Puerto Iguaz
u, Posadas e Itat con la informacion de la red NAR que
proporciona datos de la localidad de Corrientes, luego integrando la informacion
que le proporcionan ambas redes realizara la prediccion de alturas para la ciudad
de Corrientes.

El entrenamiento se realiza con los archivos de las inundaciones de 1991-1992 y de

1997-1998, para lo cual las series correspondientes a los perodos de inundacion seran
concatenamos para salvar la discontinuidad de la serie temporal, como ya se explico en
las redes anteriores y para el chequeo de la red se utiliza la crecida de los meses de enero
y febrero de 1990.

6.6.1.

Configuraci
on y Creaci
on de la Red integrando diferentes
arquitecturas de redes

FTDNN-Redes neuronales con retardo de tiempos

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

Figura 6.35: Red neuronal NARXMultiCtes: Error de Prediccion a 7 das

171

Figura 6.36: Red neuronal NARXMultiCtes: Resultados de Prediccion.

%%% PRIMERA RED

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% FTDNN-Red neuronal con retardo de tiempos
%
% Datos de Otras Estaciones con Red de Retardo de Tiempo
%
% Entrenada con: Alturas de Pto. Iguaz
u, Posadas e Itat

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

En la Figura (6.37), puede observarse la estructura de la red con retardo de tiempo

generada y en la Figura (6.38) los resultados luego de realizar su entrenamiento.

Figura 6.37: Red neuronal FTDNN: Alturas Hidrometricas Pto. Iaguaz

u, Posadas e Itat.

NAR-Redes neuronales con retroalimentaci

on
El codigo siguiente genera una red neuronal con retroalimentacion con estructura NAR,
que sera entrenada con las alturas hidrometricas de la localidad de Corrientes.
%%% SEGUNDA RED
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% NAR-Redes neuronales con retroalimentaci
on
%
% Entrenada con: Alturas de Corrietnes
%
%% Create la NAR
feedbackDelays = 1:3;
hiddenLayerSize = 3;
net = narnet(feedbackDelays,hiddenLayerSize);
% Prepara los datos
[inputs,inputStates,layerStates,targets] =
preparets(net,{},{},targetSeries);
% Divisi
on de datos para entrenamiento, validaci
on y testeo
net.divideParam.trainRatio = 80/100;
net.divideParam.valRatio = 20/100;
net.divideParam.testRatio = 0/100;
% Entrena la NAR
[net,tr] = train(net,inputs,targets,inputStates,layerStates);
% Testea la NAR
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs);
NARCtes=net;
173

Figura 6.38: Red neuronal FTDNN: Resultados del Entrenamiento.

En la Figura (6.39), puede observarse la estructura de la red con retardo de tiempo

de estructura NAR generada y en la Figura (6.40) los resultados luego de realizar su
entrenamiento.
174

Figura 6.39: Red neuronal NAR: Alturas Hidrometricas de Corrientes.

NARX Multicapa-Redes neuronales con retroalimentaci

on
El codigo siguiente genera una red neuronal con retroalimentacion y estructura NARX
Multicapa, que sera entrenada con las salidas de las redes creadas en los pasos anteriores
NRTOtEst, con la informacion de las demas estaciones y NARCtes, con los datos de la
ciudad de Corrientes, localidad donde sera estimada la altura, por lo cual las capas de la
nueva red tomaran como valores iniciales de los pesos, los datos de las salidas de las redes
NRTOtEst y NARCtes, organizandose de la siguiente manera:
Capa 1: toma los pesos de la red NRTOtEst, datos de las demas estaciones de Puerto
Iguaz
u, Posadas e Itat.
Capa 2: toma los pesos de la red NARCtes, informacion de la estacion de Corrientes.
Luego de indicar por cada capa el origen de los datos, se preparan los datos para la
red y se realiza el entrenamiento de la misma, lo cual se observa en la Figura (6.41).

%%% TERCERA RED

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% NARX Multicapa-Redes neuronales con retroalimentaci
on
%% Integra:
%
NRTOtEst: Alturas Pto Iguaz
u, Posadas e Itat

%
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

Figura 6.40: Red neuronal NAR: Resultados del Entrenamiento.

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.

% Cierre del lazo de retroalimentaci

on
DLNI = closeloop(redRP3);

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

Figura 6.43: Red neuronal FtdnnNarNarxMCtes: Rendimiento del Entrenamiento.

Figura 6.44: Red neuronal FtdnnNarNarxMCtes: Histograma de los Errores de Entrenamiento.

181

Figura 6.45: Red neuronal FtdnnNarNarxMCtes: Graficos de Regresion.

6.6.2.

Resultados de Predicci
on a 7 das con FtdnnNarNarxMCtes

Los resultados de la prediccion a 7 das con FtdnnNarNarxMCtes 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 (6.49), puede observarse el resultado de una de
esas predicciones.
En las 110 predicciones realizadas se presenta un error promedio de 0, 5609m, que
presenta 95 predicciones con error por exceso que representan el 86, 36 % y que tiene un
error por defecto en los 15 pronosticos, lo que significa el 13, 64 %, este u
ltimo tipo de
error se indica en la tabla con valores en rojo, por ser el error con mayor coste.

6.7.

Combinaci
on de Redes NLP y NARX Multicapa

Buscando verificar la validez de los resultados publicados recientemente con Redes

Profundas, se han aplicado a este caso. Se ha utilizado una inicializacion de la red mediante
autocodificadores. As, la primera capa se ajusta intentando reproducir las entradas, la
182

Figura 6.46: Red neuronal FtdnnNarNarxMCtes: Graficos de Resultados y Errores por

tiempo de entrenamiento.

Figura 6.47: Red neuronal FtdnnNarNarxMCtes: Autocorrelacion de Error.

183

Figura 6.48: Red neuronal FtdnnNarNarxMCtes: Error de Prediccion a 7 das

184

Figura 6.49: Red neuronal FtdnnNarNarxMCtes: Resultados de Prediccion.

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

El entrenamiento se realiza con los archivos de las inundaciones de 1991-1992 y de

1997-1998, para lo cual las series correspondientes a los perodos de inundacion seran
concatenados para salvar la discontinuidad de la serie temporal, como ya se explico en las
redes anteriores y para el chequeo de la red se utiliza la crecida de los meses de enero y
febrero de 1990.
La estrategia trabajada es construir una red en la que los valores iniciales son los del
autocodificador, que son pasados a las siguientes redes que luego se reajusta.
En el proceso de reajuste los valores pasados por los autocodificadores pueden permacer congelados o fijos si se especifica la opcion false o podran ser modificados si se indica
la opcion true, como se detalla a continuacion.
Opcion false: Se congelan o fijan los valores pasados de los autocodificadores:
redRP1.LW{2,1}=autocod.ae{2}.W{1};
redRP1.layerWeights{2,1}.learn=false;
redRP1.b{2}=autocod.ae{2}.b{1};
redRP1.biases{2}.learn=false;
Opcion true: Se permiten modificar los valores pasados de los autocodificadores:
redRP1.LW{2,1}=autocod.ae{2}.W{1};
redRP1.layerWeights{2,1}.learn=true;
redRP1.b{2}=autocod.ae{2}.b{1};
redRP1.biases{2}.learn=true;

6.7.1.

Configuraci
on y Creaci
on de la Red integrando diferentes
arquitecturas de redes

NLP-Redes neuronales de aprendizaje profundo

Con las siguientes lneas de codigo se genera la red NLP de aprendizaje profundo la
cual tendra 4 capas, que sera entrenada con las alturas hidrometricas de las estaciones de
Puerto Iguaz
u, Posadas, Itat y Corrientes, con los mismos retardos que se utilizaran en
las redes con estructura NARX Multicapa, para poder hacer luego el traspaso de pesos,
como se detalla en las primeras lneas de codigo.
La estructura de la red NLP sera de 4 capas , con las siguientes cantidades de neuronas
por capa:
1. capa con 16 neuronas
2. capa con 8 neuronas
3. capa con 5 neuronas
4. capa con 3 neuronas.

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

NARX Multicapa-Redes Neuronales con Retroalimentaci

on
Se generan redes con la misma estructura, para que sean compatibles y poder integrarlas y cruzar las capas, por lo cual las redes redRP1, redRP2 y redRP3 tendran los
mismos retardos que seran del da 1 al 6 y cuatro capas con las siguientes neuronas en
cada una de ellas:
1. capa con 16 neunoras
2. capa con 8 neunoras
3. capa con 5 neunoras
4. capa con 3 neunoras.
La tres redes con estructura NARX Multicapa se entrena con las alturas hidrometricas de las inundaciones de 1991-1992 y 1997-1998, estos archivos ademas de las alturas
hidrometricas diarias contienen el peso que se le ha asignado a cada altura, dando mayor
peso a las mayores alturas.
Las dos seres de datos seran concatenadas, como se detallo 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 redes redRP1 y redRP2 se crean con procesos similares, ambas redes son creadas 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, se pasan
los pesos de los autocodificadores, posteriormente se realiza un segundo entrenamiento
con los pesos inicializados con los valores de los autocodificadores, luego se realiza un
testeo del rendimiento de la red.

%%% SEGUNDA RED

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% Crea primera red con estructura NARX Multicapa
% con entradas externar
% Especificaci
on de los retardos
inputDelays = 1:6;
feedbackDelays = 1:6;
% Crea la Red con estructura NARX Multicapa
redRP1 = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);
redRP1.layers{1}.transferFcn=logsig;
redRP1.layers{2}.transferFcn=logsig;
redRP1.layers{3}.transferFcn=logsig;
redRP1.layers{4}.transferFcn=logsig;
188

% Prepara los datos para la red NARX

[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP1,inputSeries,{},targetSeries,ew);
% Establece porcentaje de datos para entrenamiento,
% validaci
on y testeo
redRP1.divideParam.trainRatio = 90/100;
redRP1.divideParam.valRatio = 10/100;
redRP1.divideParam.testRatio = 0/100;
% Entrena la red para configurarla y luego asignar los pesos
% correspondiente a los autocodificadores
[redRP1,tr] =
train(redRP1,inputs,targets,inputStates,layerStates,ew1);
% Asigna los pesos de los autocodificadores
RotrasEst=autocod.ae{1}.W{1}(:,7:24);
RCtes=autocod.ae{1}.W{1}(:,1:6);
redRP1.IW{1,1}=RotrasEst;
redRP1.inputWeights{1,1}.learn=false;
redRP1.IW{1,2}=RCtes;
redRP1.inputWeights{1,2}.learn=false;
redRP1.LW{2,1}=autocod.ae{2}.W{1};
redRP1.layerWeights{2,1}.learn=true;
redRP1.LW{3,2}=autocod.ae{3}.W{1};
redRP1.layerWeights{3,2}.learn=true;
redRP1.LW{4,3}=autocod.ae{4}.W{1};
redRP1.layerWeights{4,3}.learn=true;
redRP1.b{1}=autocod.ae{1}.b{1};
redRP1.biases{1}.learn=false;
redRP1.b{2}=autocod.ae{2}.b{1};
redRP1.biases{2}.learn=true;
redRP1.b{3}=autocod.ae{3}.b{1};
redRP1.biases{3}.learn=true;
redRP1.b{4}=autocod.ae{4}.b{1};
redRP1.biases{4}.learn=true;
% Prepara los datos para el entrenamiento
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP1,inputSeries,{},targetSeries,ew);
% Entrena la red iniciando con los pesos pasados de
% los autocodificadores
[redRP1,tr] =
train(redRP1,inputs,targets,inputStates,layerStates,ew1);
189

% Test the Network

outputs1 = redRP1(inputs,inputStates,layerStates);
performance1 = perform(redRP1,targets,outputs1);
errors1 = gsubtract(targets,outputs1);

%%% TERCERA RED

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% Crea segunda red con estructura NARX Multicapa
% con entradas externar
% Especificaci
on de los retardos
inputDelays = 1:6;
feedbackDelays = 1:6;
% Crea la Red con estructura NARX Multicapa
redRP2 = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);
redRP2.layers{1}.transferFcn=logsig;
redRP2.layers{2}.transferFcn=logsig;
redRP2.layers{3}.transferFcn=logsig;
redRP2.layers{4}.transferFcn=logsig;
% Prepara los datos para la red NARX
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP2,inputSeries,{},targetSeries,ew);
% Establece porcentaje de datos para entrenamiento,
% validacion y testeo
redRP2.divideParam.trainRatio = 90/100;
redRP2.divideParam.valRatio = 10/100;
redRP2.divideParam.testRatio = 0/100;
% Entrena la red para configurarla y luego asignar los pesos
% correspondiente de los autocodificadores
[redRP2,tr] =
train(redRP1,inputs,targets,inputStates,layerStates,ew1);
% Asigna los pesos de los autocodificadores
RotrasEst=autocod.ae{1}.W{1}(:,7:24);
RCtes=autocod.ae{1}.W{1}(:,1:6);
redRP2.IW{1,1}=RotrasEst;
redRP2.inputWeights{1,1}.learn=false;
redRP2.IW{1,2}=RCtes;
redRP2.inputWeights{1,2}.learn=false;
190

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

redRP3 = narxnet(inputDelays,feedbackDelays,[16 8 5 3]);

redRP3.layers{1}.transferFcn=logsig;
redRP3.layers{2}.transferFcn=logsig;
redRP3.layers{3}.transferFcn=logsig;
redRP3.layers{4}.transferFcn=logsig;
% Prepara los datos para la red
[inputs,inputStates,layerStates,targets,ew1] =
preparets(redRP3,inputSeries,{},targetSeries,ew);
% Se fija porcentaje de datos para entrenamiento, validaci
on y test
redRP3.divideParam.trainRatio = 90/100;
redRP3.divideParam.valRatio = 10/100;
redRP3.divideParam.testRatio = 0/100;
% Primer entrenamiento de inicializacion de la red
[redRP3,tr] =
train(redRP3,inputs,targets,inputStates,layerStates,ew1);
% Capas\index{redes neuronales!capas}
% Capas\index{redes neuronales!capas}
redRP3.IW{1,1}=redRP1.IW{1,1};
redRP3.inputWeights{1,1}.learn=false;
redRP3.IW{1,2}=redRP1.IW{1,2};
redRP3.inputWeights{1,2}.learn=false;
redRP3.LW{2,1}=redRP1.LW{2,1};
redRP3.layerWeights{2,1}.learn=true;
redRP3.LW{3,2}=redRP2.LW{3,2};
redRP3.layerWeights{3,2}.learn=true;
redRP3.LW{4,3}=redRP2.LW{4,3};
redRP3.layerWeights{4,3}.learn=true;
redRP3.b{1}=redRP1.b{1};
redRP3.biases{1}.learn=false;
redRP3.b{2}=redRP1.b{2};
redRP3.biases{2}.learn=true;
redRP3.b{3}=redRP2.b{3};
redRP3.biases{3}.learn=true;
redRP3.b{4}=redRP2.b{4};
redRP3.biases{4}.learn=true;
% Preparaci
on de los archivos
192

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

Figura 6.51: Red neuronal NlpNarxMCtes: Rendimiento del Entrenamiento.

Figura 6.52: Red neuronal NlpNarxMCtes: Histograma de los Errores de Entrenamiento.

195

Figura 6.53: Red neuronal NlpNarxMCtes: Graficos de Regresion.

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.

Resultados Comparativos de Predicciones a Mediano Plazo

En el cuadro compartivo de Predicciones a Mediano Plazo de la Figura (6.58), pueden

observarse los errores en valor absoluto que se fueron obteniendo con las diferentes redes
neuronales, que se fueron aplicando, puede observarse que al predecir a siete das las
magnitudes de los errores son mayores que en la prediccion a Corto Plazo que ser detallan
en la seccion (5.8), en el Captulo (5.
Puede observarse que en la prediccion a 7 das, la red FtdnnNarNarxMCtes, que
integra redes FTDNN NAR y NARX Multicapa, es la red presenta mayor pocentaje
197

Figura 6.55: Red neuronal NlpNarxMCtes: Autocorrelacion de Error.

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 6.56: Red neuronal NlpNarxMCtes: Error de Prediccion a 7 das

199

Figura 6.57: Red neuronal NlpNarxMCtes: Resultados de Prediccion.

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

El software Pulso 2 fue dise

nando y desarrollado por Juan Jose Neiff Director del
Centro de Ecologa Aplicada del Litoral CECOAL-CONICET, de la Universidad Nacional
del Nordeste, Argentina y Matias Neiff desde 2003 hasta la fecha, con actualizaciones
sucesivas disponible gratuitamente para uso academico en (www.neiff.com.ar), es una
herramienta novedosa y de mucha utilidad para el analisis de procesos fluviales recurrentes,
que permite explorar algunas relaciones cuantitativas entre las caractersticas ecologicas
de areas anegables e inundables, por ejemplo distribucion y abundancia de poblaciones y
las diferencias en las fases de inundacion y de suelo seco en cada zona del paisaje.
Pulso 2 estudia fenomenos que se repiten seg
un una funcion sinusoidal a lo largo
del tiempo, como puede ser el conjunto de fluctuaciones hidrometricas de un ro, las
lluvias en un perodo y localidad determinada o los eventos de fuego en las sabanas. Se
establece en la serie un valor de intensidad (valor de referencia), el cual define la presencia
de determinado elemento del sistema o la ocurrencia de alg
un proceso que queremos
investigar en el sistema, como podra ser la ocurrencia de suelo inundado. As, si se fija la
cota de alerta de inundacion en 5m, los valores que se encuentran por encima de esta lnea
virtual son tomados como positivos e indican la ocurrencia de la fase de inundacion y por
debajo del nivel de referencia, los valores son tomados por el modelo como negativos y
se
nalan la ausencia potencial del elemento o proceso investigado, como sera la inundacion.
A partir de datos hidrometricos o de caudal, diarios, semanales o anuales, es posible
conocer el n
umero de pulsos, el n
umero de fases de inundacion y de sequa, la estacion del
a
no en que ocurren, la duracion y magnitud que alcanzaron y la regularidad del regimen.
Siendo de gran utilidad para determinar las situaciones de riesgo que deben considerar
las obras de defensa contra inundaciones de las ciudades, en base el analisis de serie de
datos hidrometricos historicos disponibles, [Neiff, 1999].

7.2.

Predicci
on con Pulso 2

La version Pulso 2, cuenta con un modulo de prediccion denomidado Prisma, el cual

esta desarrollado aplicando modelos de algoritmos geneticos para realizar prediccion de
alturas hidrometricas del ro Parana, el cual es usado para comparar los resultados obte201

nidos en la presente tesis.

En Pulso 2 se importa la serie completa de alturas hidrometricas en la localidad de
Corrientes, desde 1989 hasta 2009, analizada durante el desarrollo de la presente tesis,
en la Figura (7.1) puede observarse en rojo la grafica de las alturas del ro, en verde el
valor de alerta de inundacion a los 5m y en bordo la tendencia aproximada con algoritmos
geneticos.

Figura 7.1: Pulso: alturas hidrometricas de la localidad de Corrientes, perodo de 1989 a

2009.
El programa detecta los Pulsos de crecida de las alturas hidrometricas en la localidad
de Corrientes, del perodo de tiempo que se ha ingresado dando informacion sobre cada
pulso como puede observarse en la Tabla de la Figura (7.3) y grafica cada pulso como
puede apreciarse, en la Figura (7.2).
En la Figura (7.4), se observa la ventana Prisma, donde se presentan las opciones para
realizar la predicion de alturas hidrometricas con algoritmos geneticos y en la Figura (7.5)
se visualiza la graficamente los resultantes de la prediccion.

7.3.

Comparaci
on de Resultados con Pulso 2

Se comparan en la tabla de la Figura (7.6), los errores obtenidos en la Prediccion a

Corto Plazo (a 3 das) y a Mediano Plazo ( a 7 das), que se han obtenidos en la presente
tesis, con los errores de prediccion del modelo de algoritmos geneticos Prima de Pulso
2. Puede observarse que tanto en la prediccion a 3 das, como a 7 das, son menores
los errores en las prediccion con redes neuronales desarrolladas en la tesis, tambien es
relevante que estos modelos presentan mayores porcentajes de error por exceso, que es el
error de menos coste, mientras que las predicciones con algoritmos geneticos presentan
202

Figura 7.2: Pulso: alturas hidrometricas de la localidad de Corrientes, perodo de 1989 a

2009.

mayores porcentajes de errores por defecto, siendo estos u

ltimos errores los de mayor coste
en perodos de inundaciones.
Es oportuno mencionar que el programa Prisma 2, hace predicciones a corto y mediano
plazo, siendo su principal objetivo y fortaleza realizar prediccion a largo plazo de las
tendencias de comportamiento de la serie analizada, en este caso en particular las alturas
hidrometricas del ro Parana en la localidad de Corrientes, haciendo prediccion con buenos
resultados de los meses con probables crecidas o sequias.

203

Figura 7.3: Pulsos detectados en el perodo de a

nos de 1989 a 2009.
204

Figura 7.4: Pulso - Prisma: Alturas Hidrometricas de la localidad de Corrientes, perodo

de 1989 a 2009.

Figura 7.5: Pulso: Alturas Hidrometricas de la localidad de Corrientes, perodo de 1989 a

2009.

205

Figura 7.6: Comparacion de Errores de Predicion.

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

En la Prediccion a Mediano Plazo se analizaron estructuras de redes neuronales con

diferentes arquitecturas y criterios de ajuste, obteniendose los mejores resultados con
una red profunda cuya inicializacion se hace en varias fases, tal y como se detalla en el
Captulo(6) en las Secciones (6.7) y (6.8), obteniendose una prediccion a siete das con
los siguientes resultados:
Error Promedio en Valor Absoluto de: 0, 22m
Presenta Error por Exceso en el 59, 09 % de las predicciones
Presenta Error por Defecto en el 40, 91 % de las predicciones.
Con lo cual puede concluirse que al implementar esta inicializacion, hay un error
promedio en valor absoluto aceptable, reduciendolo en un 50, 00 % con respecto a otros
modelos, presentando un error por defecto en el 40, 91 %, lo cual para el caso de prediccion
de alturas hidrometricas significa el error de mayor coste, como puede observarse en la
tabla de la Figura (6.58), por lo cual podemos concluir que para esta aplicacion han dado
buenos resultados pero podran ser mejorables.
Al comenzar la memoria se presentaron los estudios recientes sobre el comportamiento
del ro, en la Seccion (1.3.7), el estudio de Flamenco, [Flamenco, 2010], es un pronostico
de crecida del ro Parana basado en el estudio del fenomeno del Ni
no, con lo cual puede
predecir con buenos resultados los meses con probables crecidas. En este estudio se basan
los pronosticos de crecidas que actualmente se manejan en la region, el pronostico publicado por el INTA elaborado por Flamenco, en marzo de 2010, da estimaciones medias de
altura mensuales, estableciendo lmites inferiores y superiores con un intervalo de amplitud variando de 0,50 m a 1,00 m, [INTA and Flamenco, 2010], manifestando claramente
en su artculo, [Flamenco, 2010], que: No existen antecedentes de pronostico estacional
para este ro, y el mismo puede ser muy u
til en complemento con modelos de alerta en el
Corto Plazo.
Teniendo presente lo mencionado por Wyffels, que el realizar una buena prediccion
del futuro permite que los gobiernos, puedan planificar sus inversiones, la produccion y
otras necesidades y que ello demanda de buena tecnicas de prevision que motiva a muchos
investigadores, [Wyffels and Schrauwen, 2010], humildemente considero que el aporte de
este trabajo es un primer paso, en una investigacion mayor para mejorar el pronostico del
comportamiento del ro Parana, en especial en perodos de inundaciones, lo cual pueda
beneficiar a la region de la cuenca del ro Parana, en Argentina.

208

Bibliografa

J. C. Abril. Modelos para el Analisis de las Series de Tiempo. Ediciones Cooperativas,

Argentina, 2004.
C. Alberola Lopez. Probabilidad, Variables Aleatorias y Procesos Estoc
asticos: una introduccion orientada a las telecomunicaciones. Valladolid: Universidad de Valladolid,
Secretariado de Publicaciones, Espa
na, 2004.
G. Anthes. Deep learning, comes of age. Communications of the ACM, june 2013.
C. Ball.
Meditando sobre el Analisis Tecnico y los Grafico Aleatorios.
http://www.rankia.com/foros/bolsa/temas/559249-meditando-analisis-tecnico-graficoaleatorios?page=9, Consultado: 4 de febrero de 2013.
P. y. P. D. y. L. H. Bengio, Y. y Lamblin. Greedy Layer-Wise Training of Deep Networks.
Universite de Montreal Montreal, Quebec, Canada, Consultado: 8 de abril de 2013.
V. T. Chow. Hidraulica de Canales Abiertos. McGraw-Hill, Colombia, 2004.
J. L. Crespo. Redes Neuronales Artificiales para Ingenieros. Santander, Santander, Espa
na, 1996.
S. Crone. Trainning Artificial Neural Networks for Time Series Prediction using Asymmetric Cost Functions. 2002a.
S. Crone. Prediction of White Noise Time Series using Artificial Neural Networks and
Asymmetric Cost Functions. 2002b.
H. Demuth and M. Beale. Neural Network Toolbox, for use with Matlab. The MathWorrks.Inc., U.S., 1998.
DesEnredando. Red de Estudios Sociales en Prevencion de Desastres en America Latina.
http://www.desenredando.org/, Consultado: 4 de abril de 2010.
DesInventar. Sistema de Inventario de Desastres. http://www.desinventar.org/, Consultado: 4 de abril de 2010.
EFN-UNCOR.
Propuesta para la Confeccion de Planes de Emergencia por Rotura de Presas en la Provincia de Cordoba. Aplicacion al Dique San Roque - Universidad de Cordoba - Argentina.
http://www.efn.uncor.edu/posgrado/rrhh/asignaturaspdf/Tesis/Labaque/4%20Tr %C3 %A1nsito %20de %20Crecidas.pdf, Consultado: 10 de febrero de 2013.
209

C. Europea. Investigacion Innovacion: Inundaciones-Estar alertados significa estar mejor.

http://ec.europa.eu/research/leaflets/floods/page 94 es.html, Consultado: 5 de enero
de 2013.
L. Fausett. Fundamentals of Neural Networks: arquitectures, algorithms, and applications.
Dehli: Pearson Education, 2006.
R. Fiszelew, A. y Garca-Martnez.
Generacion Automatica de Redes Neuronales con Ajuste de Parametros Basado en Algoritmos Geneticos.
Universidad
de Buenos Aires, Buenos Aires, Argentina, Consultado: 25 de febrero de 2013.
http://laboratorios.fi.uba.ar/lsi/R-ITBA-26-rrnn-ags.pdf.
E. A. Flamenco. Modelo de Pronostico de Inundaciones en el Ro Parana en Corrientes,
basado en el Fenomeno ENSO - El Ni
no /Oscilacion del Sur, EVARSA-Evaluacion
de Recursos Hdricos S.A. http://www.unesco.org.uy/phi/libros/enso/flamenco.html,
Consultado: 6 de febrero de 2010.
F. J. Giron Gonzalez-Torre. Determinismo, Caos, Azar e Incertidumbre - Real Academia
de Ciencias. http://www.rac.es/ficheros/doc/00327.pdf, Consultado: 1 de febrero de
2013.
J.

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.

J. y. A. R. Gutierrez Serret, Ramon M. y Lozano Pedroch. Los Modelos Fsicos a Escala

Reducida y la Simulacion de Maniobras de Buques. Herramientas para el Dise
no Portuario. Organizaci
on de los Estados Americanos-Comisi
on Interamericana de Puertos,
Consultado: 9 de febrero de 2013.
S. Haykin. Neural Networks. A Comprehensive Foundation. Prentice Hall-University of
Michigan Press-Second Edition, Ann Arbor,USA, 1999.
G. E. Hinton. Connectionist Learning Procedures. Artificial Intelligence, vol. 40, pp.
185-234, 1989.
J. Holland. Adaptation in Natural and Artificial Systems. University of Michigan Press,
Ann Arbor,USA, 1992.
INTA. Instituto Nacional de Tecnologa Agropecuaria. http://www.inta.gov.ar/index.asp,
Consultado: 4 de abril de 2010.
INTA and E. A. Flamenco.
Pronostico Ro Parana en
http://www.inta.gov.ar/index.asp, Consultado: 6 de febrero de 2010.

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.

Mateos de Cabo, Ruth y Olmedo Fernandez.

Implicaciones del
Caos Determinista en la Economa y la Gestion Empresarial, Universidad San Pablo-CEU -Universidad de Sevilla.
http://www.encuentrosmultidisciplinares.org/Revistan %BA11/Ruth %20Mateos %20y %20Elena %20Olmedo.pdf,
Consultado: 1 de febrero de 2013.
210

Matlab. Matlab Version 7.11.0 R2010b. The MathWorks, 2010.

L. Mediero Ordu
na. Pronostico Probabilstico de Caudales de Avenida Mediante Redes
Bayesianas Aplicadas sobre un Modelo Hidrologico Distribuido. PhD thesis, Universidad
Politecnica de Madrid, Espa
na, 2007.
J. J. Merelo Guervos. Informatica Evolutiva. Universidad de Granada, Espa
na, Consultado: 30 de marzo de 2013. http://geneura.ugr.es/ jmerelo/ie/intro.htm.
Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. SpringerVerlag, Berlin Heidelberg, Germany, 1992.
J. J. Neiff. El regimen de pulsos en ros y grandes humedales de Sudamerica. In: Malvarez
AI (ed) Topicos sobre humedales subtropicales y templados de Sudamerica. Universidad
de Buenos Aires, 1999.
P. y. C. J. y. M. S. y. C. S. Ogallo, L. y Bessemoulin. Boletin - Adaptacion a la variabilidad
del clima y al cambio climatico: el sistema de Foros sobre la evolucion probable del
clima. Revista de la Organizaci
on Meteorologica Mundial, Consultado: 3 de enero de
2013.
OMM.
Organizacion Meteorologica Mundial, Programa Mundial sobre
el Clima - Servicios de Informacion y Prediccion del Clima (SIPC).
Consultahttp://www.wmo.int/pages/prog/wcp/wcasp/documents/wcasp sp.pdf,
do: 22 de enero de 2013.
E. Parliament. Directive 2007/60/EC on the assessment and management of flood risks.
Official Journal of the European Union, october 2007.
D. Pe
na Sanchez de Rivera. Analisis de Series Temporales. Alianza Editorial, Espa
na,
2005.
X. L. Pham, D.T. Neural Networs for Identi?cation, Prediction and Control. SpringerVerlag, London, Great Britain, 1995.
H. Poincare. Science and Method. Cosimo Classics, Estados Unidos, 2009.
K. R. Popper. The Logic of Scientific Discovery. Routledge, Gran Bretania, 2002.
I. Prigogine. El Fin de las Certidumbres. Andres Bello-Quinta Edicion, Chile, 1997.
R. E. Sierra.
Meteorologista argentino preve El Ni
no para 2012-2013.
http://www.vetagro.com.br/informativo le.php?idinfo=772, Consultado: 22 de
enero de 2013.
SMN. Servicio Meteorologico Nacional, Subsecretara de Planeamiento, Ministerio de
Defensa, Rep. Argentina. http://www.smn.gov.ar/, 2008 a 2013.
J. Sanchez Fernandez. Introduccion a la Estadstica Empresarial. Captulo 4- Series Temporales. http://www.eumed.net/cursecon/libreria/2004/jsf/4.pdf, julio 2004.
SNIH. Sistema Nacional de Informacion Hdrica de la Subsecretara de Recursos Hdricos,
Secretara de Obras P
ublicas, Ministerio de Planificacion Federal, Inversion P
ublica y
Servicios, Rep. Argentina. http://www.hidricosargentina.gov.ar/, 2008 a 2013.
211

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.

Wikipedia. Wikipedia. http://es.wikipedia.org/wiki/, 2013.

F. Wyffels and B. Schrauwen. A comparative study of Reservoir Computing strategies
for monthly time series prediction. Neurocomputing, march 2010.
M. E. Zorrilla Pantaleon. Procesamiento Paralelo y Distribuido aplicado al Almacenamiento y Recuperacion de Informacion Documental. PhD thesis, Universidad de Cantabria,
Espa
na, 2001.

212

Indice de figuras
1.

Atardecer en el ro Parana. . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.

Atardecer en el ro Parana. . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.

Ubicacion de la Provincia de Corrientes en la Rep

ublica Argentina. . . . . 10

4.

Imagen satelital de la region mesopotamica donde se ubica la provincia de

Corrientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

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. . . . . 11

1.1. Caractersticas comparativas de los fenomenos de El Ni

no y La Ni
na. . . . 18
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3. Representacion esquematica del comportamiento hidrologico de una cuenca. 22
1.4. Formas de Cuencas y Coeficiente de Compacidad asociados. . . . . . . . . 23
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. 24
1.6. Ubicacion de las Represas de Itaip
u y de Yacyreta, en el curso del ro Parana. 26
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.8. Valle fluvial Ro Parana aleda
no a Corrientes, Foto Izq.:imagen Landsat 5 TM del 04/05/1998. Altura Ro Parana en Puerto Corrientes =
8.38m. Fuente: www.conae.gov.ar. Foto Dcha.: imagen Landsat 5 TM del
02/09/2007. Altura Ro Parana en Puerto Corrientes = 2.63m. Fuente:
www.inpe.br. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1. Ejemplo de Procesos Estocasticos: Temperaturas Maximas y Mnimas diarias de la ciudad de Corrientes en el a
no 1998. . . . . . . . . . . . . . . . . 34
2.2. Clasificacion de Procesos Estocasticos. . . . . . . . . . . . . . . . . . . . . 35
2.3. Procesos Estocasticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4. Ejemplo de Procesos Deterministas Caoticos: Comportamiento de Mercados. Fuente: [Ball, 2013]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
213

2.5. Modelo Fsico del ro Mero, (La Coru

na-Espa
na), con el objetivo de hidrodinamica (flujo complejo) y altura de inundacion. Fuente: [Vide, 2013]. . . 39
2.6. Series Temporales: Grafica de la Evolucion del paro en Espa
na. Fuente:
[Sanchez Fernandez, 2004]. . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.7. Series Temporales: Tabla de datos de la Evolucion del paro en Espa
na.
Fuente: Servidor Web INE, en [Sanchez Fernandez, 2004]. . . . . . . . . . 50
2.8. Series Temporales: Grafica de la Evolucion del paro en Espa
na conjuntamente con la Tendencia de la serie. Fuente: [Sanchez Fernandez, 2004]. . . 51
2.9. Descripcion de una neurona natural. . . . . . . . . . . . . . . . . . . . . . 54
2.10. Comparacion entre neurona natural y neurona artificial. . . . . . . . . . . . 55
2.11. La funcion logstica de 0 a 1. . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.12. La funcion tangente hiperbolica de 1 a 1. . . . . . . . . . . . . . . . . . . 56
2.13. Descripcion de una Neurona Artificial. . . . . . . . . . . . . . . . . . . . . 57
2.14. Descripcion de una Red Neuronal Artificial. . . . . . . . . . . . . . . . . . 58
2.15. Arquitecturas de redes neuronales artificiales. . . . . . . . . . . . . . . . . 58
2.16. Ejemplo de una red neuronal que realiza un diagnostico medico. . . . . . . 59
2.17. Conexiones hacia delante. . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.18. Conexiones laterales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.19. Conexiones hacia atras o recurrentes. . . . . . . . . . . . . . . . . . . . . . 61
2.20. Sobreajuste de Redes Neuronales. Fuente: [Gutierrez, 2013]. . . . . . . . . 63
2.21. Ilustracion de la regla de detencion temprana basada en la validacion cruzada. Fuente: [Fiszelew, 2013]. . . . . . . . . . . . . . . . . . . . . . . . . 64
2.22. Descripcion de una red neuronal artificial multicapa. . . . . . . . . . . . . 69
2.23. Estructura del Perceptron. . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.24. Capas de un Perceptron. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.25. Aprendizaje Hebbiano del Perceptron. . . . . . . . . . . . . . . . . . . . . 71
2.26. Red de Hopfield. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.27. Arquitectura de las Redes FTDNN, donde TDL son retardos asociados. . . 74
2.28. Red neuronal FTDNN: Alturas Hidrometricas Pto. Iaguaz
u, Posadas e Itat. 74
2.29. Red neuronal NAR: Alturas Hidrometricas de Corrientes. . . . . . . . . . . 74
2.30. Red neuronal NARXIP: Serie Alturas Hidrometricas de Corrientes, siendo
las entradas asociadas las Alturas Hidrometricas Pto. Iaguaz
u, Posadas e
Itat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
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. . . . . . . 76
2.32. Arquitectura de las Redes NARX, donde TDL son retardos asociados. . . . 76
2.33. Redes Profundas: Estructura con varias capas ocultas. . . . . . . . . . . . . 77
2.34. Redes Profundas: Autocodificador. . . . . . . . . . . . . . . . . . . . . . . 78
214

2.35. Cadena de ADN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

2.36. Descripcion del Algoritmo Genetico. . . . . . . . . . . . . . . . . . . . . . . 81
2.37. Descripcion de un Cruce en los Algoritmos Geneticos. . . . . . . . . . . . . 81
2.38. Detalle de Cromosona, Gen y Alelo. . . . . . . . . . . . . . . . . . . . . . . 82
2.39. Operacion de Cruce. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.40. Operacion de Mutacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.41. Diagrama del Algoritmo Genetico Simple o Canonico. . . . . . . . . . . . . 84
3.1. Variaciones de alturas hidrometricas del ro Parana en la localidad de Corrientes en el perodo 1989-2008. . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2. Comparacion de alturas hidrometricas del ro Parana en la localidad de
Corrientes en perodos normales y de inundaciones. . . . . . . . . . . . . . 91
3.3. Comparacion de alturas hidrometricas del ro Parana en la localidad de
Corrientes en los perodos de picos de inundacion. . . . . . . . . . . . . . . 92
3.4. Representacion esquematica de las fases de aguas altas y bajas en el ro
Parana. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.5. Variaciones hidrometricas del ro Parana en el Puerto de Corrientes desde
enero de 1998 hasta enero de 2006, [Neiff, 1999]. . . . . . . . . . . . . . . 94
3.6. Representacion esquematica de un Pulso de Inundacion del ro Parana,
[Neiff, 1999]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.7. Alturas hidrometricas del ro Parana en la localidad de Corrientes en el
perodo 1989-2008 y lnea de tendencia aproximada por medias moviles de
orden 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.8. Alturas hidrometricas del ro Parana en el Puerto de Corrientes en el
perodo de Inundacion de 1991-1992 y lnea de tendencia aproximada por
medias moviles de orden 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.9. Alturas hidrometricas del ro Parana en el Puerto de Corrientes en el
perodo de Inundacion de 1991-1992 y lnea de tendencia aproximada por
medias moviles de orden 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.10. Recurrencia de Inundaciones seg
un Alturas Hidrometricas Maximas. . . . . 97
3.11. Histograma mensual de alturas hidrometricas del ro Parana en a localidad
de Corrientes en el perodos de 1989 a 2008. . . . . . . . . . . . . . . . . . 98
3.12. Histograma anual de alturas hidrometricas del ro Parana en la localidad
de Corrientes en el perodos de 1989 a 2008. . . . . . . . . . . . . . . . . . 99
3.13. Frecuencias de alturas hidrometricas del ro Parana en la localidad de Corrientes en el perodos de 1989 a 2008. . . . . . . . . . . . . . . . . . . . . 100
3.14. Alturas y Cuadales de perodos de Inundaciones en la localidad de Corrientes.100
3.15. Cuadro Comparativo de Estadsticos de las Alturas Hidrometricas del ro
Parana en la localidad de Corrientes. . . . . . . . . . . . . . . . . . . . . . 101
215

4.1. FreeFore: Datos Meteorologicos y Alturas Hidrommetricas del ro en la

localidad de Corrientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2. FreeFore: Errores del modelo generado, al pronosticar la Altura del ro en
Corrientes con 7 das de antelacion. . . . . . . . . . . . . . . . . . . . . . . 108
4.3. Herramienta de Identificacion de Sistemas de Matlab-Datos Meteorologicos
y Altura Hidrometricas del ro en la localidad de Corrientes y el modelo
Autorregresion seleccionado, que sera aplicado. . . . . . . . . . . . . . . . . 109
4.4. Errores de prediccion de Altura del Ro: Grafico Izq.: a 3 das y Grafico
Dcho.: a 5 das. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.5. FreeFore: Datos de Alturas y Cuadales en las estaciones de Puerto Iguaz
u,
Posadas, Itat y Corrientes. . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.6. FreeFore: Errores del modelo generado, al pronosticar la Altura del ro en
Corrientes con 7 das de antelacion. . . . . . . . . . . . . . . . . . . . . . . 112
4.7. Herramienta de Identificacion de Sistemas de Matlab-Datos de Alturas y
Cuadales en las estaciones de Puerto Iguaz
u, Posadas, Itat y Corrientes. . 114
4.8. Errores de prediccion de Altura del Ro: Grafico Izq.: a 3 das y Grafico
Dcho.: a 5 das. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.1. Matlab-NNTool: Ventana de NNTool, con la RN y los datos usados en la
generacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.2. Matlab-NNTool: Ventana de Creacion de la red neuronal, donde se indican
datos y se configuran las funciones y la estructura de la red neuronal. . . . 119
5.3. Matlab-NNTool: Estructura de a Red Neuronal. . . . . . . . . . . . . . . . 120
5.4. Matlab-NNTool: Entrenamiento de la Red Neuronal, indicando los archivos
de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.5. Matlab-NNTool: graficas con los resultados del entrenamiento de la RN,
funcion de entrenamiento Trainbr. . . . . . . . . . . . . . . . . . . . . . . . 121
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. . . . . . . . 122
5.7. Tabla comparativa de la penalizacion de Errores con la Funcion Cuadratica
y la Funcion de Penalizacion Propuesta. . . . . . . . . . . . . . . . . . . . 125
5.8. Grafico de la funcion de Penalizacion, que penaliza los errrores cuando
mayor es la altura del ro. . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.9. Grafico de la funcion Cuadratica. . . . . . . . . . . . . . . . . . . . . . . . 126
5.10. Errores obtenidos al implementar la RN con la Funcion de Penalizacion
propuesta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.11. Archivo con datos combinados de 2 perodos de inundaciones. . . . . . . . 129
5.12. Errores obtenidos al implementar la RN con la Funcion de Penalizacion
propuesta y entrenada con Archivos Combinados. . . . . . . . . . . . . . . 130
5.13. Errores Comparativos de Prediccion a 3 das en perodos de Inundacion. . . 131
216

6.1. Matlab - Herramienta de Redes Neuronales - NNStart. . . . . . . . . . . . 135

6.2. Matlab - Herramienta de Redes Neuronales - NNStart. . . . . . . . . . . . 135
6.3. Matlab-NNStart-NAR: Izq.:Ingreso archivo de datos de alturas de la Ciudad de Corrientes. Dcha.: Seleccion de porcentaje de datos de Entremiento,
Testeo y Validacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6.4. Matlab-NNStart-NAR: Izq.: Determinacion de las neuronas de la capa oculta y el retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados
obtenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
6.5. Red neuronal NAR: Visualizacion del Entrenamiento y Resultados. . . . . 138
6.6. Red neuronal NAR: Rendimiento del Entrenamiento. . . . . . . . . . . . . 139
6.7. Red neuronal NAR: Histograma de Errores de Entrenamiento. . . . . . . . 139
6.8. Red neuronal NAR: Graficos de Regresion. . . . . . . . . . . . . . . . . . . 140
6.9. Red neuronal NAR: Graficos de Resultados y Errores por tiempo de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.10. Red neuronal NAR: Autocorrelacion de Error. . . . . . . . . . . . . . . . . 141
6.11. Red neuronal NARPIR: Errores de Prediccion a 7 das. . . . . . . . . . . . 143
6.12. Red neuronal NARSIR: Errores de Prediccion a 7 das. . . . . . . . . . . . 144
6.13. Red neuronal NARIR: Error de Prediccion a 7 das . . . . . . . . . . . . . 149
6.14. Errores de prediccion comparados entre redes de estructura NAR. . . . . . 150
6.15. Resultados de prediccion con NARIR. . . . . . . . . . . . . . . . . . . . . . 150
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
6.17. Matlab-NNStart: Izq.: Determinacion de las neuronas de la capa oculta
y el retardo a considerar. Dcha.: Opciones de Entrenamiento y resultados
obtenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.18. Red neuronal NARX: Visualizacion del Entrenamiento y los Resultados. . . 152
6.19. Red neuronal NARX: Rendimiento del Entrenamiento. . . . . . . . . . . . 153
6.20. Red neuronal NARX: Histograma de los Errores de Entrenamiento. . . . . 153
6.21. Red neuronal NARX: Graficos de Regresion. . . . . . . . . . . . . . . . . . 154
6.22. Red neuronal NARX: Graficos de Resultados y Errores por tiempo de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.23. Red neuronal NARX: Error de Autoregersion. . . . . . . . . . . . . . . . . 155
6.24. Red neuronal NARXPIR: Error de Prediccion a 7 das. . . . . . . . . . . . 162
6.25. Red neuronal NARXSIR: Error de Prediccion a 7 das. . . . . . . . . . . . 163
6.26. Red neuronal NARXIR: Error de Prediccion a 7 das . . . . . . . . . . . . 164
6.27. Errores de Prediccion comparados entre redes de estructura NARX. . . . . 165
6.28. Resultados de prediccion con la red NARXIR. . . . . . . . . . . . . . . . . 165
217

6.29. Red neuronal NARXMultiCtes: Evolucion del Entrenamiento y Resultados. 166

6.30. Red neuronal NARXMultiCtes: Rendimiento del Entrenamiento. . . . . . . 167
6.31. Red neuronal NARXMultiCtes: Histograma de los Errores de Entrenamiento.167
6.32. Red neuronal NARXMultiCtes: Graficos de Regresion. . . . . . . . . . . . 168
6.33. Red neuronal NARXMultiCtes: Graficos de Resultados y Errores por tiempo de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.34. Red neuronal NARXMultiCtes: Autocorrelacion de Error.

. . . . . . . . . 170

6.35. Red neuronal NARXMultiCtes: Error de Prediccion a 7 das . . . . . . . . 171

6.36. Red neuronal NARXMultiCtes: Resultados de Prediccion. . . . . . . . . . 172
6.37. Red neuronal FTDNN: Alturas Hidrometricas Pto. Iaguaz
u, Posadas e Itat.173
6.38. Red neuronal FTDNN: Resultados del Entrenamiento. . . . . . . . . . . . 174
6.39. Red neuronal NAR: Alturas Hidrometricas de Corrientes. . . . . . . . . . . 175
6.40. Red neuronal NAR: Resultados del Entrenamiento. . . . . . . . . . . . . . 176
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
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
6.43. Red neuronal FtdnnNarNarxMCtes: Rendimiento del Entrenamiento. . . . 181
6.44. Red neuronal FtdnnNarNarxMCtes: Histograma de los Errores de Entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
6.45. Red neuronal FtdnnNarNarxMCtes: Graficos de Regresion. . . . . . . . . . 182
6.46. Red neuronal FtdnnNarNarxMCtes: Graficos de Resultados y Errores por
tiempo de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
6.47. Red neuronal FtdnnNarNarxMCtes: Autocorrelacion de Error. . . . . . . . 183
6.48. Red neuronal FtdnnNarNarxMCtes: Error de Prediccion a 7 das . . . . . . 184
6.49. Red neuronal FtdnnNarNarxMCtes: Resultados de Prediccion. . . . . . . . 185
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
6.51. Red neuronal NlpNarxMCtes: Rendimiento del Entrenamiento. . . . . . . . 195
6.52. Red neuronal NlpNarxMCtes: Histograma de los Errores de Entrenamiento. 195
6.53. Red neuronal NlpNarxMCtes: Graficos de Regresion. . . . . . . . . . . . . 196
6.54. Red neuronal NlpNarxMCtes: Graficos de Resultados y Errores por tiempo
de entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
6.55. Red neuronal NlpNarxMCtes: Autocorrelacion de Error. . . . . . . . . . . 198
6.56. Red neuronal NlpNarxMCtes: Error de Prediccion a 7 das . . . . . . . . . 199
218

6.57. Red neuronal NlpNarxMCtes: Resultados de Prediccion. . . . . . . . . . . 200

6.58. Errores Comparativos de Prediccion a 7 das con diferentes Redes Neuronales200
7.1. Pulso: alturas hidrometricas de la localidad de Corrientes, perodo de 1989
a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
7.2. Pulso: alturas hidrometricas de la localidad de Corrientes, perodo de 1989
a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
7.3. Pulsos detectados en el perodo de a
nos de 1989 a 2009. . . . . . . . . . . . 204
7.4. Pulso - Prisma: Alturas Hidrometricas de la localidad de Corrientes, perodo
de 1989 a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
7.5. Pulso: Alturas Hidrometricas de la localidad de Corrientes, perodo de 1989
a 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
7.6. Comparacion de Errores de Predicion.

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

FreeFore, 106, 108, 109

funcion de activacion, 55, 57, 61
funcion de penalizacion, 117, 124, 126, 127,
130, 131, 207
inundaciones, 7, 9, 11, 12, 15, 17, 19, 2630,
38, 39, 44, 52, 86, 87, 89, 90, 92, 93,
95, 96, 98100, 111, 119, 129131,
140, 145, 147, 154, 156, 157, 159,
160, 170, 186, 188, 201, 203, 207, 208

Matlab, 114, 115, 121, 122, 124, 125, 133,

134
GUI, 106
capas, 21
NNStart, 134, 136, 147, 159
caudal
NNTool, 117, 128
medio, 111
meteorologicas, 17, 19, 30, 106111, 207
caudales, 9, 20, 21, 30, 40, 42, 43, 98, 99, modelos, 31, 33, 38, 39, 4348, 5255, 61,
105, 111, 113116, 120, 121, 128
62, 67, 68, 73, 76, 85, 106, 109, 111,
cuenca, 15, 1925, 27, 33, 42, 43, 46, 47, 52,
114, 133, 201, 202
98, 99, 208
hidrologicos, 12
del Parana, 23, 24, 28
ARIMA, 53
del Plata, 15, 20, 23, 24
fsicos, 33
hidrografica, 15, 20, 21, 23
Hidrologicos, 7
hidrologicos, 17, 33, 43, 46, 122, 207
distribucion, 33, 34, 4244, 53, 8790, 201
redes neuronales, 133
series temporales, 31, 61, 105
entrenamiento, 6064, 67, 68, 71, 72, 75, 118,
119, 122, 123, 126, 127, 129, 136,
prediccion, 1519, 27, 29, 31, 36, 49, 73,
147, 148, 160
75, 105, 111, 117, 121, 131, 133135,
error, 53, 6068, 71, 73, 78, 108, 110, 113,
147, 149, 150, 159, 164, 165, 169,
115121, 123, 124, 130, 131, 136, 137,
170, 172, 184, 185, 197, 201, 202,
141, 142, 146148, 156, 207, 208
207, 208
por defecto, 142, 146, 156, 159, 169, 182,
corto plazo, 17, 31, 117, 197, 202, 207,
197, 198
208
por exceso, 142, 146, 156, 159, 169, 182,
mediano plazo, 12, 18, 31, 131, 133, 202,
197, 198, 202
208
promedio, 130, 131, 142, 146, 147, 156,
resultados,
31
159, 169, 182, 197, 198
predicciones
estadsticos, 18, 8690, 99
meteorologicas, 15
estructuras, 28, 33, 44, 106, 117, 208
Prisma, 201, 202
frecuencia, 52, 79, 92, 93, 9698
Procesos Deterministas Caoticos, 33, 37
221

Procesos Estocasticos, 3335, 53

Pulso, 202
Pulso 2, 201, 202
ro Parana, 7, 9, 11, 12, 15, 25, 2831, 52, 73,
8590, 93, 96, 98100, 105, 106, 117,
122, 125, 128, 129, 131, 133, 134,
140, 141, 154, 156, 201, 207, 208
recurrencia, 28, 40, 85, 93, 96, 99
redes neuronales, 7, 31, 33, 54, 55, 5861,
64, 65, 72, 7678, 117119, 121124,
126, 131, 133135, 147, 169, 170, 185,
197, 202, 207, 208
autocodificadores, 77, 78, 182, 185, 186,
188
capas, 58, 59, 61, 69, 7578, 117, 121
123, 159, 175, 185, 186, 188, 191
dinamicas, 33, 72, 135
estaticas, 33, 68
FTDNN, 33, 75, 133, 169, 170, 197
modificadas, 7
NAR, 33, 7375, 133135, 140, 146, 147
NARX, 33, 75, 133, 147, 156, 158, 159
NARX Multicapa, 133, 160, 170, 175,
185, 186, 188, 191, 197, 198
neurona, 54, 55
NLP, 133, 185, 186, 198
perceptron, 16, 33, 58, 63, 67, 69, 71,
122
profundas, 7678, 182
series temporales, 7, 31, 33, 4850, 53, 61,
73, 105, 125, 134, 136, 147, 154, 207
Sistemas Inteligentes, 7, 12, 17, 207
tendencia, 4952, 62, 85, 9395, 202
testeo, 85, 129, 133, 136, 146, 147, 158, 160,
188
validacion, 29, 31, 63, 64, 85, 107, 109, 111,
114, 127, 129, 136, 146, 147, 158, 160

222