\documentclass[a4paper,10pt]{article}

\usepackage[utf8]{inputenc}
% para activar tildes, sino saldra captulo sin
/ se puede usar latin1 o utf8 u otras
\usepackage[spanish]{babel}
% en espaol, sino saldra chapter en lugar de Captu
lo, bibligraphy en lugar de Bibliografa, etc
\usepackage{graphicx}
% para insertar imgenes,
sino solo sale cubitos
\usepackage{url}
% para i
nsertar urls
\usepackage{apacite}
% apacite muestra la url
en la bibliografia, otros estilos talvez no
\begin{document}
\title{Red Neuronal aplicada a la generacin estocstica del caudales mensuales para
el proyecto MULA}
\author{Taymoor Awchi}
\maketitle{}
\section{Resumen ANN stochastic}
\section{Introduccion}
El anlisis y sintesis de series temporales es usualmente requerido por los estudi
os de planeacin y gestin de eventos que presentan un fenmeno de persistencia observ
able como metereolgicos, financieros, etc.
Es muy conocido que la simulacin usando unicamente los registros histricos introdu
ce muchas limitaciones. por ejemplo \cite{louck2005water} remarca que hay un li
mitado numero de diseos o estrategias alternativas miestras que las mejores regla
s de operacin y diseos son obtenidos cuando se prueban una variedad de escenarios
generados.
Por ejemplo, estimar la capacidad de almacenamiento de un sistema de embalses pu
ede ser hecho a partir de la generacin sinttica de flujos en uno o mas sitios, del
mismo modo los estudios de operacin de un sistema de embalses pueden requerir la
previsin de variables como las precipitaciones o caudales. en general las invest
igaciones en recursos hdricos pueden involucrar generacin de datos y/o previsin no
solo de variables hidrolgicas sino de otras vinculadas al uso de agua como irriga
cin, generacin electrica, demandas de agua potable. Por lo tanto la busqueda de u
n diseo optimo en un projecto de gestin del agua frecuentemente involucra encontra
r un metodo o tecnica que genere largas secuencias de las caracteristicas de lo
s flujos de un ro en cuestin. Estas secuencias pueden ser usadas para analizar el
desempeo del proyecto diseado.
\subsection{Marco terico}
\subsubsection{Redes Neuronales en hidrologa}
Una caracteristica atractiva de las redes neuronales es la capacidad de extraer
la relacin de las entradas y salidas de un proceso, sin conocer explicitamente la
naturaleza fsica de un problema. proveen un mapeado de un espacio multivariado a
otro, dando un conjunto de datos que representan el mapeado, aun si los datos s
on ruidosos y estan contaminados con errores. Las redes neuronales son conocid
as por identificar reglas ocultas. Estas propiedades sugieren que las ANNs puede
ser adaptadas para problemas de estimacion y prediccin en hidrologa. En muchos as
pectos las ANNs son muy similares a los modelos de regresin, exepto porque no req
uieren una especificacin muy formal. Ademas son mas versatiles debido a la libert
ad disponible respecto a la eleccion del numero de capas ocultas y los nodos aso
ciados a estas capas; las estructuras de las ANNs permiten que la informacin sea
procesada en multiples caminos simultaneamente, ofreciendo oportunidades para im

plementaciones paralelas.
Muchos modelos para la generacin y previsin de caudales anuales y mensuales son us
ados en el planeamiento de los sistemas de gestin de recursos hdricos, Los mas ext
endidos incluyen las siguientes tcnicas:
\begin{itemize}
\item Regresin lineal simple
\item Regresin lineal multiple
\item Modelos Autoregresivos (AR)
\item Modelos de Medias Moviles (ARMA)
\item Modelos de Medias Moviles con variable exogena (ARMAX)
\item ARMA y ARMAX con parametros peridicos
\end{itemize}
En todos estos modelos, una relacin lineal entre las variables hidrolgicas relevan
tes es asumida. Sin embargo esta relacin lineal no siempre da los mejores resulta
dos, y en algunos casos es inadecuado \cite{raman1995multivariate}
Muchos estudios emplean los modelos autoregresivos en la generacin y previsin de c
audales; los resultados muestran que los modelos de bajo orden reproducen demasi
ado bien las caracteristicas estadisticas analizadas \cite{salas1985approaches},
asimismo los resultados muestran que los modelos estocsticos de caudales pueden
mejorar la precisin de la estimacim del diseo de la capacidad de los embalses \cite
{kjeldsen2004choice}, Peng \cite{peng2000dynamic} muestra que no hay evidencia q
ue los modelos AR(1) multivariados sean inadecuados. Thomas Fiering es un modelo
AR1 con coeficientes que varian estacionalmente, un buen ejemplo de este enfoq
ue.
Estudios iniciales como \cite{brittan1961probability}, \cite{julian1961study}, \
cite{thomas1962mathematical}, \cite{beard1967monthly}, \cite{fiering1967streamfl
ow} intentaron describir secuencias de caudales con modelos matematicos los cual
es pueden reproducir caracteristicas especiales como la periodicidad y considera
r los efectos de la correlacin lineal. De estos, la mas importante contribucin fue
hecha por Thomas y Fiering \cite{thomas1962mathematical}. Ellos proponen que lo
s caudales pueden ser simulados con una relacin lineal simple con cuadales previo
s.
\subsubsection{Modelo de Thomas y Fiering}
Se basa en la suposicin que la correlacin entre meses con un retardo mayor a uno e
s insignificante y que la \textbf{correlacin en serie} es lineal, puediendo gener
ar registros artificiales de cualquier longitud. El modelo fue aplicado exitosam
ente en muchos estudios de generacin de series temporales de caudales, precipitac
in \cite{colston1970technique}, \cite{gangyan2002stochastic}.
\subsubsection{Redes Neuronales}
Muchos estudios desarrollados en la ultima decada han empleado las ANNs para la
generacin y previsin de variables hidrolgicas, ejemplo la previsn de crecidas e inun
daciones \cite{}, \cite{}, \cite{}, \cite{}; previsin de lluvia escorrentia \cite
{}, \cite{}; prediccin de caudales \cite{}, \cite{}; prediccin de precipitacione
s \cite{}, \cite{}; y generacin de \textbf{caudales multivariados} \cite{}, \cit
e{}.
El artculo \cite{awchi2003artificial} explora la posibilidad de usar una ANN com
o un generador de futuros escenarios para el proyecto de irrigacin Mula en Mahara
shtra, India. La ANN presentada es la mas usada en la literatura, esta basada en
la muy conocida arquitectura \textbf{feedforward} entrenada con el algoritmo de
entrenamiento \emph{Backpropagation}. El modelo tiene un componente determinist
ico (Determinado usando la ANN) y un segundo componente que incluye un ruido ale
atorio normalmente distribuido, el cual toma en cuenta la incertidumbre que afec

ta tipicamente a los fenmenos hidrolgicos. El modelo es aplicado para generar seri

es temporales de caudales mensuales la que a su vez puede ser usada para la oper
acin en tiempo real de los sistemas de gestin de Recursos Hdricos. Se comparan los
resultados de la ANN con el modelo de Thomas Fiering.
\section{Procesamiento de datos}
\include{ThomasFiering}
\include{ANN}
\section{}
\bibliographystyle{acm}
ite
\bibliography{biblio}
\end{document}

% tambien puede ser:acm,plain,alpha,apac