REVISTA PERUANA GEO-ATMOSFRICA RPGA (2), 30-44 (2010) www.senamhi.gob.

pe\rpga Editado por el Servicio Nacional de Meteorologa e Hidrologa del Per RPGA-Autor(es)

Aplicacin de Redes Neuronales Artificiales a la Modelizacin y Previsin de Caudales Medios Mensuales del Ro Huancan Application of Artificial Neural Networks to Modeling and Forecasting of Mean Monthly Discharge in the Huancane River
WILBER FERMN LAQUI VILCA1,*
1

Ingeniero Agrcola, Especialista en Recursos Hdricos. * wilfer.lv@gmail.com ABSTRACT In this work, models based on artificial neuron networks of the back-propagation type, were developed for modeling and forecasting, at monthly step, mean monthly discharge in the Huancane River; from median monthly discharge, precipitation and evaporation data. The training and the validation of the artificial neuron networks models were made using 39 years of meteorological data corresponding to stations localized in the Huancane river watershed. These data were grouped as follow: 33 years corresponding to training data set and 6 years to the validation data set. The artificial neuron network models used for modeling and forecasting, at monthly step, mean monthly discharge of the Huancane River showed a good performance in terms of error measures, compared to a first-order PAR (1) periodic autoregressive model. keywords: Modeling and forecasting of discharge, artificial neural networks, time series, Huancan river.

RESUMEN
En este trabajo se desarrollaron modelos basados en redes neuronales artificiales del tipo retro propagacin, para la modelizacin y previsin de los caudales medios mensuales del ro Huancan, a partir de datos medios mensuales de caudales, precipitacin y evaporacin. El entrenamiento y la validacin de los modelos de redes neuronales artificiales se realizaron utilizando 39 aos de informacin meteorolgica correspondiente a estaciones localizadas en la cuenca del ro Huancan, separados en 33 aos como conjunto de datos de entrenamiento y 6 aos como conjunto de datos de validacin. Los modelos de redes neuronales artificiales para la modelizacin y previsin de los caudales medios mensuales del ro Huancan mostraron un excelente comportamiento en trminos de medidas de error, frente a un modelo autorregresivo peridico de primer orden - PAR (1). Palabras claves: Modelizacin y previsin de caudales, redes neuronales artificiales, series de tiempo, ro Huancan

30 Autor(es)-RPGA

WILBER LAQUI

INTRODUCCIN La disponibilidad de agua en cantidad y calidad insuficientes para la atencin de los diversos usos y usuarios es sin duda uno de los ms serios problemas a ser enfrentados en el manejo de los recursos hdricos en una cuenca hidrogrfica. Generalmente, la asignacin de agua para la atencin de las demandas est condicionada por la disponibilidad de agua en el espacio y tiempo, por lo que se hace necesario conocer con aproximacin la disponibilidad presente y futura del recurso hdrico, con la finalidad de formular propuestas actuales y futuras para una adecuada gestin de stos (Laqui, 2008). Debido a la escasa y limitada informacin de caudales de los ros del altiplano peruano, especialmente en la cuenca del ro Huancan, en general se ha utilizado modelos de transformacin lluvia-caudal, como Tmez (Sovero, 1991) y Lutz Scholz (Nina, 2008). La transformacin de lluvia en caudal es uno de los procesos ms difciles de ser entendidos, debido al gran nmero de variables que se modifican en el espacio y tiempo (Weigert, 2005), as como la limitacin de datos hidrometeorolgicos y la no linealidad del proceso que dificultan la utilizacin de este tipo de modelos (Santos & Pereira, 2003). El anlisis y previsin de caudales estacionales es de fundamental importancia en el planeamiento y operacin de sistemas de recursos hdricos. Una de las dificultades en la previsin de esas series es su naturaleza no estacionaria debido a los periodos de lluvia y estiaje durante el ao. Estas previsiones son realizadas, actualmente, por metodologas basadas en modelos de series temporales y se recomienda los modelos autorregresivos peridicos (Ballini et al., 2003). Dada la importancia de la modelizacin y previsin de caudales medios mensuales, durante las ltimas dcadas se han propuesto gran variedad de modelos, y muy recientemente se han introducido nuevos modelos, que manejan de una manera eficiente la aleatoriedad de los caudales y presentan una fcil

adaptabilidad a nuevos datos, sin la necesidad de recurrir a laboriosas formulaciones matemticas. Entre estos modelos se incluyen las tcnicas de inteligencia artificial, que comprenden las tcnicas de Redes Neuronales Artificiales, Sistemas Fuzzy y Neuro-Fuzzy (Ziga & Jordn, 2005), Teora Nebulosa, Sistemas Multi-Agentes. Los modelos de Redes Neuronales Artificiales (RNA) tienen entre sus principales caractersticas: tratan incertezas de fcil adaptabilidad a nuevos datos y abstraen el conocimiento fsico de los sistemas a ser modelados, ya que el modelo puede ser generado nicamente a partir de datos de entrada y salida (Ballini, 2000). Con el objetivo de superar las deficiencias de los modelos matemticos se ha incrementado el nmero de trabajos que utilizan modelos basados en redes neuronales artificiales (Figueiredo et al., 2007). Entre sus principales aplicaciones en la solucin de problemas relacionados a recursos hdricos, tenemos la previsin de caudales (Ballini, 2000; Zuiga & Jordn, 2005; Laqui, 2008; Bravo et al., 2008; Gomes & Lima, 2010, Cruz et al., 2010 ), modelamiento lluvia-caudal (Baganha, 1999; Tokar & Markus, 2000; Weigert, 2005), operacin de reservorios (Kilin & Ciizolu, 2003) y otras aplicaciones relacionadas a los recursos hdricos (Magalhes, 2004; Hillman et al., 2004; Ovanto et al., 2005; Jaimes, 2006; Gibilini, 2006), obtenindose en todos buenos resultados. Debido a la gran importancia que tiene la determinacin y previsin de caudales, es necesaria la adopcin de estos nuevos modelos como instrumentos de modelizacin y posterior previsin, para que permitan conocer con cierta exactitud y facilidad los caudales medios mensuales actuales y futuros del ro Huancan, que permitir su uso racional para diferentes fines. Esta investigacin se enfoca en la aplicacin de redes neuronales artificiales a la modelizacin y previsin de caudales medios mensuales del ro Huancan, el desarrollo de modelos basados en redes neuronales artificiales para la modelizacin y previsin de caudales medios mensuales, a partir de datos medios mensuales de caudales, precipitacin y
31

Autor(es)-RPGA

APLICACIN DE REDES NEURONALES ARTIFICIALES

evaporacin; as como la determinacin de la capacidad de desempeo de estos modelos como instrumento de previsin de caudales medios mensuales del ro Huancan frente a modelos de series temporales estocsticas. MATERIALES Y MTODOS Zona de estudio Se identifica como zona de estudio a la cuenca del ro Huancan, comprendida desde sus nacientes hasta la Estacin Hidromtrica Puente Huancan (prxima a su desembocadura en el Lago Titicaca). Polticamente se ubica en la regin Puno, en las provincias de Huancan, San Antonio de Putina, San Pedro de Moho y

Azngaro (noreste de la regin Puno), en el extremo sureste del Per (Ver Fig. 1). Geogrficamente la cuenca del ro Huancan est comprendida entre las coordenadas (UTM) Este: 376 159-468 954 y Norte: 8 3976198 302196, su cota mxima es 5162 msnm y su cota mnima de 3820 msnm, que corresponde al cerro Surupuna y a la desembocadura del ro en el Lago Titicaca, respectivamente. La cuenca hidrogrfica del ro Huancan tiene una extensin aproximada de 3522 km2, desde la particin de aguas hasta la desembocadura en el Lago Titicaca, presenta una forma ms o menos alargada. Ver Fig. 2.

Fig. 1. Plano de ubicacin de la zona de estudio.

Fig. 2. Cuenca hidrogrfica del ro Huancan.

32 Autor(es)-RPGA

WILBER LAQUI

Metodologa La metodologa seguida consta de cuatro etapas: Anlisis y estudio de la cartografa existente. - Delimitacin de la cuenca hidrogrfica. Recoleccin y anlisis de la informacin hidrometeorolgica. - Anlisis de consistencia de la informacin hidrometeorolgica. - Completacin y extensin de la informacin hidrometeorolgica. - Determinacin de la precipitacin media de la cuenca hidrogrfica. - Anlisis estadstico de la serie temporal de caudales medios mensuales. Modelizacin de caudales medios mensuales. - Formulacin de los posibles modelos de redes neuronales artificiales. - Determinacin de arquitectura y parmetros de los modelos de redes neuronales artificiales. - Fase de entrenamiento de los modelos de redes neuronales artificiales. - Fase de validacin de los modelos de redes neuronales. - Seleccin del mejor modelo de redes neuronales artificiales. Previsin de caudales medios mensuales - Modelamiento estocstico de las series mensuales
Estacin Progreso Arapa Muani Putina Azngaro Huancan Cojata Huaraya Moho Taraco Ananea Crucero Huaraya Moho Puno Juli Puente Huancan Puente Ramis Puente Ilave Longitud 702155.8 700705.6 695706.5 702056.9 701126.7 694512.8 692200 692903.4 695900 693203.3 700124.7 692903.4 700100 692700 694731 695217 693747 Latitud 144121.1 150810.5 144601 145515.5 145451.7 151205.4 15 0100 152307 151800 144042.4 142144.4 152307 155000 161300 151250 151506 150504 Altitud 3 970 3 830 3 948 3 878 3 863 3 890 4 380 3 890 3 820 4 660 4 130 3 890 3 812 3 820 3 814 3 813 3 825

- Estimacin de las caractersticas estadsticas de las series mensuales. - Transformacin y estandarizacin de datos. - Ajuste a un modelo autorregresivo. - Pruebas de validacin del modelo autorregresivo. - Generacin de series sintticas y anlisis de bondad del modelo. - Previsin de caudales medios mensuales. - Modelamiento con redes neuronales artificiales de las series mensuales. - Formulacin de los posibles modelos de redes neuronales artificiales. - Determinacin de arquitectura y parmetros de los modelos de redes neuronales artificiales. - Fase de entrenamiento de los modelos de redes neuronales artificiales. - Fase de validacin de los modelos de redes neuronales. - Seleccin del mejor modelo de redes neuronales artificiales. - Comparacin de modelos - Anlisis de errores de prediccin de los modelos. Informacin Hidrometeorolgica En la Tabla 1, se muestra la informacin hidrometeorolgica utilizada en esta investigacin.

Tabla 1. Informacin hidrometeorolgica.

Parmetro Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Precipitacin Total Mensual Evaporacin Total Mensual* Evaporacin Total Mensual* Evaporacin Total Mensual* Caudal Medio Mensual Caudal Medio Mensual Caudal Medio Mensual Perodo 1964-83, 87-91, 932002 1964-2002 1966-74, 77-80, 82-83, 85-2002 1964, 66, 68, 71-2002 1965-66, 68, 70-81, 93, 95-97, 99-2002 1964-73, 75, 77-2002 1964, 66-86, 88-94, 97-2002 1969-2002 1964, 67, 70-96, 982002 1965-68, 71-94, 962002 1964-67, 69, 71-2002 1969-82, 84, 86, 91-96, 98-2000 1968-92, 96, 98-2000 1964, 68-69, 71-79, 8687, 90, 92-96, 98-2000 1964-2002 1964-2002 1964-2000 Aos de registro 35 39 33 35 23 37 35 34 34 35 37 25 29 22 39 39 37

Nota: (*) Evaporacin medida en tanque de evaporacin tipo A 33 Autor(es)-RPGA

APLICACIN DE REDES NEURONALES ARTIFICIALES

Fig. 3. Serie de caudales medios mensuales del ro Huancan (1964-2002). En la Fig. 3, se presenta la serie temporal de caudales medios mensuales histricos del ro Huancan, con un total de 39 aos de registro a partir de 1964 al 2002. Se ha efectuado la completacin de las series de precipitacin total mensual para las estaciones Taraco, Arapa, Huancan, Huaraya, Moho, Progreso, Muani, Putina, Azngaro, Ananea, Crucero y Cojata, as como la extensin de la serie de evaporacin mensual de la estacin Huaraya Moho, a partir del 2000 al 2002, determinndose la precipitacin media de la cuenca del ro Huancan por el mtodo de Thiessen Modificado (Sovero, 1991). Redes Neuronales Artificiales Segn Pulido et al. (2002), las Redes Neuronales Artificiales (RNAs) son modelos matemticos que copian la estructura de los sistemas neuronales biolgicos con el fin de alcanzar una funcionalidad similar. En general, una red neuronal consiste en el establecimiento de un conjunto de nodos o neuronas agrupadas en varias capas e interconectadas entre s. Ver Figura 4. Bravo et al. (2004), las Redes Neuronales Artificiales se presentan como un nuevo modelo emprico (o del tipo caja negra), que son modelos matemticos que intentan imitar el funcionamiento del cerebro humano; a su
34 Autor(es)-RPGA

vez definen en general, como un sistema de ecuaciones, las no lineales, interconectadas, en las que el resultado de una ecuacin es el valor de entrada de otras encadenadas a sta a travs de la red. Son consideradas como aproximadores universales de funciones y, por lo tanto, tendran la capacidad de conseguir reproducir el comportamiento de cualquier funcin matemtica. Componentes de las Redes Neuronales Las siguientes definiciones describen las principales componentes de una red neuronal artificial (RNA): a) Neurona o unidad procesadora El procesador elemental o neurona es un dispositivo simple de clculo que, a partir de un vector de entrada procedente del exterior o de otras neuronas, proporciona una nica respuesta o salida. Las neuronas de entrada reciben los datos de partida, sin llevar a cabo ninguna operacin matemtica, solamente transfieren los valores a la siguiente capa. Cada neurona de las capas intermedias (capas ocultas) y de la capa de salida realiza la suma Ij de los valores ponderados sobre los datos que recibe como entrada (Pulido et al, 2002). De este modo, dado un conjunto de entradas xji (i=1... q) en la neurona j, estos valores

WILBER LAQUI

Fig. 4. Red neuronal artificial con una capa de entrada de q neuronas, dos capas intermedias de n y m neuronas, respectivamente, y una capa de salida de z neuronas (Fuente: Adaptado de Pulido et al., 2002).
se multiplican por el conjunto de pesos Wji (conexin del nodo i con el nodo j). Ver Figura 5. (Pulido et al., 2002.) Donde: Ij es la salida de una neurona, xji son la variables de entrada y Wji los pesos (conexin del nodo i con el nodo j).

(1)
Fig. 5. Elemento de proceso o neurona (Fuente: Pulido et al., 2002)
35 Autor(es)-RPGA

APLICACIN DE REDES NEURONALES ARTIFICIALES

b) Funciones de activacin A continuacin se describen las funciones de activacin ms comunes: Funciones lineales: Son funciones que dan una salida lineal:

(2)
Funciones escaln: Son funciones que dan una salida binaria dependiente de si el valor de entrada est por encima o por debajo del valor umbral. Por ejemplo la funcin signo, sgn(x), y la escaln estndar, A(x), definidas como sigue:

a) Aprendizaje supervisado: En este caso, los patrones para el aprendizaje estn formados por parejas, f(ap; bp) p = 1; :::; rg, que constan de un vector de variables de entrada, a, junto con las salidas correspondientes b. Por tanto cada valor de salida es la respuesta deseada a las seales de entrada. En este caso, los pesos se obtienen minimizando alguna funcin de error que mide la diferencia entre los valores de salida deseados y los calculados por la red neuronal. En este tipo de aprendizaje se debe tener en cuenta el problema de la convergencia del error. En general, la funcin de error resultante puede contener mltiples mnimos locales, por lo que, el proceso de aprendizaje puede no converger al mnimo global ptimo. b) Aprendizaje no supervisado: En este caso, los datos se presentan a la red sin informacin externa, y la red tiene que descubrir por s misma patrones o categoras. Este tipo de aprendizaje se encuadra dentro de las tcnicas auto-organizativas, o tcnicas automticas para descubrir la estructura de datos. Algunos mtodos de aprendizaje no supervisado son: 1. Aprendizaje Hebbiano: consiste en modificar los pesos de acuerdo con algn criterio de correlacin entre las actividades neuronales. 2. Aprendizaje competitivo: neuronas diferentes se conectan con pesos negativos (inhibitorios) que fuerzan una competicin para ganar la actividad neuronal. 3. Representacin de caractersticas: que concierne a la ordenacin geomtrica de los vectores peso de las unidades competitivas. Validacin Alegre (2003), 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. Por ejemplo, en el caso del aprendizaje supervisado, una medida de la calidad puede darse en trminos de los errores entre los valores de salida deseados y los obtenidos por la red neuronal. Algunas medidas estndar del error son:

(3)
Funciones sigmoidales: Son funciones montonas acotadas que dan una salida gradual no lineal para entradas. Las funciones sigmoidales ms populares son: La funcin logstica:

(4)
La funcin tangente hiperblica: de 1 a 1:

(5)
Aprendizaje Una de las caractersticas de las RNA es su capacidad de aprender a partir de ciertos datos. Una vez que ha sido elegida la arquitectura de red para un determinado problema, los pesos de las conexiones se ajustan para codificar la informacin contenida en un conjunto de datos de entrenamiento. Los mtodos de aprendizaje se clasifican en dos categoras, dependiendo del tipo de informacin disponible (Alegre, 2003):
36

Autor(es)-RPGA

WILBER LAQUI

1. El Error Cuadrtico Medio (ECM), definido como:

(6)
2. El Error Porcentual Medio (EPM), definido como:

(7)
3. El Error Absoluto Medio (EAM), definido como:

(Pulido et al., 2002), que comprende tres capas de entrada, intermedias y de salida; donde la capa de entrada tiene un nmero variable de neuronas en funcin al modelo propuesto, el nmero de neuronas de la capa intermedia vara entre 1 a 20 neuronas (segn el mes y modelo), y la capa de salida con una nica neurona de salida para todos los modelos propuestos.

Tabla 2. Modelos propuestos

N 1 2 3 4 5 6 Modelos Qt = f(Pt, Et) Qt = f(Pt, Pt-1, Et, Et-1) Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2) Qt = f(Pt, Et, Qt-1) Qt = f(Pt, Pt-1, Et, Et-1, Qt-1) Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2, Qt-1, Qt-2)

(8)
Donde n representa el nmero de elementos que intervienen en el pronstico, yi representa el valor real y, yi representa la salida pronosticada. RESULTADOS Y DISCUSIN Modelizacin de caudales medios mensuales del ro Huancan, perodo 1964-2002 Debido a que el nmero de entradas est en funcin del tamao del banco de datos disponibles, es decir, que el nmero de entradas puede ser tan grande como el tamao del banco de datos y que este tipo de modelos permiten cualquier combinacin de las variables de entrada (Tokar & Joshnon, 1999 citado por Weigert, 2005), en esta investigacin se han formulado 6 modelos distintos (Ver Tabla 2) y el tipo de red usada en el modelamiento es del tipo Perceptron MultiCapas (MultiLayer Perceptron-MLP)

Donde: Q es el caudal medio mensual (m3/s), P es precipitacin media mensual (mm/mes) y E es la evaporacin mensual (mm/mes). El proceso de entrenamiento de los modelos de redes neuronales artificiales se efectu con el primer subconjunto de la serie de caudales medios mensuales del ro Huancan, que comprende un total de 33 aos de registro (1964-1996). El algoritmo de aprendizaje utilizado en el entrenamiento de todos los modelos de redes neuronales artificiales es el algoritmo de retro-propagacin (backpropagation), la funcin de activacin tipo sigmoidea y la tasa de aprendizaje y momento igual a 0.6 y 0.8 respectivamente; donde la cantidad de ciclos de clculo (pocas) para cada mes de los 6 modelos propuestos capaces de minimizar el error cuadrtico vara entre 376 y 46 122 ciclos.

Tabla 3. Estadsticas de desempeo de modelos-fase de entrenamiento periodo 1964-1996

N 1 2 3 4 5 6 Modelos Qt = f(Pt, Et) Qt = f(Pt, Pt-1, Et, Et-1) Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2) Qt = f(Pt, Et, Qt-1) Qt = f(Pt, Pt-1, Et, Et-1, Qt-1) Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2, Qt-1, Qt-2) ECM 92.17 69.27 16.53 83.79 76.82 27.28 EAM 4.99 3.72 2.29 4.30 3.70 2.71 Estadsticas EPM EPmax 40.15 441.63 25.13 375.23 23.71 228.74 24.78 290.98 19.88 341.27 22.10 284.63 R2 0.87 0.90 0.98 0.88 0.89 0.96 Calificacin 6 4 1 5 3 2

Donde :1 representa el mejor modelo y 6 el menos eficiente.

37 Autor(es)-RPGA

APLICACIN DE REDES NEURONALES ARTIFICIALES

Tabla 4. Estadsticas de desempeo de modelos-fase de validacin periodo 1997-2002

N 1 2 3 4 5 6 Modelos Qt = f(Pt, Et) Qt = f(Pt, Pt-1, Et, Et-1) Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2) Qt = f(Pt, Et, Qt-1) Qt = f(Pt, Pt-1, Et, Et-1, Qt-1) Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2, Qt-1, Qt-2) ECM 263.19 309.28 237.49 256.31 245.51 297.12 EAM 8.59 8.54 7.98 6.62 6.80 7.15 Estadsticas EPM EPmax 81.51 1404.34 77.91 1987.55 65.59 1068.29 39.24 664.39 38.50 524.03 54.21 914.08 R2 0.82 0.79 0.85 0.83 0.83 0.84 Calificacin 5 6 4 2 1 3

Donde: 1 representa el mejor modelo y 6 el menos eficiente. En la Tabla 3, se observa claramente que el modelo 3 muestra mejor desempeo en el proceso de entrenamiento de los modelos de redes neuronales, ya que presenta errores con valores menores en comparacin al resto de modelos propuestos y coeficiente de ajuste del orden de 98% (Coeficiente de determinacin). El proceso de prueba y validacin de los modelos se efectu con el segundo subconjunto de datos de la serie de caudales medios mensuales del ro Huancan, que comprende un total de seis aos de registro (1997-2002). Los resultados de las estadsticas de validacin de los modelos propuestos se muestran en la Tabla 4. En la fase de validacin el modelo 5 es el que presenta un mejor desempeo en comparacin al resto de modelos propuestos, debido a los bajos errores y coeficiente de ajuste alto que presenta. Se efectu la seleccin de los mejores modelos teniendo como principal criterio de evaluacin, la capacidad de desempeo y generalizacin a travs de las estadsticas de validacin de los modelos, tanto para la fase de entrenamiento como para la de validacin. (Ver Tablas 3 y 4). Los modelos seleccionados fueron: el modelo 3, que presenta mejor desempeo dentro de los 3 modelos que consideran como variables de entrada valores de precipitacin y evaporacin mensual (Ver Figura 5a) y el modelo 5 como el que presenta mejor desempeo dentro de los 3 modelos que consideran como variables de entrada valores de precipitacin, evaporacin, y caudales medios mensuales (Ver Figura 5b) Previsin de caudales medios mensuales con horizonte mensual a) Modelamiento Estocstico de la serie mensual de caudales del ro Huancan De acuerdo a los anlisis realizados, se opt por el Modelo Autorregresivo Peridico de Primer Orden PAR (1), como el modelo

160 140 120 100 80 60 40 20 0 ene-97

Historica

Modelo 3

a)

160

Historica

Modelo 5

140

b)

120

Caudal (m3/s)

100
Caudal (m3/s)

80

60

40

20

ene-98

ene-99

ene-00 Mes/Ao

ene-01

ene-02

0 ene-97 ene-98 ene-99 ene-00 Mes/Ao ene-01 ene-02

Fig. 5. Caudales medios mensuales observados y estimados con los modelos 3. Fig. 5a y el modelo 5. Fig. 5b)
38 Autor(es)-RPGA

WILBER LAQUI

ms adecuado para representar la serie de caudales medios mensuales del ro Huancan, estacin Puente Huancan; los parmetros para el modelo PAR (1) fueron estimados por el mtodo de Momentos. Para el anlisis de bondad del modelo se generaron 10 series de 33 aos de registro (Tablas 5 y 6), del cual se puede afirmar que no existe diferencia estadstica significativa

entre las medias y desviaciones estndar de las series generadas y la serie histrica a un 95% de probabilidad, ya que los valores de T y F calculados son menores a los valores tabulares, concluyndose que el modelo de generacin PAR (1) es adecuado ya que reproduce satisfactoriamente la media y desviacin estndar de la serie histrica.

Tabla 5. Comparacin estadstica de las medias

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Media Histrica Generada 48.0103 50.6377 61.7209 61.9409 50.5645 49.4992 28.0836 26.9610 10.0091 9.7133 5.0882 5.0152 3.7306 3.6894 2.7112 2.7080 2.6848 2.4915 3.0227 2.8929 5.3885 5.5605 13.8873 14.1852 Prueba Estadstica T Diferencia T Calculada T Tabular Significativa -1.2986 2.0195 No -0.1019 2.0195 No -0.6263 2.0195 No -0.7540 2.0195 No -0.3466 2.0195 No -0.1355 2.0195 No -0.1009 2.0195 No -0.0096 2.0195 No -0.4797 2.0195 No -0.2860 2.0195 No -0.2365 2.0195 No -0.2394 2.0195 No

Tabla 6. Comparacin estadstica de las desviaciones estndar

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Desviacin Estndar Histrica Generada 30.9071 33.2269 36.0375 34.7080 22.1623 22.3468 17.4943 15.2912 5.7909 4.8692 2.3397 1.8271 1.3258 1.1171 0.8779 0.7743 1.3088 1.0243 1.6331 1.3961 3.9503 4.4417 11.4869 13.3059 Prueba Estadstica F Diferencia Significativa F Calculada F Tabular 1.0751 2.1888 No 1.0383 2.8543 No 1.0083 2.1888 No 1.1441 2.8543 No 1.1893 2.8543 No 1.2806 2.8543 No 1.1868 2.8543 No 1.1338 2.8543 No 1.2778 2.8543 No 1.1698 2.8543 No 1.1244 2.1888 No 1.1584 2.1888 No

39 Autor(es)-RPGA

APLICACIN DE REDES NEURONALES ARTIFICIALES

160

Historica

PAR (1)

140

120

100
Caudal (m3/s)

80

60

40

20

0 ene-97 ene-98 ene-99 ene-00 Mes/Ao ene-01 ene-02

Fig. 6. Caudales medios mensuales observados y estimados con el modelo PAR (1) Una vez comprobada la bondad del modelo PAR (1), se efectu la previsin con horizonte mensual de los caudales medios mensuales del ro Huancan, tomando como valor inicial de previsin (semilla) el mes de diciembre del ao 1996 (12.57 m3/s). En la Figura 6, se muestra la representacin grfica de la comparacin de los valores observados y estimados (previstos) de la serie de caudales medios mensuales del ro Huancan, estacin Puente Huancan correspondientes al periodo 1997-2002. b) Modelamiento con Redes Neuronales Artificiales Para esta investigacin se ha utilizado 4 modelos distintos (Ver Tabla 7) y el tipo de red usada en el modelamiento es Perceptron MultiCapas (MultiLayer Perceptron-MLP) (Pulido et al, 2002), que comprende tres capas de entrada, intermedias y de salida, donde la capa de entrada tiene un nmero variable de neuronas en funcin al modelo propuesto, el nmero de neuronas de la capa intermedia vara entre 1 a 10 neuronas (segn el mes y modelo), y la capa de salida con una nica neurona de salida para todos los modelos propuestos.
N 1 2 3 4 Modelos Qt = f(Qt-1) Qt = f(Qt-1, Qt-2) Qt = f(Qt-1, Qt-2, Qt-3) Qt = f(Qt-1, Qt-2, Qt-3, Qt-11, Qt-12, Qt-13)

Donde: Q es el caudal medio mensual (m3/s). El proceso de entrenamiento de los modelos de redes neuronales artificiales se efectu con el primer subconjunto de la serie de caudales medios mensuales del ro Huancan, que comprende un total de 33 aos de registro (19641996). El algoritmo de aprendizaje utilizado en el entrenamiento de todos los modelos de redes neuronales artificiales es el de retropropagacin (back-pro-pagation), la funcin de activacin tipo sigmoidea y tasa de aprendizaje y momento igual a 0.6 y 0.8 respectivamente; donde la cantidad de ciclos de clculo (pocas) para cada mes de los 4 modelos propuestos capaces de minimizar el error cuadrtico vara entre 140 y 17 526 ciclos. En la Tabla 8, se observa que el modelo 4 muestra mejor desempeo en el proceso de entrenamiento de los modelos de redes neuronales, ya que presenta errores con valores menores en comparacin al resto de modelos propuestos y coeficiente de ajuste del orden de 93% (Coeficiente de determinacin). El proceso de prueba y validacin de los modelos se efectu con el segundo subconjunto de datos de la serie de caudales medios mensuales del ro Huancan que comprende un total de 6 aos de registro (1997-2002). Los resultados de las estadsticas de validacin de los modelos propuestas se muestran en el Tabla 9.

Tabla 7. Modelos propuestos

40 Autor(es)-RPGA

WILBER LAQUI

Tabla 8. Estadsticas de desempeo de modelos-fase de entrenamiento periodo 1964-1996

N 1 2 3 4 Modelos Qt = f(Qt-1) Qt = f(Qt-1, Qt-2) Qt = f(Qt-1, Qt-2, Qt-3) Qt = f(Qt-1, Qt-2, Qt-3, Qt-11, Qt-12, Qt-13) Estadsticas ECM EAM EPM EPmx 203.40 7.31 50.25 788.83 175.08 6.22 44.77 887.24 62.02 4.09 32.63 767.46 54.69 3.30 23.77 294.47 R2 0.71 0.75 0.91 0.93 Calificacin 4 3 2 1

Donde: 1 representa el mejor modelo y 4 el menos eficiente. En la fase de validacin el modelo 2 es el que presenta mejor desempeo en comparacin al resto de modelos propuestos, debido a los bajos errores y coeficiente de ajuste alto que presenta. Se efectu la seleccin del mejor modelo de RNA, teniendo como principal criterio de evaluacin la capacidad de desempeo y generalizacin a travs de las estadsticas de validacin de los modelos, tanto para la fase de entrenamiento, como para la de validacin. (Ver Tablas 8 y 9), eligindose al modelo 3 como el que presenta mejor desempeo dentro de los 4 modelos de previsin, que consideran como variables de entrada valores de caudales medios mensuales. (Ver Fig. 7) c) Comparacin de Modelos Uno de los objetivos de esta investigacin fue evaluar la capacidad de desempeo de los modelos de RNA como instrumento de previsin de caudales medios mensuales del ro Huancan, frente a los modelos de serie temporal estocstica PAR (1), por lo que es

Tabla 9. Estadsticas de desempeo de modelos-fase de validacin periodo 1997-2002

N 1 2 3 4 Modelos Qt = f(Qt-1) Qt = f(Qt-1, Qt-2) Qt = f(Qt-1, Qt-2, Qt-3) Qt = f(Qt-1, Qt-2, Qt-3, Qt-11, Qt-12, Qt-13) ECM 442.55 346.38 386.79 587.37 EAM 10.57 9.37 9.37 10.99 Estadsticas EPM EPmax 78.58 1390.19 69.69 1180.64 60.20 1220.15 58.80 714.46 R2 0.74 0.78 0.72 0.60 Calificacin 4 1 2 3

Donde: 1 representa el mejor modelo y 4 el menos eficiente.

160 140 120 Historica Modelo 3

Caudal (m3/s)

100 80 60 40

20 0 Ene-97

Ene-98

Ene-99

Ene-00 Mes/Ao

Ene-01

Ene-02

Fig. 7. Caudales medios mensuales observados y estimados con el modelo 3.

41 Autor(es)-RPGA

APLICACIN DE REDES NEURONALES ARTIFICIALES

coherente pensar que los datos utilizados para calibrar uno y otro modelo deben ser semejantes, sin embargo, independientemente del conjunto de datos de entrada utilizados en la calibracin y validacin de ambos modelos, se ha efectuado la comparacin del mejor modelo de RNA y el modelo de serie temporal estocstica PAR (1), para ello se tiene como antecedentes comparaciones efectuadas en otros trabajos. (Ballini, 2000; Pulido et al., 2002; Zuiga & Jordn, 2005; Ferreira & Forain, 2007; Figueiredo et al., 2007; Gomes & Lima, 2010). En la comparacin de los modelos de previsin, se evalu el desempeo de los mismos en trminos de medida de errores, coeficiente de ajuste (R2) y anlisis grfico del mejor modelo de redes neuronales artificiales con los resultados del modelo de serie temporal estocstica PAR (1). En el Tabla 10 se muestra un resumen de los resultados estadsticos.

confirma de cierta forma la necesidad de utilizar modelos de redes neuronales artificiales (RNA) en la previsin mensual de caudales medios mensuales del ro Huancan, ya que se consigui una mayor efectividad en los resultados de previsin con valores muy cercanos a los reales (Ver Figura 8), obtenindose medidas de error inferiores en comparacin al modelo PAR (1), y un porcentaje de ajuste de 72% en comparacin al 59% que presenta el modelo PAR (1) , lo que confirma la robustez y gran ventaja de la modelacin inteligente, en comparacin a un modelo de serie temporal estocstica PAR (1). CONCLUSIONES Los modelos de redes neuronales artificiales desde la previsin de caudales medios mensuales muestran un excelente comportamiento en trminos de las estadsticas de los errores de previsin; ms an cuando de manera comparativa con un modelo autorregresivo peridico de primer ordenPAR (1) muestra grados superiores de eficiencia en las previsiones, ya que presenta un porcentaje de ajuste de 72%, en comparacin al 59% que presenta el modelo de serie de tiempo estocstica.

De la Tabla 10, puede decirse que se

Fig. 8. Caudales medios mensuales observados y estimados.

42 Autor(es)-RPGA

WILBER LAQUI

Estos resultados son altamente promisorios y sugieren que el enfoque propuesto tiene mejores rendimientos que los modelos de series temporales estocsticas en trminos de error de prediccin, eficiencia y estimacin de picos. En esta investigacin se logr desarrollar modelos de redes neuronales de gran efectividad, a partir de datos de caudales, precipitacin y evaporacin, lo que demuestra la capacidad de los modelos de redes neuronales artificiales en la modelizacin de caudales medios mensuales a partir de este tipo de informacin. Independientemente del conjunto de entradas utilizado, los modelos de redes neuronales artificiales mostraron gran desempeo en la modelizacin de caudales medios mensuales, siendo el modelo 3 (Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2)) el que presenta mejor desempeo dentro de los modelos que consideran como variables de entrada valores de precipitacin y evaporacin mensual y el modelo 5 (Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2, Qt-1, Qt-2)) presenta mejor desempeo dentro de los 3 modelos que consideran como variables de entrada valores de precipitacin, evaporacin, y caudales medios mensuales. Las redes neuronales artificiales para la concepcin de modelos aplicados a la modelizacin lluvia-caudal y posterior previsin de caudales medios mensuales, muestran resultados satisfactorios. El hecho de que los modelos de redes neuronales artificiales exhiban un desarrollo comparable e incluso mejor que los modelos estocsticos sugiere que esta investigacin puede proveer una herramienta til en la solucin de tipos similares de problemas en la gestin y estudio de los recursos hdricos. Agradecimientos: A mi Alma Mater la Universidad Nacional del Altiplano y la Universidad Nacional Agraria La Molina Maestra en Recursos Hdricos, as como mi agradecimiento Comit editor de la Revista Peruana Geo-Atmosfrica del SENAMHI por la invitacin y publicacin de este trabajo de investigacin.

BIBLIOGRAFA Alegre, A. (2003). Simulacin de redes neuronales artificiales: Una aplicacin didctica. Tesis Lic. Sistemas, Universidad Nacional del Nordeste, Corrientes, Argentina. 188 p. Baganha, A. (1999). Modelagem chuva vazo em bacias hidrogrficas com suporte em redes neurais artificiais. Tesis Dr., Universidade Estadual de Campinas, Brasil. 279 p. Ballini, R. (2000). Anlise e previzo de vazes utilizando modelos de sries temporais, redes neurais e redes neurais nebulosas. Tesis Dr., Universidade Estadual de Campinas, Brasil. 183 p. Ballini, R., Soares, S., & Andrade, M. (2003). Previzo de vazes uzando redes neurais nebulosas. Revista Controle & Automao 14(3) 286-297. Bravo, J., Pilar, J., & Depettris, C. (2004). Utilizacin de un modelo de redes neuronales en la obtencin de la curva de descarga de la obra control del ro Negro en Laguna Blanca. Universidad Nacional del Nordeste, Corrientes, Argentina. 4 p. Bravo, J., Correa, O., Collischonn, W., Rolim, A., & Bertacchi, C. (2008). Previses de curto prazo de vazo afluente ao reservatrio de furnas utilizando redes neurais artificiais. Revista Brasileira de Recursos Hdricos RBRH 13(2) 77-88. Cruz, M., Rodrigues, L., & Versiani, B. (2010). Previso de vazes com a metodologia DPFT e com redes neurais artificiais. Revista Brasileira de Recursos Hdricos RBRH 15(1) 121-132. Ferreira, L., & Forain, V. (2007). Comparao de mtodos de previso de vazes naturais afluentes a aproveitamentos hidroeltricos. Revista Brasileira de Recursos Hdricos RBRH 12(3) 13-20. Figueiredo, K., Barbosa, C., Da Cruz, A., Vellasco, M., Pacheco, M., Contreras, R., Barros, M., Castro, R., Marques, V., & Duarte, U. (2007). Modelo de previso de vazo com informao de precipitao utilizando redes neurais. Revista Brasileira de Recursos Hdricos RBRH 12(3) 69-82. Gibilini, D. (2006). Aplicaao de tcnicas de inteligencia Artificial na alocao dinmica
43

Autor(es)-RPGA

APLICACIN DE REDES NEURONALES ARTIFICIALES

de canais em redes sem fio. Tesis Mg. Sc., Universidade de So Paulo, Brasil. 166 p. Gomes, L., & Lima, S. (2010). Modelo baseado na tcnica de redes neurais para previso de vazes na bacia do rio So Francisco. Revista Brasileira de Recursos Hdricos RBRH 15(1) 5-15. Hillman, G., Dlling, O., Pagot, M., Pozzi, C., & Plencovivh, G. (2004). Aplicacin de redes neuronales para el pronstico de evolucin de niveles de agua para la laguna de Mar Chiquita. Mecnica Computacional. 23, 1245-1259. Jaimes, W. (2006). Modelado inteligente para soportar decisiones del sector de navegacin en el ro Magdalena, Trabajo de Grado Ing. Sistemas, Universidad de Pamplona, Colombia. 109 p. Kilin, I., & Ciizolu, K. (2003). Reservoir management using artificial neural networks. State Hydraulic Works. Istambul, Turqua. 9 p. Laqui, W. (2008). Prediccin de caudales medios mensuales del ro Huancan utilizando modelos de redes neuronales artificiales. Tesis Mg. Sc., UNALM, Lima, Per. 149 p. Magalhes, M. (2004). Redes neurais, metodologas de agrupamento y convinao de previsores aplicados previso de vazes naturais. Tesis Mg. Sc., Universidade Estadual de Campinas, Brasil. 123 p. Nina, C. (2008). Modelamiento hidrolgico de la cuenca del ro Huancan. Tesis Ing. Agrcola. Universidad Nacional del

Altiplano. Puno, Per. Ovando, G., Bocco, M., & Sayazo, S. (2005). Redes neuronales para modelar prediccin de heladas. Agricultura Tcnica. 65(1), 65-73. Pulido, I., Roldn, R., Lpez, R., & Gutirrez, J. (2002). Tcnicas de prediccin a corto plazo de la demanda de agua: Aplicacin al uso agrcola. Ingeniera del Agua. 9(3), 319-331. Santos, C., & Pereira, A. (2002). Modelagem hidrolgica urbana por meio utilizando redes neurais artificiais: Uma aplicao para a bacia do rio Tamanduate em Sao Paulo, SP. Revista Brasileira de Meteorologa. 18(2), 149-159. Sovero, H. (1991). Modelo matemtico de transformacin precipitacin descarga con aplicacin a la cuenca del ro Huancan. Tesis Ing. Agrcola, UNALM, Lima, Per. 125 p. Tokar, A., & Markus, M. (2000). Precipitation-runoff modeling using artificial neural networks and conceptual models. Journal of Hydrologic Engineering. 4(4), 156-161. Weigert, F. (2005). Modelagem chuva-vazo mensal utilizando redes neurais artificiais. Tesis Mg. Sc., Universidade Federal do Paran, Curitiva, Brasil. 174 p. Zuiga, A., & Jordn, C. (2005). Pronstico de caudales medios mensuales empleando sistemas neuro-fuzzy. Revista Tecnolgica de la Escuela Superior Politcnica del Litoral. 18(1), 17-23.

44 Autor(es)-RPGA