Del Prete

UN!vERS!DAD NAC!
ONAL DE
CORDOBA

FACULTAD DE C!ENC!AS
EXACTAS FS!CAS Y NATURALES

MAESTRA EN CIENCIAS DE LA INGENIERA
Mencin en Recursos Hdricos

TESIS DE MAESTRA

!mplementacin del Algoritmo de Netropolis Nonte
Carlo para el Ajuste Automatico de un Nodelo
Hidrolgico:
Ensayos con Datos Sintticos y Reales

Pablo Gustavo Del Prete

Director: Juan Carlos Bertoni

Crdoba, Argentina, 2009

A la memoria de
Raquel, Regina y Alfredo mis abuelos
Dedicado a mi hija Paulina que va nacer en diciembre...

AGRADECIMIENTOS
La elaboracin de una tesis de maestra es un producto colectivo revestido de un
carcter social y solidario, pese que la responsabilidad sea predominantemente
individual. Ms all del estrictamente acadmico, el aprendizaje ms importante que
deja este proceso es que los grandes objetivos siempre se logran con la ayuda y la
participacin de un grupo inmenso de personas.
A lo largo de esta trayectoria, muchos fueron los desafos a ser vencidos hasta
alcanzar los resultados que se observan en esta tesis. En este camino la participacin de
muchas personas, tanto en lo tcnico como en lo emocional, contribuyeron para que
fuera posible la realizacin de un sueo de conquista personal y profesional.
En primer lugar, quiero agradecer a mis padres Mario y Ana Mara, por la slida
formacin que me brindaron y cuyo ejemplo de vida siempre me ha servido de modelo
para mantenerme firme en mis propsitos y con fuerza para vencer a todos los
obstculos.
A mi esposa, Ana Paula, que est presente en cada momento de mi vida,
incentivndome con cario, paciencia y amor. A mis hermanos Diego y Vanina y a
todos mis familiares extiendo mi agradecimiento.
En segundo lugar, agradezco a mi director de tesis Dr. Juan Carlos Bertoni por
ser un modelo de tica, competencia y sensibilidad. Su orientacin y amistad fueron
fundamentales en este recorrido. Adems es un honor haber tenido por director una de
las personalidades ms importantes en los recursos hdricos de nuestro pas.
A todos mis compaeros de maestra, que siempre estuvieron presentes,
incentivndome con su apoyo y confianza en mi capacidad. A Facundo Alonso quien
fue mi compaero de estudios de mtodos de optimizacin y a Facundo Ganancias por
sus aportes y comentarios para la realizacin de esta tesis.
A los profesores de la maestra, Dr. Juan Carlos Bertoni, Dr. Sergio A. Elaskar,
Ms. Sc. Ph. D. Santiago Reyna, Ms. Sc. Ph. D. Fabin Lpez, Dr. Andrs Rodrguez,
Dr. Fernando Flores, Dr. Teresa Reyna, Dr. Ernesto Abril, Mg. Carlos Bart, Mg. Juan
Weber y Dr. Luis Godoy.

A mi pas, a la Universidad Nacional de Crdoba y a todas las personas que de
alguna manera me transmitieron con total generosidad sus experiencias que
fortalecieron y complementaron mis estudios de postgrado.
A todos mis ms sinceros agradecimientos.

RESUMEN
Los modelos hidrolgicos conceptuales de transformacin lluvia-caudal
constituyen una herramienta fundamental para analizar el comportamiento de los
sistemas hidrolgicos. La calibracin de dichos modelos se ha realizado
tradicionalmente en forma manual, pero esta metodologa ha demostrado ser lenta y
tediosa. En los ltimos aos se presentan en la literatura una cierta cantidad de trabajos
que tratan sobre la aplicacin de diversas tcnicas de calibracin automtica, basadas en
mtodos de optimizacin global. La validez de dichos mtodos, sin embargo, an no ha
sido demostrada en zonas de escasa informacin hidrolgica, tal como es caracterstica
en Argentina.
En este trabajo se presenta, en primer trmino, el estado del arte de los mtodos
automticos de optimizacin global. En segundo lugar se describe el mtodo de
optimizacin global basado en el algoritmo Metropolis Monte Carlo, aplicado a la
calibracin automtica del modelo hidrolgico IPH II. A continuacin se pone a prueba
la capacidad de bsqueda de este algoritmo a partir de series sintticas y reales de
caudales, tanto para eventos individuales o para un conjunto de eventos en forma
simultnea. El trabajo incluye el anlisis de la evolucin de la funcin objetivo en el
proceso de bsqueda del ptimo global.
Los resultados demuestran que el mtodo de Metropolis Monte Carlo aplicado
al modelo IPH II es eficiente para encontrar juegos de parmetros vlidos que ajusten
adecuadamente a los eventos modelados, sin embargo, no fue capaz de encontrar el
ptimo global.
Finalmente, se ponen de manifiesto las ventajas y limitaciones de la calibracin
automtica.
Palabras Claves: Calibracin automtica, algoritmos heursticos, Metropolis Monte
Carlo, modelos hidrolgicos, modelo IPH II

ABSTRACT
Conceptual hydrologic models for transforming rainfall-water level constitute a
significant tool to analyze the behavior of hydrologic systems. The above mentioned
models have been traditionally calibrated manually. However, this method has proved
to be slow and tedious. Over the last years, there has been a certain amount of research
literature publications addressing the application of different automatic calibration
techniques based on global optimization methods. The validity of these methods has yet
not been determined in areas of scarce hydrologic information, a usual distinctive fact in
Argentina.
This work first introduces the state of the art in automatic methods for global
optimization. The second part describes the global optimization method based on the
Metropolis Monte Carlo algorithm, applied to the automatic calibration of the IPH II
hydrologic model. Then, the algorithm search ability is tested through synthetic and real
series of discharge both for individual events and a group of simultaneous events. This
work includes an analysis of the evolution of the single-objective function in the search
process for the global optimum.
The results show that the Metropolis-Monte Carlo method applied to the IPH II
model is efficient to find valid parameter games which adjust appropriately to modeled
events. Yet, it was not able to find the global optimum.
Finally, advantages and limitations are made evident in the automatic
calibration.
Key Words: Automatic calibration, heuristic algorithms, Metropolis Monte Carlo,
hydrologic models, IPH II model.

RESUMO
Os modelos hidrolgicos conceituais de transformao chuva-vazo constituem
uma ferramenta fundamental para analisar o comportamento dos sistemas hidrolgicos.
Tradicionalmente, a calibrao destes modelos eram realizadas de forma manual, mas
esta metodologia demonstrou-se lenta e trabalhosa. Nos ltimos anos se observa na
literatura uma maior quantidade de trabalhos que apressentam aplicaes de diversas
tcnicas de calibrao automtica, baseadas em mtodos de otimizao global. No
entanto, a eficiencia de ditos mtodos ainda no foi comprovada em zonas de escassa
informao hidrolgica como na Argentina.
Neste trabalho apresenta-se, em primeiro lugar, uma compilao dos mtodos
automticos de otimizao global. Em segundo lugar descreve-se o mtodo de
otimizao global baseado no algoritmo Metropolis Monte Carlo, aplicado na
calibrao automtica do modelo hidrolgico IPH II. Na seqncia se realizam testes
para comprovar a capacidade de busca deste algoritmo a partir de sries sintticas e
reais de vazes, tanto para eventos individuais como para um conjunto de eventos em
forma simultnea. O trabalho inclui a anlise da evoluo da funo objetivo no
processo de busca do timo global.
Os resultados demonstram que o mtodo de Metropolis Monte Carlo aplicado
ao modelo IPH II eficiente para encontrar conjuntos de parmetros vlidos que
ajustem adequadamente aos eventos modelados, no entanto, no foi capaz de encontrar
o timo global.
Finalmente, destacam-se as vantagens e limitaes da calibrao automtica.
Palavras Chaves: Calibrao automtica, algoritmos heursticos, Metropolis Monte
Carlo, modelos hidrolgicos, modelo IPH II

NDICE
CAPTULO I ...................................................................................................... 1
1. INTRODUCCIN...................................................................................... 1
CAPTULO II..................................................................................................... 4
2. OBJETIVOS ............................................................................................... 4
2.1. OBJETIVO GENERAL.............................................................................................. 4
2.2. OBJETIVOS PARTICULARES................................................................................. 4
CAPTULO III ................................................................................................... 6
3. ESTADO DEL ARTE EN MTODOS DE OPTIMIZACIN.............. 6
3.1. MODELOS HIDROLGICOS................................................................................... 6
3.1.1. El Proceso de Transformacin Lluvia-Caudal..................................................... 13
3.1.2. El Modelo Lluvia-Caudal ..................................................................................... 16
3.2. OPTIMIZACIN CONCEPTOS GENERALES................................................... 22
3.2.1. Mtodos de Optimizacin..................................................................................... 25
3.2.2. Tcnicas de Optimizacin Global ........................................................................ 35
3.3. CALIBRACIN AUTOMTICA DE MODELOS LLUVIA-CAUDAL ................ 38
3.3.1. Clasificacin de las Tcnicas de Calibracin ...................................................... 39
3.3.2. Procedimiento Tpico de Estimacin Automtica ................................................ 44
3.4. ANLISIS CRTICO DE LA CALIBRACIN AUTOMTICA............................ 67
CAPTULO IV.................................................................................................. 73
4. METODOLOGA..................................................................................... 73
4.1. DESCRIPCIN DEL MODELO HIDROLGICO IPH II ....................................... 73
4.1.1. Algoritmo de Evaporacin e Intercepcin............................................................ 75
4.1.2. Algoritmo de Separacin de Volmenes............................................................... 78
4.1.3. Algoritmo de Escurrimiento Superficial............................................................... 93
4.1.4. Algoritmo de Escurrimiento subterrneo........................................................... 102
4.1.5. Parmetros......................................................................................................... 104
4.1.6. Condiciones Iniciales ......................................................................................... 115
4.1.7. Valores Lmite de los Parmetros del Modelo IPH II........................................ 117
4.2. EL ALGORITMO METROPOLIS MONTE CARLO............................................ 117
4.2.1. Algoritmo de Metropolis .................................................................................... 118
4.3. DESARROLLO DE HERRAMIENTAS COMPUTACIONALES ........................ 128

CAPTULO V................................................................................................. 132
5. APLICACIN ........................................................................................ 132
5.1. CALIBRACIN AUTOMTICA DEL MODELO IPH II ..................................... 132
5.1.1. Datos de entrada requeridos por el modelo hidrolgico IPH II ........................ 134
5.1.2. Datos de entrada requeridos por el algoritmo Metropolis Monte Carlo ........... 136
5.2. OBTENCIN DE SERIES SINTTICAS DE CAUDALES.................................. 136
5.3. DESCRIPCIN DE LA CUENCA HIDROLGICA DE APLICACIN.............. 140
5.3.1. Descripcin de la cuenca del Ro San Antonio .................................................. 141
5.3.2. Informacin disponible y estimacin de parmetros - Ro San Antonio ............ 143
5.4. DESCRIPCIN DE LA CALIBRACIN SIMULTNEA.................................... 146
CAPTULO VI................................................................................................ 148
6. ANLISIS DE RESULTADOS............................................................. 148
6.1. RESULTADOS DE LA CALIBRACIN AUTOMTICA UTILIZANDO LAS
SERIES SINTTICAS DE CAUDALES.............................................................................. 148
6.1.1. Resultados correspondientes al evento prec0................................................ 148
6.1.6. Resultados correspondientes a la calibracin automtica simultnea de los once
eventos .. ........................................................................................................................... 164
6.1.7. Resumen de resultados correspondientes a la calibracin automtica de eventos
sintticos........................................................................................................................... 181
6.1.8. Prueba de calibracin automtica de un evento sinttico manteniendo constante
3 parmetros del modelo.................................................................................................. 182
6.2. RESULTADOS DE LA CALIBRACIN AUTOMTICA APLICADA A UNA
CUENCA REAL ................................................................................................................... 184
6.2.1. Resultados correspondientes a la calibracin automtica del evento p170197. 185
6.2.6. Resultados correspondientes a la calibracin automtica simultnea de los cinco
eventos .. ........................................................................................................................... 204
6.2.7. Resumen de resultados correspondientes a la calibracin automtica de eventos
de la cuenca del ro San Antonio...................................................................................... 214

CAPTULO 7.................................................................................................. 216
7. CONCLUSIONES Y RECOMENDACIONES ................................... 216
7.1. CONCLUSIONES .................................................................................................. 216
7.1.1. Referidas a la Implementacin del Algoritmo de Metropolis Monte Carlo ....... 216
7.1.2. Referidas a los resultados de la aplicacin del algoritmo ................................. 217
7.2. RECOMENDACIONES......................................................................................... 220
8. BIBLIOGRAFA.................................................................................... 221
8.1. REFERENCIAS...................................................................................................... 221
8.2. BIBLIOGRAFA CONSULTADA......................................................................... 232
8.3. PGINAS DE INTERNET..................................................................................... 240
9. ANEXOS ................................................................................................. 242
9.1. ANEXO I - CDIGOS FUENTE........................................................................... 242
9.1.1. Mdulo main.f90 ................................................................................................ 242
9.1.2. Mdulo iph2.f90 ................................................................................................. 249
9.1.3. Funcin fn_objetivo.f90...................................................................................... 252
9.1.4. Funcin fn_tk.f90 ............................................................................................... 252
9.1.5. Funcin fn_rand.f90........................................................................................... 253
9.1.6. Funcin perdidas.f90 ......................................................................................... 254
9.1.7. Funcin separacion.f90...................................................................................... 255
9.1.8. Funcin propagacion.f90................................................................................... 257
9.2. ANEXO II EJEMPLOS DE ARCHIVOS DE ENTRADA Y DE SALIDA.......... 258
9.2.1. Archivo de Entrada data.txt ............................................................................... 258
9.2.2. Archivo de Entrada prec#.txt ............................................................................. 258
9.2.3. Archivo de Entrada qt#.txt ................................................................................. 259
9.2.4. Archivo de Entrada hta#.txt ............................................................................... 261
9.2.5. Archivo de Salida sal#.txt................................................................................... 261
9.3. ANEXO III RESTO DE RESULTADOS DE LA CALIBRACIN AUTOMTICA
UTILIZANDO LAS SERIES SINTTICAS DE CAUDALES............................................. 263
9.3.6. Resultados correspondientes al evento prec10.............................................. 279

LISTA DE FIGURAS
Figura 3-1: El ciclo hidrolgico (CONICYT, 2007) ...................................................... 12
Figura 3-2: Modelo hidrolgico de transformacin lluvia-caudal (HEC-HMS, 2000).. 14
Figura 3-3: Superficie de respuesta de una FO .............................................................. 43
Figura 4-1: Diagrama de flujo del algoritmo de prdidas IPH II (Tucci, 2005).......... 76
Figura 4-2: Modelo de Infiltracin de Horton-Berthelot (Modelo IPH II)..................... 83
Figura 4-3: Modelo de infiltracin - Situacin I............................................................. 84
Figura 4-4: Modelo de infiltracin - Situacin IIa ......................................................... 85
Figura 4-5: Modelo de infiltracin - Situacin IIb ......................................................... 89
Figura 4-6: Determinacin de tx, aproximacin lineal ................................................ 91
Figura 4-7: Diagrama de flujo del algoritmo de separacin de volmenes.................... 92
Figura 4-8: Mtodo de Clark (Chow et al., 1994) ......................................................... 93
Figura 4-9: Iscronas e histograma tiempo-rea (HEC, 1974)....................................... 94
Figura 4-10: Estimacin del coeficiente n del HTA (HEC, 1974) ................................. 96
Figura 4-11:Diagrama de flujo del algoritmo para el clculo de HTA .......................... 97
Figura 4-12: Diagrama de flujo del algoritmo de escurrimiento superficial ................ 101
Figura 4-13: Diagrama de flujo del algoritmo RLS ..................................................... 104
Figura 4-14: Parmetro h en funcin de k. ................................................................... 109
Figura 4-15: Probabilidad de cambio de la configuracin de un sistema segn el
algoritmo de Metropolis ............................................................................................... 119
Figura 4-16: Diagrama de flujo del algoritmo de Metropolis Monte Carlo................. 123

Figura 4-17: Profundidad mxima G segn Hajek....................................................... 125
Figura 4-18: Diagrama de flujo de interrelacin entre rutinas y archivos de datos...... 130
Figura 5-1: Hidrogramas correspondientes a los caudales sintticos del la Tabla 5.2 . 140
Figura 5-2: Ubicacin de la Cuenca del Ro San Antonio (CIRSA,2003) ................... 141
Figura 5-3: Perfil de la Cuenca y tributarios del Ro San Antonio (CIRSA, 2003) ..... 142
Figura 6-1: Evolucin de la funcin objetivo FOI para el evento prec0 .................. 150
Figura 6-2: Hidrograma original del evento prec0 e hidrogramas obtenidos con la
calibracin automtica.................................................................................................. 152
Figura 6-11: Evolucin de la funcin objetivo FOI para los once eventos
simultneamente ........................................................................................................... 166

Figura 6-12: Hidrograma original del evento prec0, hidrograma obtenido con la
calibracin automtica para multiples eventos e hidrograma obtenido con el juego de
parmetros medio ......................................................................................................... 168
parmetros medio ......................................................................................................... 169
parmetros medio ......................................................................................................... 171
parmetros medio ......................................................................................................... 172
parmetros medio ......................................................................................................... 173
parmetros medio ......................................................................................................... 175
parmetros medio ......................................................................................................... 176
parmetros medio ......................................................................................................... 177
parmetros medio ......................................................................................................... 178

parmetros medio ......................................................................................................... 179
parmetros medio ......................................................................................................... 180
Figura 6-23: Evolucin de la funcin objetivo FOI para el evento p170194 ........... 187
Figura 6-24: Hidrograma original del evento p170194 e hidrogramas obtenidos con la
Figura 6-33: Evolucin de la funcin objetivo FOI para los cinco eventos
simultneamente ........................................................................................................... 206

Figura 6-34: Hidrograma medido del evento p170194, hidrograma obtenido con la
parmetros medio ......................................................................................................... 208
parmetros medio ......................................................................................................... 209
parmetros medio ......................................................................................................... 210
parmetros medio ......................................................................................................... 211
parmetros medio ......................................................................................................... 213
Figura 9-1: Algoritmo del mduloprincipal main.90 .................................................. 249
Figura 9-2: Algoritmo del mdulo IPH II .................................................................... 251
Figura 9-3: Algoritmo de la funcin objetivo............................................................... 252
Figura 9-4: Algoritmo de la funcin de enfriamiento de Metropolis ........................... 253
Figura 9-5: Algoritmo de la funcin que genera los nmeros aleatorios ..................... 254
Figura 9-6: Algoritmo de la funcin que estima las prdidas...................................... 255
Figura 9-7: Algoritmo de la funcin que realiza la separacin de volmenes ............. 256
Figura 9-8: Algoritmo de la funcin que realiza la propagacin.................................. 257
Figura 9-9: Ejemplo del archivo data.txt ...................................................................... 258
Figura 9-10: Ejemplo de un archivo prec#.txt.............................................................. 259

Figura 9-11: Ejemplo de un archivo qt#.txt.................................................................. 260
Figura 9-12: Ejemplo de un archivo hta.txt.................................................................. 261
Figura 9-13: Ejemplo de un archivo de salida sal.txt ................................................... 262
Figura 9-14: Evolucin de la funcin objetivo FOI para el evento prec1................. 265
Figura 9-24: Evolucin de la funcin objetivo FOI para el evento prec10............... 281

LISTA DE TABLAS
Tabla 3.1: Revisin bibliogrfica de Modelos Hidrolgicos (Singh et al., 2002).......... 17
Tabla 3.2: Mtodos para resolucin de problemas no lineales continuos con
restricciones (Wang, 2001)............................................................................................. 29
Tabla 3.3: Mtodos para resolucin de problemas no lineales discretos con restricciones
(Wang, 2001) .................................................................................................................. 31
Tabla 3.4: Resumen de los mtodos para resolucin de problemas no lineales entero-
mixtos con restricciones (Wang, 2001) .......................................................................... 33
Tabla 4.1: Valores de Rmax (Tucci, 2005) .................................................................. 105
Tabla 4.2: Valores de Io, Ib y k (Tucci, 2005) ............................................................. 107
Tabla 5.1: Lluvias cortas sintticas empleadas para calibracin y verificacin del
modelo .......................................................................................................................... 138
Tabla 5.2: Caudales sintticos empleados para calibracin y verificacin del modelo
...................................................................................................................................... 139
Tabla 5.3: Eventos empleados para calibracin y verificacin del modelo (Ganancias y
Fontana, 2004) .............................................................................................................. 144
Tabla 5.4: Estimacin de parmetros de la cuenca....................................................... 145
Tabla 5.5: Estimacin del tiempo de concentracin por distintos mtodos ................. 145
Tabla 5.6: Datos de entrada al modelo IPH II para los distintos eventos..................... 146
Tabla 6.1: Datos generales correspondiente a la salida de evento prec0 .................. 149
Tabla 6.2: Valores obtenidos con la calibracin automtica de los parmetros del
Modelo IPH II para el evento prec0.......................................................................... 151

Tabla 6.11: Datos generales correspondiente a la salida de los once eventos
simultneamente ........................................................................................................... 165
Modelo IPH II............................................................................................................... 167
Tabla 6.13: Valores medios utilizando los mejores juegos de parmetros obtenidos para
cada evento con la calibracin automtica ................................................................... 167
Tabla 6.14: Resultados obtenidos en el ensayo de 3 parmetros constantes................ 183
Tabla 6.15: Datos generales correspondiente a la salida de evento p170194........... 186
Modelo IPH II para el evento p170194..................................................................... 187

Tabla 6.19: Datos generales correspondiente a la salida de eventop101193............ 194
Tabla 6.21: Datos generales correspondiente a la salida de evento p261293.......... 198
Tabla 6.25: Datos generales correspondiente a la salida de los cinco eventos
simultneamente ........................................................................................................... 205
Modelo IPH II............................................................................................................... 206
Tabla 6.27: Valores medios utilizando los mejores juegos de parmetros obtenidos para
cada evento con la calibracin automtica ................................................................... 207
Tabla 9.1: Datos generales correspondiente a la salida de evento prec1 ................. 264

Tabla 9.11: Datos generales correspondiente a la salida de evento prec10 .............. 280
Modelo IPH II para el evento prec10........................................................................ 281

MAESTRA EN CIENCIAS DE LA INGENIERA FCEFyN UNC
MENCIN EN RECURSOS HDRICOS

Pablo Gustavo Del Prete Pg. 1

CAPTULO I
1. INTRODUCCIN
Los modelos matemticos son una de las principales herramientas con que
cuenta el hidrlogo para interpretar y simular el comportamiento de una cuenca
hidrogrfica.
La bibliografa ha sido prdiga en publicaciones de modelos matemticos
aplicados a la hidrologa. La filosofa de construccin de los modelos hidrolgicos es
variada, y su aplicabilidad est limitada a las condiciones para las cuales fue
desarrollado, existiendo una amplia gama que vara en complejidad. La estructura del
modelo matemtico comprende un conjunto de valores constantes, denominados
parmetros, que controlan los diversos procesos del modelo. Los valores de estos
parmetros, varan dependiendo de la cuenca hidrogrfica de aplicacin.
Una de las etapas ms crticas en la aplicacin de modelos hidrolgicos est
asociada al proceso de calibracin, es decir, la eleccin del juego de valores para los
parmetros que mejor representen las condiciones locales de la cuenca hidrogrfica.
Tradicionalmente, la calibracin de un modelo matemtico se ha venido
realizando en forma manual. Sin embargo, en las ltimas dcadas se han desarrollado a
nivel mundial, nuevos mtodos de calibracin automtica de modelos hidrolgicos,
heredados del campo de la optimizacin. En esencia, la calibracin automtica consiste
en minimizar una expresin matemtica, denominada funcin objetivo, que cuantifica el
error de simulacin.
Implementacin del Algoritmo de Metropolis Monte Carlo para el Ajuste Automtico de un Modelo Hidrolgico: Ensayos con
Datos Sintticos y Reales
Pg. 2
Estos mtodos han demostrado notable eficiencia y representan un considerable
ahorro de consumo computacional. Sin embargo, en la Argentina, como en la mayor
parte de los pases en vas de desarrollo, estos mtodos son todava poco empleados y,
en cierto modo, hasta pueden ser considerados novedosos. La nfima aplicacin de este
tipo de mtodos puede estar asociada, en parte, a la escasez de informaciones
hidrolgicas en la mayora de las aplicaciones prcticas cotidianas de modelos
hidrolgicos.
Esta Tesis se refiere a la implementacin de un procedimiento de optimizacin,
el mtodo de calibracin automtica global monobjetivo basado en el algoritmo
metaheurstico de Metropolis Monte Carlo (Kirkpatrick et al., 1983), aplicado a un
modelo hidrolgico de tipo lluvia-caudal (modelo IPH II, propuesto por Tucci et al,
1983). El trabajo incluye la puesta a prueba de la capacidad de bsqueda de este
algoritmo a partir de series sintticas y reales de caudales. Los datos corresponden a una
cuenca hidrogrfica argentina representativa de regin serrana de la provincia de
Crdoba. El estudio se refiere a diversos ensayos de ajuste del valor de los parmetros
ante situaciones diversas, pero no incluye las tareas de verificacin del modelo. La
justificacin de ello radica en que el centro del esfuerzo de la tesis ha estado centrado en
el estudio, anlisis detallado e implementacin computacional mediante cdigo propios
desarrollados para tal fin, tanto del algoritmo de Metrpolis Monte Carlo como del
modelo IPH II.
En la etapa de ajuste del modelo fueron consideradas las siguientes alternativas:
(a) empleo de eventos aislados y (b) empleo simultneo de varios eventos
independientes entre s.
Precisamente este ltimo aspecto merece ser destacado, dado que resulta un
hecho que podra constituirse como de gran utilidad para nuestra realidad nacional. Al
respecto cabe mencionar que si bien en la actualidad la calibracin automtica de series
continuas es una prctica frecuente a nivel mundial, no se han registrado en la
bibliografa hasta el momento antecedentes de calibracin automtica de varios eventos
en simultneo
En el trabajo se presenta, inicialmente, una revisin bibliogrfica del mtodo de
algoritmos genticos, de los mtodos de optimizacin en general empleados
actualmente a nivel mundial, y de los mtodos de optimizacin y calibracin automtica
empleados particularmente en la hidrologa. Tambin se realiza una presentacin
general de la teora de los modelos matemticos, y una revisin bibliogrfica de los
modelos matemticos aplicados a la hidrologa.
Posteriormente se presenta una descripcin detallada del modelo hidrolgico de
transformacin lluvia-caudal IPH II (Tucci et al., 1981), y del mtodo de calibracin
antedicho de Metropolis Monte Carlo (Kirkpatrick et al., 1983).
En el trabajo se refleja que la calibracin automtica puede encontrar juegos de
parmetros que ajusten adecuadamente al modelo, existiendo sin embargo, mnimos
locales conceptualmente ms adecuados que el ptimo global. Finalmente, se ponen de
manifiesto las ventajas de la calibracin automtica respecto de la manual, pero
remarcando las limitaciones de la calibracin automtica.

Pg. 4

CAPTULO II
2. OBJETIVOS
2.1. OBJETIVO GENERAL
Analizar el desempeo del mtodo de optimizacin automtica Metropolis
Monte Carlo aplicado al modelo hidrolgico conceptual de transformacin lluvia-caudal
IPH II, para representar eventos o el conjunto de ellos (sintticos y reales provenientes
de una cuenca argentina).
2.2. OBJETIVOS PARTICULARES
o Analizar el estado del arte en relacin a los modelos hidrolgicos de
transformacin lluvia-caudal y a los mtodos de optimizacin automtica de
modelos hidrolgicos.
o Desarrollar cdigos computacionales FORTRAN capaces de simular el
comportamiento de una cuenca hidrogrfica de acuerdo al modelo IPH II y, a
su vez, permitir la calibracin automtica de modelos hidrolgicos mediante
el mtodo de Metropolis Monte Carlo.
o Probar la bondad del modelo hidrolgico IPH II para representar eventos
aislados y el conjunto de eventos en cuencas serranas de la provincia de
Crdoba, Argentina
o Verificar la eficacia del mtodo de calibracin Metropolis Monte Carlo
conforme lo refiere la bibliografa.
Pg. 6

CAPTULO III
3. ESTADO DEL ARTE EN MTODOS DE
OPTIMIZACIN
En este captulo se presentan una recopilacin de conceptos utilizados en esta
tesis, como son los casos de modelo, sistema, modelos hidrolgicos y en especial el
modelo lluvia caudal. Tambin se exponen conceptos referido a las herramientas de
optimizacin, conceptos, clasificaciones y referencias a estudios realizados de las
mismas.
3.1. MODELOS HIDROLGICOS
Un sistema es un conjunto de elementos en interaccin dinmica organizados en
funcin de un objetivo. Un modelo es una representacin simplificada de un sistema
real. Esta representacin puede hacerse en forma fsica (modelo fsico o icnico), o
bien, a travs de diferentes smbolos (modelo simblico) utilizando el lenguaje natural
(modelo verbal o descriptivo), esquemas (modelo esquemtico), grficos o diagramas
(modelo grfico) o expresiones matemticas (modelo matemtico o formal), (Gay,
2005).
En esta tesis se utiliza un modelo matemtico, por tal motivo se presentan
algunos conceptos respecto al mismo.
El modelo matemtico, consiste en un sistema de ecuaciones o formulaciones
matemticas que representan el sistema en estudio. Se ha convertido en una poderosa
herramienta de trabajo, fundamentalmente desde el vertiginoso desarrollo
computacional que se comenz a verificar en las ltimas dcadas.
Algunas de las ventajas principales asociadas al uso de modelos matemticos
son:
Permite estudiar y experimentar en las complejas relaciones e interacciones
que existen y ocurren en el interior de un sistema real.
Permite experimentar sobre un sistema que puede no existir en la realidad
(de otra manera sera imposible) y en este caso asiste a la decisin de
construirlo o no.
Se ahorra tiempo y dinero, y se evitan riesgos.
Se logra independencia de la duracin real del evento. Por ejemplo se puede
simular procesos muy largos como muy cortos. Por ejemplo, se simula en
pocos minutos una crecida ocurrida sobre una cuenca, que en la realidad
podra tardar das en manifestarse.
Se puede estudiar como reacciona el sistema al introducir variantes, sin
correr riesgos (estudio de sensibilidad)
Se puede aplicar para verificar soluciones analticas (por ejemplo, mediante
la metodologa denominada de Montecarlo)
Ofrece mayor facilidad para estudiar sistemas dinmicos y no
determinsticos.
Un modelo matemtico representa a un sistema de modo simplificado. En dicha
simplificacin que se hace de la realidad, se conservan algunas caractersticas propias
del sistema, y evidentemente, otras, se pierden. La funcin que cumple el modelo, es
convertirse en una herramienta que represente al sistema real pero del modo ms simple
Pg. 8
posible. Esta simplificacin, que facilita la modelacin, se realiza a expensas de
sacrificar algunas propiedades del sistema. As, por ejemplo, un sistema no lineal puede
representarse mediante un modelo lineal, como ocurre con el caso del hidrograma
unitario. Otro ejemplo que pude citarse es el modelo de las ecuaciones de Saint Venant,
que representa el flujo a superficie libre en una formulacin matemtica
unidimensional, aunque el flujo a superficie libre, naturalmente, es tridimensional. Por
ltimo, resulta ilustrativo citar el caso de la lluvia. En el sistema real la lluvia cae en
forma continua, sin embargo, en un modelo, la lluvia es incorporada como una variable
de entrada que se computa en forma discreta, ya que la misma se mide a intervalos de
tiempo mediante los pluvimetros o pluvigrafos.
De acuerdo a la funcin que cumple el modelo, y a la filosofa que subyace el
desarrollo del mismo, el grupo EURYDICE 92 (Chocat, 1997), los clasifica del
siguiente modo:
a. Segn el propsito del modelo:
Modelos Cognitivos: Tienen por objeto dar una explicacin del
funcionamiento o estado del sistema. Dentro de los modelos cognitivos,
pueden diferenciarse dos grupos, que son los modelos explicativos y los
descriptivos, de acuerdo a que permitan o no, respectivamente, comprender
la influencia de las variables de entrada sobre las de salida. Por ejemplo, en
la representacin de las prdidas por infiltracin, el modelo de Richard, es
mucho ms explicativo que el modelo de Green y Ampt o que el de Horton.
Pero, a su vez, estos ltimos son ms explicativos que el modelo del ndice
Phi. Es importante destacar que el mayor nmero de los modelos
empleados en hidrologa son de este tipo.
Modelos Provisionales: Tienen por objeto prever y simular el estado de
funcionamiento de un sistema.
Modelos de toma de decisin: Se emplean para determinar las variables de
entrada (o de concepcin) a proveer al modelo para obtener las variables de
salida conocidas y previamente impuestas.
Modelos normativos: Tienen por objeto establecer las normas que relacionan
la entrada y la salida. Formulan las relaciones que deben existir para que,
con cierta entrada, se obtenga una salida tambin conocida. Se diferencian de
los sistemas cognitivos en que estos modelos no analizan el proceso.
b. Segn la concepcin planteada en su formulacin:
Modelos axiomtico o heurstico: El primero, es aquel que se desarrolla
partiendo rigurosamente de los principios y reglas que dominan el sistema,
basados en hiptesis sobre el mismo. En cambio, el segundo plantea
principios que reflejan parcialmente el comportamiento del sistema que
luego articulan en forma aproximada para obtener el modelo.
Modelos determinstico o estadstico (o estocstico): El primero es aquel que
produce siempre una misma salida para una cierta entrada. Es decir que no
presentan aleatoriedad sus variables (Chow et al., 1994). Por lo contrario, el
estadstico, es aquel en el cual las salidas son aleatorias. Cuando en un
modelo la probabilidad de ocurrencia de sus variables es tenida en cuenta, o
bien, el concepto de probabilidad es introducido en el modelo mismo, se dice
que el modelo es de naturaleza estadstica (Clarke, 1973). Cuando el proceso
evoluciona en el espacio y en el tiempo de un modo que es parcialmente
predecible y parcialmente aleatorio se denomina estocstico (Chow et al.,
1994), entonces el modelo que lo representa manifiesta una estructura
parcialmente determinstica y parcialmente aleatoria y se denomina tambin
estocstico. La mayora de los procesos hidrolgicos son de tipo
estocsticos, y dan nacimiento a una rama importante de la hidrologa
denominada Hidrologa Estocstica.
Pg. 10
Modelos reduccionista u holstico: El primer grupo (tambin llamado
microscpico, mecanicista o de caja blanca), incluye aquellos modelos que
se desarrollan a partir de descomponer previamente el sistema real en
muchos microprocesos, y luego se formula el modelo tenindolos a todos en
cuenta. En esencia se trata de un proceso de diferenciacin e integracin. Por
ejemplo, las ecuaciones de Saint Venant. Mientras que el segundo grupo
(macroscpico, de caja gris o conceptual), consideran el sistema en su
conjunto, y se desarrolla el modelo basado en el comportamiento global del
mismo. Por ejemplo, el modelo de Muskingum.
Modelos emprico o conceptuales: El primer grupo, tambin conocidos como
modelo de caja negra, se basa en la experimentacin. Pueden no guardar
relacin alguna con los fenmenos fsicos y conceptuales del proceso
analizado. El nico criterio de formulacin consiste en reducir las diferencias
entre las variables observadas y las calculadas. El segundo grupo, tambin
llamado modelos de enfoque terico, se apoyan sobre el concepto de
abstraccin y el de razonamiento. En este caso el modelo es construido a
priori, sobre un anlisis terico, y la experimentacin posterior contribuye a
validar el modelo.
Modelos global o distribuido: El primer grupo, tambin llamados puntuales,
o de orden cero, no considera la variacin espacial de los parmetros y las
variables. Por ejemplo el mtodo de la Curva Nmero de infiltracin del
SCS. Los modelos distribuidos (de malla, matriciales o de discretizacin
espacial) consideran la heterogeneidad del cuadro fsico modelado. Pero
siempre es necesario realizar alguna discretizacin sobre el dominio para
poder analizar la variacin dentro del campo de estudio. Esta discretizacin
acota su concepcin de distribuidos.
Independientemente del origen o estructura del modelo, se entiende que el
mismo funciona correctamente si dado un conjunto de variables de entrada, genera la
misma salida que el sistema al cual representa. El proceso por el cual un modelo imita al
sistema en algn aspecto del mismo, se denomina simulacin. Un modelo captura
caractersticas selectas de un sistema, proceso o realidad, y luego las combina en una
representacin abstracta del original.
El conjunto de cantidades fijas que caracteriza al sistema recibe el nombre de
parmetros del sistema (Tucci, 2005). Los parmetros de un sistema, normalmente no
pueden medirse, razn por la cual deben estimarse. Por el contrario, las variables del
sistema en general son cantidades que pueden ser medidas, al menos en forma
aproximada, y adems, varan durante el proceso. Existen tres tipos de variables: las
variables de entrada, las de salida y las de estado. Estas ltimas, definen el estado del
sistema (Bertoni, 2003).
La estimacin de los parmetros que caracterizan al sistema es la parte crucial de
la modelacin matemtica; estos parmetros y las variables de entrada medidas, se
incorporan al modelo para simular el proceso en cuestin del sistema. Las variables de
salida resultantes de la simulacin deberan coincidir con las variables medidas, al
menos dentro del rango de aplicacin del modelo. En general, para alcanzar
coincidencia, se realiza un proceso de prueba y error, modificando los valores de los
parmetros hasta lograr un resultado aceptablemente prximo al buscado. Esta tcnica
de ajustar los parmetros del modelo recibe el nombre de calibracin del modelo
matemtico (Bertoni, 2003). El xito de un modelo hidrolgico conceptual de
transformacin lluvia-caudal depende en gran medida de la bondad de su calibracin
(Duan et al., 1992).
El error cuantitativo de la simulacin puede medirse con una funcin que
dependa de la diferencia numrica entre las variables de salida simuladas y las
observadas. A esta funcin se la denomina funcin objetivo (FO). El proceso de
calibracin de un modelo consiste en estimar los valores de los parmetros que
minimiza el valor de la funcin objetivo, dentro del lmite definido por las restricciones.
Pg. 12
Los sistemas pueden clasificarse como Lineales, cuando la salida de un proceso
es lineal a la entrada, o No lineales, cuando no lo sea. Los lineales cumplen con las
propiedades de proporcionalidad y superposicin. Pueden ser Concentrados o
Distribuidos, de acuerdo a que las variables que intervienen en el proceso que ocurre en
el sistema, no varen en el espacio, o s lo hagan, respectivamente. Tambin pueden
clasificarse entre Continuos o Discretos. Siendo los primeros aquellos sistemas cuyos
procesos incluyen variables de variacin continua, y los segundos, cuyos procesos
incluyen variables de variacin discreta. Finalmente, se habla de los sistemas Causales y
No causales. Siendo los causales aquellos sistemas en los cuales el efecto ocurre en un
tiempo posterior o en el mismo tiempo que la causa que le dio origen. No causales son
aquellos en los cuales lo hacen en un tiempo anterior.
De los innumerables sistemas que ofrece la naturaleza, en particular nos interesa
el denominado ciclo hidrolgico (Figura 3-1), considerado el concepto fundamental de
la hidrologa. De acuerdo con la clasificacin mencionada anteriormente, se puede decir
que el Ciclo Hidrolgico, constituye un sistema de tipo no lineal, distribuido, continuo y
casual. Las limitaciones inherentes al hombre obligan a representar el alto grado de
complejidad que propone la naturaleza mediante un modelo lineal, concentrado y
discreto.

Figura 3-1: El ciclo hidrolgico (CONICYT, 2007)
Como todo ciclo, no tiene principio ni fin, y su descripcin puede comenzar en
cualquier punto; se elige arbitrariamente un punto de comienzo para su explicacin.
El agua que se encuentra sobre la superficie terrestre o muy cerca de ella se
evapora bajo el efecto de la radiacin solar y el viento. El vapor de agua, que as se
forma, se eleva y se transporta por la atmsfera en forma de nubes hasta que se
condensa y cae hacia la tierra en forma de precipitacin. Durante su trayecto hacia la
superficie de la tierra, el agua precipitada puede volver a evaporarse o ser interceptada
por las plantas o las construcciones, luego fluye por la superficie hasta las corrientes o
se infiltra. El agua interceptada, ms una parte de la infiltrada y de la que corre por la
superficie se evapora nuevamente. De la precipitacin que llega a las corrientes, una
parte se infiltra y otra llega hasta los ocanos y otros grandes cuerpos de agua, como
embalses y lagos. Del agua infiltrada, una fraccin es absorbida por las plantas y
posteriormente es transpirada, casi en su totalidad, hacia la atmsfera, y otra fluye bajo
la superficie de la tierra hacia las corrientes, el mar u otros cuerpos de agua, o bien hacia
zonas profundas del suelo (percolacin) para ser almacenada como agua subterrnea y
despus aflorar en manantiales, ros o el mar. Una parte de esta agua es nuevamente
evaporada, y as comienza nuevamente el ciclo hidrolgico.
3.1.1. El Proceso de Transformacin Lluvia-Caudal
El ciclo hidrolgico descrito anteriormente, se desarrolla a nivel global,
alimentado por una innumerable cantidad de subprocesos que ocurren en forma
simultnea en todo el planeta. En el campo de la ingeniera hidrolgica rara vez interesa
un estudio global del ciclo hidrolgico. En cambio, tiene mucha aplicacin el estudio
hidrolgico de cuencas, dentro de la cuales ocurre el proceso de transformacin lluvia
caudal. En otras palabras, se estudia el proceso por el cual el agua de lluvia que cae
sobre la cuenca, se mueve sobre y dentro de ella, generando hidrogramas de flujo
subterrneo y superficial, cuyos volmenes y picos totales interesa conocer.
Pg. 14
El escurrimiento se define como el agua proveniente de la precipitacin que
circula sobre o bajo la superficie terrestre y que llega a una corriente para finalmente ser
drenada hasta la salida de la cuenca. El agua proveniente de la precipitacin que llega
hasta la superficie terrestre, una vez que una parte ha sido interceptada y evaporada,
sigue diversos caminos hasta llegar a la salida de la cuenca. Conviene dividir estos
caminos en tres clases: escurrimiento superficial, escurrimiento subsuperficial y
escurrimiento subterrneo. La Figura 3-2 ilustra el proceso.

Figura 3-2: Modelo hidrolgico de transformacin lluvia-caudal (HEC-HMS, 2000)
Una vez que la precipitacin alcanza la superficie del suelo, se infiltra hasta que
las capas superiores del mismo se saturan. Posteriormente, se comienzan a llenar las
depresiones del terreno y, al mismo tiempo, el agua comienza a escurrir sobre su
superficie. Este escurrimiento, llamado flujo en la superficie del terreno, se produce
mientras el agua no llegue a cauces bien definidos (se entiende por cauces definidos a
aquellos que no desaparecen entre dos tormentas sucesivas). En su trayectoria hacia la
corriente ms prxima, el agua que fluye sobre el terreno se sigue infiltrando, e incluso
se evapora en pequeas cantidades. Una vez que llega a un cauce bien definido se
convierte en escurrimiento en corrientes.
El flujo sobre el terreno, junto con el escurrimiento en corrientes, forma el
escurrimiento superficial. Una parte del agua de precipitacin que se infiltra escurre
cerca de la superficie del suelo y ms o menos paralelamente a l. A esta parte del
escurrimiento se le llama escurrimiento subsuperficial; la otra parte, que se infiltra hasta
niveles inferiores al fretico, se denomina escurrimiento subterrneo.
De los tres tipos de escurrimiento, el superficial es el que llega ms rpido hasta
la salida de la cuenca. Por ello est relacionado directamente con una tormenta
particular y entonces se dice que proviene de la precipitacin en exceso o efectiva y que
constituye el escurrimiento directo. El escurrimiento subterrneo es el que de manera
ms lenta llega hasta la salida de la cuenca (puede tardar aos en llegar), y, en general,
difcilmente se le puede relacionar con una tormenta particular, a menos que la cuenca
sea demasiado pequea y su suelo muy permeable. Debido a que se produce bajo el
nivel fretico, es el nico que alimenta a las corrientes cuando no hay lluvias y por eso
se dice que forma el escurrimiento base.
El escurrimiento subsuperficial puede ser casi tan rpido como el superficial o
casi tan lento como el subterrneo, dependiendo de la permeabilidad de los estratos
superiores del suelo; por ello es difcil distinguirlo de los otros dos. Cuando es
relativamente rpido se le trata junto con el escurrimiento superficial, y cuando es
relativamente lento se le considera parte del subterrneo.
La clasificacin anterior, aunque ilustrativa, no deja de ser arbitraria. El agua
puede comenzar su viaje hacia la corriente como flujo superficial e infiltrarse en el
Pg. 16
camino, terminando como escurrimiento subsuperficial o subterrneo. A la inversa, el
escurrimiento subsuperficial puede emerger a la superficie si en su camino se encuentra
con un estrato muy permeable que aflora en una ladera (vertiente). Lo importante en
realidad es la rapidez con que una cuenca responde a una tormenta, pues esto es lo que
determina la magnitud de las correspondientes avenidas.
3.1.2. El Modelo Lluvia-Caudal
El proceso de transformacin lluvia caudal, es sumamente complejo y requiere
de una abstraccin a travs de un modelo que simplifique suficientemente el sistema
como para poder simular conceptualmente sus partes. Dentro del mismo se pueden
identificar dos procesos claramente independientes desde el punto de vista conceptual,
como son el proceso de produccin y el de transferencia. El primero, est asociado al
mecanismo por el cual slo una parte de la precipitacin llega en forma rpida a la
salida de la cuenca, ya que el resto queda retenido, se evapora o se infiltra y llega a la
salida de la cuenca, pero ya como flujo subterrneo. El segundo, est relacionado con el
recorrido que el agua realiza desde los distintos puntos de la cuenca hasta la salida de la
misma.
En sntesis, el componente de produccin en un modelo de transformacin
lluvia-caudal se encarga de estimar el porcentaje del volumen total cado sobre la
cuenca como precipitacin que se convierte en caudal a la salida de la misma. Por su
parte, el componente de transferencia se ocupa de establecer la forma en la cual llega
repartido en el tiempo ese volumen a la salida de la cuenca, obteniendo as, el
hidrograma de escurrimiento directo en la seccin de salida de la cuenca.
En cuencas intermedias y grandes, para realizar el anlisis del proceso de
transformacin lluvia caudal, normalmente, se subdividen en subcuencas. Entonces, se
determina el hidrograma de salida de cada subcuenca y luego, se transita la creciente
hasta la salida de la cuenca. Este proceso se denomina trnsito de creciente. Esto es, el
proceso por el cual el caudal de agua a la salida de la subcuenca viaja hacia aguas abajo
del ro, alterndose el hidrograma de una seccin del mismo, a la seccin siguiente. Para
este tipo de casos se implementan los modelos de trnsito de crecientes. Los mismos
tienen por objetivo calcular el hidrograma en una seccin del ro, conociendo el
hidrograma en otra seccin, aguas arriba del mismo.
Hasta la actualidad, se ha desarrollado un gran nmero de modelos aplicados a
estos procesos, pudindose encontrar desde modelos simples de produccin o
transferencias a modelos ms complejos que comprenden ambos procesos, ms el de
trnsito de crecidas. Tal vez, el aporte ms significativo que se haya realizado en los
ltimos tiempos en materia de revisin bibliogrfica de modelos hidrolgicos, fue
publicado por la American Society of Civil Engineers (ASCE), con motivo de su 150
aniversario. Los autores de este trabajo (Singh et al., 2002) realizaron una recopilacin
intensiva de informacin y resumieron un siglo y medio de estudio y experimentacin
en el campo de modelos hidrolgicos, publicando una tabla con 69 modelos
hidrolgicos, incluyendo los autores, y caractersticas de cada modelo.
En la Tabla 3.1 se presenta el listado de modelos hidrolgicos recopilado por
Singh y Woolhiser en 2002.
Tabla 3.1: Revisin bibliogrfica de Modelos Hidrolgicos (Singh et al., 2002)
NOMBRE DEL MODELO AUTORES CARACTERSTICAS
Stanford watershed Model
(SWM!)/Hydrologic Simulation
Package-Fortran IV (HSPF)
Crawford y Linsley
(1966), Bicknell et al.
(1993)
Simulador de eventos dinmicos y
continuos o de estado estacionario de
procesos hidrolgicos e hdricos y de
calidad del agua.
Catchment Model (CM)
Dawdy y ODonnell
(1965)
Modelo de escorrenta concentrado y
basado en eventos.
Tennessee Valley Authority (TVA)
Model
Tenn. Valley
Authority (1972)
Modelo de escorrenta concentrado y
basado en eventos.
U.S. Department of Agriculture
Hydrograph Laboratory (USDAHL)
Model
Holtan y Lopez
(1971), Holtan et al.
(1974)
Modelo de hidrograma concentrado,
orientado al proceso y basado en
eventos.
U.S. Geological Survey (USGS) Model
Dawdy et al. (1970,
1978)
Modelo de escorrenta continuo, basado
en eventos y orientado al proceso.
Utah State University (USU) Model
Andrews et al..
(1978)
Modelo de escorrenta continuo, basado
en eventos y orientado al proceso.
Pg. 18
Purdue Model
Huggins y Monke
(1970)
Modelo de escorrenta basado en
eventos, orientado al proceso y con base
fsica.
Antecedent Precipitation Index (API)
Model
Sittner et al. (1969)
Modelo de pronstico de flujo fluvial
concentrado.
Hydrologic Engineering Center -
Hydrologic Modeling System (HEC-
HMS)
Feldman (1981), HEC
(1981), (2000)
Modelo de escorrenta basado en
eventos, semidistribuido y con base
fsica.
Streamflow Synthesis and Reservoir
regulation (SSARR) Model
Rockwood (1982),
U.S. Army Corps of
Engineers (1987),
Speers (1995)
Modelo de simulacin de caudal
continuo y concentrado.
National Weather service-River
Forecast System (NWS-RFS)
Burnash et al.
(1973a,b), Burnash
(1975)
Sistema de pronstico fluvial continuo y
concentrado.
University of British Columbia (UBC)
Model
Quick y Pipes (1977),
Quick (1195)
Modelo de simulacin continuo, con
parmetros concentrados y orientado al
proceso.
Tank Model
Sugawara et al..
(1974), Sugawara
(1995)
Modelo de simulacin continuo,
concentrado o semidistribuido y
orientado al proceso.
Runoff Routing Model (RORB)
Laurenson (1964),
Laurenson y Mein
(1993, 1995)
Modelo de simulacin de escorrenta
concentrado y basado en eventos.
Agricultural Runoff Model (ARM) Donigian et al. (1977)
concentrado y orientado al proceso.
Storm Water Management Model
(SWMM)
Metcalf y Eddy et al..
(1971), Huber y
Dickinson (1988),
Huber (1995)
Modelo de escorrenta de tormentas,
semidistribuido y orientado al proceso.
Xinanjiang Mode
Zhao et al. (1980),
Zhao and Liu (1995)
concentrado y orientado al proceso.
Hydrological Simulation (HBV) Model
Bergstrom (1976,
1992, 1995)
continuo, concentrado y orientado al
proceso.
Great Lakes Environmental Research
Laboratory (GLERL) Model
Croley (1982, 1983)
semidistribuido y con base fsica.
Pennsylvania State UniversityUrban
Runoff Model (PSU-URM)
Aron y Lakatos
(1980)
Modelo de escorrenta urbana,
concentrado y basado en eventos.
Chemicals, Runoff, and Erosion from
Agricultural Management Systems
(CREAMS)
USDA (1980)
Modelo de calidad de agua y escorrenta
agrcola, con parmetros concentrados y
Areal Non-point Source Watershed
Environment Response Simulation
(ANSWERS)
Beasley et al. (1977),
Bouraoui et al. (2002)
Modelo de simulacin de rendimiento
de sedimentos y escorrenta con
parmetros concentrados, continuo o
basado en eventos.
Erosion Productivity Impact Calculator
(EPIC) Model
Williams et al.
(1984), Williams
(1995a,b)
Modelo de simulacin de calidad y
cantidad de agua continuo con
proceso.
Simulator for Water Resources in Rural
Basins (SWRRB)
Williams et al.
(1985), Williams
(1995a,b)
Modelo de simulacin de rendimiento
de sedimentos y escorrenta
semidistribuido y orientado al proceso.
Simulation of Production and
Utilization of Rangelands (SPUR)
Wight y Skiles
(1987), Carlson y
Thurow (1992),
Carlson et al. (1995)
Modelo de simulacin de ecosistema
con parmetros concentrados y base
fsica.
National Hydrology Research Institute
(NHRI) Model
Vandenberg (1989)
Modelo de simulacin hidrolgica
continuo, con parmetros concentrados
y base fsica.
Technical Report-20 (TR-20) Model
Soil Conservation
Service (1965)
Modelo de simulacin de escorrenta,
con parmetros concentrados y basado
en eventos.
Systeme Hydrologique
Europeen/Systeme Hydrologique
Europeen Sediment (SHE/SHESED)
Abbott et al.
(1986a,b), Bathurst et
al. (1995)
Simulacin de sedimentos y caudal
continuo, distribuido y con base fsica.
Institute of Hydrology Distributed
Model (IHDM)
Beven et al. (1987),
Calver y Wood
(1995)
Sistema de modelacin precipitacin-
escorrenta continuo, distribuido y con
base fsica.
Physically Based Runoff Production
Model (TOPMODEL)
Beven y Kirkby
(1976, 1979), Beven
(1995)
Agricultural Non-Point Source Model
(AGNPS)
Young et al. (1989,
1995)
cantidad de agua basado en eventos y
con parmetros distribuidos.
Kinematic Runoff and Erosion Model
(KINEROS)
Woolhiser et al.
(1990), Smith et al.
(1995)
Modelo de simulacin de calidad de
agua y escorrenta basado en eventos,
semidistribuido y con base fsica.
Groundwater Loading Effects of
Agricultural Management Systems
(GLEAMS)
Knisel et al.. (1993),
Knisel y Williams
(1995)
cantidad de agua basado en eventos, con
proceso.
Generalized River Modeling
PackageSysteme Hydroloque
Europeen (MIKE-SHE)
Refsgaard and Storm
(1995)
Modelo de simulacin hidrulica e
hidrolgica continuo, distribuido y con
base fsica.
Simple Lumped Reservoir Parametric
(SLURP) Model
Kite (1995)
distribuido y orientado al proceso.
Snowmelt Runoff Model (SRM) Rango (1995)
Modelo de simulacin de escorrenta-
deshielo continuo y concentrado.
THALES Grayson et al. (1995)
basado en eventos y en anlisis del
terreno, con parmetros distribuidos y
Pg. 20
Constrained Linear Simulation (CLS)
Natale y Todini
(1976a,b, 1977)
continuo o basado en eventos, con
parmetros concentrados.
ARNO (Arno River) Model
Todini (1988a,b,
1996)
Modelo de simulacin de precipitacin
escorrenta continuo y semidistribuido.
Waterloo Flood System
(WATFLOOD)
Kouwen et al. (1993),
Kouwen (2000)
Modelo de simulacin de flujo
continuo, semidistribuido y orientado al
proceso.
Topgraphic Kinematic Approximation
and Integration (TOPIKAPI) Model
Todini (1995)
Sistema de simulacin de precipitacin-
escorrenta continuo, distribuido y con
base fsica.
Hydrological (CEQUEAU) Model
Morin et al. (1995,
1998)
continuo, orientado al proceso y
distribuido.
Large Scale Catchment Model
(LASCAM)
Sivapalan et al.
(1996a,b,c)
agua y escorrenta continuo, a gran
escala, semidistribuido y conceptual.
Mathematical Model of Rainfall-
Runoff Transformation System
(WISTOO)
Ozga-Zielinska y
Brzezinski (1994)
Modelo de simulacin continuo, basado
en eventos, semidistribuido y orientado
al proceso.
Rainfall-Runoff (R-R) Model
Kokkonen et al.
(1999)
continuo, orientado al proceso y
semidistribuido.
Soil-Vegetation-Atmosphere Transfer
(SVAT) Model
Ma et al. (1999), Ma
y Cheng (1998)
Sistema de simulacin de caudal, con
parmetros concentrados y de macro
escala.
Hydrologic Model System (HMS)
Yu (1996), Yu y
Schwartz (1998), Yu
et al. (1999)
Sistema de simulacin hidrolgica
continuo, con parmetros distribuidos y
base fsica.
Hydrological Modeling System
(ARC/EGMO)
Becker y Pfutzner
(1987), Lahmer et al.
(1999)
Sistema de simulacin continuo,
distribuido y orientado al proceso.
Macroscale Hydrolgical Model-Land
Surface Scheme (MODCOU-ISBA)
Ledoux et al. (1989),
Noilhan y Mahfouf
(1996)
distribuido, con base fsica y de
macroescala.
Regional-Scale Hydroclimatic Model
(RSHM)
Kavas et al. (1998)
continuo, a nivel regional y orientado al
proceso.
Global Hydrology Model (GHM)
Anderson y Kavvas
(2002)
Modelo de simulacin hidrolgica a
gran escala, semidistribuido y orientado
al proceso.
Distributed Hydrology Soil Vegetation
Model (DHSVM)
Wigmosta et al.
(1994)
Systeme Hydrologique Europeen
Transport (SHETRAN)
Ewen et al. (2000)
cantidad de agua distribuido y con base
fsica.
Cascade two dimensional Model
(CASC2D)
Julien y Saghafian
(1991), Ogden (1998)
basado en eventos, distribuido y con
base fsica.
Dynamic Watershed Simulation Model
(DWSM)
Borah y Bera (2000),
Borah et al. (1999)
agua y escorrenta basado en eventos y
Surface Runoff, Infiltration, River
Discharge and Groundwater Flow
(SIRG)
Yoo (2002)
Modelo de simulacin de caudal basado
en eventos, con parmetros
concentrados y base fsica.
Modular Kinematic Model for Runoff
Simulation (Modular System)
Stephenson (1989),
Stephenson y Randell
(1999)
basado en eventos, con parmetros
concentrados y con base fsica.
Watershed Bounded Network Model
(WBNM)
Boyd et al. (1979,
1996), Rigby et al.
(1991)
Modelo de simulacin de inundacin
basado en eventos, con parmetros
concentrados y con base
geomorfolgico.
Geomorphology-Based Hydrology
Simulation Model (GBHM)
Yang et al. (1998)
Predicting Arable Resource Capture in
Hostile Environments-The Harvesting
of Incident Rainfall in Semi-arid
Tropics (PARCHED-THIRST)
Young y Gowing
(1996), Wyseure et al.
(2002)
Modelo agrohidrolgico basado en
eventos, con parmetros concentrados y
Daily Conceptual Rainfall-Runoff
Model (HYDROLOG)-Monash Model
Potter y McMahon
(1976), Chiew y
McMahon (1994)
Modelo de precipitacin-escorrenta
conceptual y concentrado.
Simplified Hydrology Model
(SIMHYD)
Chiew et al. (2002)
Modelo de precipitacin-escorrenta
diario, con parmetros concentrados y
conceptual.
Two Parameter Monthly Water
Balance Model (TPMWBM)
Guo y Wang (1994)
mensual, con parmetros concentrados y
The Water and Snow Balance
Modeling System (WASMOD)
Xu (1999)
Modelo hidrolgico continuo,
concentrado y conceptual.
Integrated Hydrometeorological
Forecasting System (IHFS)
Georgakakos et al.
(1999)
Sistema de pronstico de flujo y
precipitacin, distribuido y orientado al
proceso.
Stochastic Event Flood Model (SEFM)
Scaefer y Barker
(1999)
Modelo de simulacin de inundacin,
basado en eventos, con base fsica y
Distributed Hydrological Model
(HYDROTEL)
Fortin et al. (2001a,b)
Agricultural Transport Model
(ACTMO)
Frere et al. (1975)
agua y escorrenta basado en eventos,
conceptual y concentrado.
Pg. 22
Soil Water Assessment Tool (SWAT) Arnold et al. (1998)
conceptual y distribuido.
La lista anterior es muy completa pero adolece de generalidad, puesto que la
mayor parte de los modelos citados son norteamericanos. Otros autores publicaron
previamente para la Cooperative Research Centre for Catchment Hydrology (Australia),
un trabajo titulado: A Review of Real Time Flood Forecasting Methods (Srikanthan et
al.,1994). En el mismo se describen los principales modelos hidrolgicos de
transformacin lluvia caudal empleados para el pronstico de crecidas en tiempo real.
Se agrega, con esta contribucin, importantes omisiones de la lista anterior, tales como
The Australian Water Balance Model (Boughton, 1993), el NAM Model (Refsgaard et
al., 1988), y el modelo IPH II (Tucci et al., 1981), entre otros. Este ltimo, de amplia
aplicacin en Brasil y otros pases de Amrica Latina, es el modelo empleado en esta
tesis. Su descripcin detallada se presenta en el captulo referido a la Metodologa, en su
primer tem.
3.2. OPTIMIZACIN CONCEPTOS GENERALES
La optimizacin de modelos matemticos, tradicionalmente ha sido tomada
como una de las etapas de un proceso ms amplio, que se ha dado en llamar la
Investigacin de Operaciones, la cual se refiere a la conduccin y coordinacin de
operaciones (o actividades) dentro de una organizacin. Actualmente, el campo de la
optimizacin ha crecido tanto que puede tratarse como un campo de investigacin en s
mismo.
En el proceso involucrado en la Investigacin de Operaciones se diferencian las
siguientes etapas:
Observacin cuidadosa y formulacin del problema incluyendo la
recoleccin de los datos pertinentes.
Construccin de un modelo cientfico que intenta abstraer la esencia del
problema real.
Propuesta de la hiptesis de que el modelo es una representacin lo
suficientemente precisa de las caractersticas esenciales de la situacin,
como para que las conclusiones (soluciones) obtenidas sean vlidas tambin
para el problema real.
Realizacin de los experimentos adecuados para probar esta hiptesis,
modificarla si es necesario y eventualmente verificarla. Con frecuencia este
paso se conoce como validacin del modelo.
Anlisis de alternativas de decisin, y seleccin de la solucin ptima al
problema planteado a partir de un criterio de jerarqua previamente
establecido.
Toma de decisin e implementacin de las medidas adoptadas, en funcin de
los resultados de la modelacin.
Resumidamente casi todos los autores (Castillo et al., 2002; Zoraida Omaa,
2006) parecen coincidir con estas etapas, cuyo orden no es necesariamente el
mencionado arriba, sino que las etapas se van desarrollando en paralelo y
retroalimentndose unas con otras. Conviene remarcar que una de las caractersticas
principales de la investigacin de operaciones es la de intentar encontrar una mejor
solucin (llamada solucin ptima) para el problema bajo consideracin. Se dice una
mejor solucin, y no la mejor solucin, porque pueden existir muchas soluciones que
empaten como la mejor.
Los problemas que son objeto de la optimizacin pueden clasificarse de acuerdo
a su linealidad o no linealidad, de acuerdo a que sean continuas, discretas o mixtas, y
que tengan, o no, restricciones. Son innumerables los problemas que pueden estar
sometidos a un estudio de optimizacin.
Pg. 24
Los primeros problemas de optimizacin que se encuentran en la bibliografa
son aquellos de programacin lineal sobre dominios continuos, con y sin restricciones.
Se trata de problemas planteados con funciones lineales de variables reales, con
restricciones dadas por igualdades o desigualdades. Algunos de los casos tpicos y ms
representativos del problema de la programacin lineal son:
El problema del transporte,
El problema de la planificacin de la produccin
El problema de la dieta.
El problema del flujo en una red.
El problema de la cartera de valores.
El sistema de vigas y cuerdas.
El problema del despacho econmico.
Lo que distingue un problema de programacin lineal de cualquier otro
problema de optimizacin es que todas las funciones que en l intervienen son lineales.
Una nica funcin no lineal hace que el problema no pueda clasificarse como problema
de programacin lineal. En la programacin lineal las variables toman valores reales,
pero en muchos casos, algunas de las variables no son reales sino enteras, o incluso
estn ms restringidas siendo binarias. El empleo de variables enteras hace ms
complejo el problema de programacin lineal, debido a la ausencia de continuidad. Se
puede mencionar como ejemplo de este tipo de problema en el que aparecen estas
variables es el problema de la mochila.
Aunque los problemas de programacin lineal son muy comunes y cubren un
amplio rango de aplicaciones, en la vida real uno se tiene que enfrentar con cierta
frecuencia a otro tipo de problemas que no son lineales. Cuando el conjunto de
restricciones, la funcin objetivo, o ambos, son no lineales, se dice que se trata de un
problema de programacin no lineal. Algunos de los problemas de programacin no
lineal, coinciden con los de programacin lineal, pero bajo hiptesis distintas. Tambin
hay una larga lista de ejemplos de problemas no lineales, a continuacin mencionamos
los siguientes:
El caso del paquete postal.
El problema de la carpa.
El de la bombita de luz o el transporte de arena.
Otra clase de problemas que generalmente pertenecen a este tipo, son los que
involucran la administracin de una red, problemas de flujo de trfico, comunicaciones,
distribucin de bienes, y planificacin de proyectos. Tambin, se puede mencionar la
teora de colas, que es un estudio de las lneas de espera, filas o colas.
3.2.1. Mtodos de Optimizacin
La Investigacin de Operaciones incorpor a largo del tiempo diferentes
metodologas de optimizacin. Se puede comenzar mencionando que en 1873, Jordan
desarrolla modelos lineales, en 1874, Walras incursiona en modelos primitivos de la
programacin matemtica y en 1896, Minkowsky aplica modelos matemticos basados
en el clculo diferencial e integral para la programacin.
Tambin se puede citar que en l947, el norteamericano George Dantzing, resume
los trabajos de los precursores y desarrolla el Mtodo Simplex, dando origen a la
Programacin Lineal, que es la utilizacin del lgebra Lineal en la resolucin de la
asignacin de recursos, que a su vez tuvo mltiples aplicaciones en la industria (UROU,
2007).
Pg. 26
A fines de 1950, cuando aparecen la Programacin Dinmica, Lneas de Espera
y Teora de Inventarios, la expansin de la Investigacin de Operaciones (I. O.) se hace
evidente.
Posteriormente, aparece una de las principales contribuciones modernas a la
teora no lineal, hecha por Kuhn y Tucker, quienes desarrollaron lo que se conoce como
las condiciones de Kuhn Tucker. La coleccin de tcnicas desarrolladas por esta teora
se llama programacin no lineal.
En el campo de administracin de una red las mayores contribuciones se deben
a Ford y Fulkerson; quienes desarrollaron el mtodo de etiquetado para maximizar el
flujo de un producto a travs de una red y un mtodo para minimizar el costo de
transportar una cantidad dada de producto a travs de una red
Al trmino de la Guerra el xito de la Investigacin de Operaciones genera gran
inters fuera de lo militar y se fue incorporando en el campo de la industria, de los
negocios y del gobierno. Desde entonces esta disciplina se desarroll con rapidez,
pudiendo identificar dos aspectos importantes que permitieron su expansin a otros
campos:
El mejoramiento ya existente de las tcnicas.
La revolucin de las computadoras.
Se incorporan dos tcnicas de optimizacin por excelencia para resolver
problemas de optimizacin en la Planificacin de Proyectos, PERT y CPM, que son
tcnicas cuantitativas para manejar proyectos con el enfoque analtico de la
Investigacin de Operaciones. Estas tcnicas estn incluidas dentro de las tcnicas de
Redes porque los modelos utilizados son redes, es decir, cada proyecto se representa
con una red.
En la dcada de los sesenta se presentan mtodos conocidos como heursticos,
capaces de encontrar soluciones a aquellos problemas de optimizacin no pueden ser
abordados por mtodos exactos, ya sea, por su alto grado combinatorio o por la
dificultad de generar un modelo basado en programacin matemtica que represente
exactamente una situacin real. En los primeros tiempos se generaron mtodos
orientados especficamente a la resolucin de cada problema (del Vendedor Viajero, de
la Mochila, de los Conjuntos de Cobertura, entre otros).
A partir de la dcada del 80, se generan una familia de mtodos conocidos como
metaheursticos, que tienen la capacidad de ser aplicables a problemas de diversa
naturaleza, es decir, una misma plantilla algortmica puede ser utilizada para resolver
problemas que provienen de diversos sectores.
Los mtodos metaheursticos ms conocidos son: Bsqueda Tab, Simulated
Annealing, Algoritmos Genticos, Redes Neuronales, Mtodos basados en Trayectoria
de Hormiga y Mtodos basados en Inteligencia Artificial. En esta tesis, slo se
profundiza el mtodo de los Algoritmos Genticos (AG). Una explicacin detallada de
cualquiera de estos mtodos, pueden encontrarse en la literatura especializada (Palah et
al., 2004; Kuri et al., 2002; Viveros et al., 1998; USACH, 2006, entre otros).
El formato general del problema de optimizacin abordable mediante mtodos
heursticos es el siguiente: La funcin f(x), es una funcin matemtica que se desea
minimizar y las soluciones posibles deben pertenecer a un espacio W, los mtodos de
bsqueda heurstica recorren el espacio W tratando de identificar la solucin que genera
el mejor valor para f(x), el menor en la caso de minimizacin o el mayor en el caso de
maximizacin.
Wang presenta en su tesis doctoral una clasificacin bastante ilustrativa que
comprende la mayor parte de los mtodos de optimizacin empleados para resolver
problemas no lineales, de tipo continuos, discretos, y entero-mixtos con restricciones,
(Wang, 2001).
Pg. 28
De acuerdo a esta clasificacin, los mtodos para resolver Problemas No
Lineales (PNL) con Restricciones, caen bsicamente en una de dos formulaciones
generales, por solucin directa, o basados en transformaciones. El primero, apunta a
resolver el problema no lineal mediante una bsqueda directa en la regin factible,
mientras que el ltimo lo transforma en otra forma antes de solucionarlo. Las
formulaciones basadas en transformaciones pueden dividirse, a su vez, entre aquellas
basadas en penalidades y las lagrangeanas. Para cada formulacin, las estrategias que
pueden ser aplicadas se clasifican entre bsqueda local, bsqueda global y optimizacin
global.
De acuerdo a la clasificacin de Wang, los mtodos locales de bsqueda usan
informacin local, tal como gradientes y matrices Hessianas, a los fines de generar
puntos iterativos para localizar rpidamente el mnimo local. Estos mtodos pueden no
garantizar ni siquiera el mnimo local, y su calidad de solucin es altamente dependiente
del punto de partida. Los mtodos globales de bsqueda utilizan mtodos locales de
bsqueda para encontrar cada mnimo local, y como quedan atrapados en los mnimos
locales, utilizan algunos mecanismos, como el de mltiples partidas, para escapar de
esos mnimos locales. Luego, uno puede buscar tantos mnimos locales como sea
posible, y elegir el que resulte mejor como el resultado. Estos mecanismos pueden ser
determinsticos o probabilsticos y no garantizan el mnimo global. Los mtodos de
optimizacin global son capaces de encontrar el mnimo global en problemas no
lineales. Estos pueden darse con el mnimo global durante la bsqueda o converger
asintticamente a ste, hasta que se detiene por algn criterio de parada.
Para clasificar los mtodos de solucin a los problemas planteados, Wang
estableci los siguientes cuatro criterios:
De acuerdo al tipo de ptimo que obtiene, si es local o global.
En caso de que sea ptimo global, se pregunta qu tipo de convergencia se
logra. Sea por tendencia asinttica o bien aproximacin al ptimo
estocsticamente.
De acuerdo a que sean capaces de tratar con funciones objetivos y
restricciones no lineales.
De acuerdo a que requiera que la funcin objetivo y las restricciones deban
ser continuas y diferenciables.
En la Tabla 3.2, se presenta una clasificacin de los mtodos de resolucin de
problemas no lineales continuos sujeto a restricciones. Ntese que se han agrupado de
acuerdo al tipo de formulacin del problema que resuelven. As pueden identificarse
tres campos que son: soluciones directas, formulaciones basadas en penalidades y
formulaciones lagrangeanas. Dentro de este grupo, se han subdividido de acuerdo al
tipo de estrategia de bsqueda empleada, de acuerdo se traten de mtodos que realizan:
bsqueda local, bsqueda global u optimizacin global, segn los conceptos definidos
previamente. En las siguientes cuatro columnas, cada mtodo fue clasificado de acuerdo
a los cuatro criterios definidos ms arriba. Finalmente, se define su naturaleza
determinstica o estocstica, en la ltima columna.
Tabla 3.2: Mtodos para resolucin de problemas no lineales continuos con restricciones (Wang, 2001)
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo

Bsqueda
Local
Direccin factible
(Feasible Direction)
local ninguna no s det.
Mtodos de reparacin
(Repair Methods)
local ninguna no no det.
Preservacin de la
viabilidad
(Preserving Feasibility)
Soluciones
directas
Bsqueda
Global
Oscilacin de la estrategia
(Startegy Oscillation)
Pg. 30
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
Rechazar/Descartar
(Reject/Discarding)
local ninguna s no est.
Mtodos de intervalo
(Interval Methods)
global ninguna no s det.
Optimizacin
Global
Bsqueda aleatoria
(Random Search)
global rechazo s no est.
Gradiente de descenso
(Gradient Descent)
local ninguna s s det.
Gradiente conjugado
(Conjugate Gradient)
Mtodos de Newton
(Newton's Methods)
Mtodos de conjunto
directo (Direct Set
Methods)
Mtodos simplex (Simplex
Methods)
local ninguna s no det.
Bsqueda
Local
Barrera/Interior
(Barrier/Interior)
Mtodos de trayectoria
(Trajectory Methods)
Mtodos de rastreo (Trace
Methods)
Penalidad por mnimo local
(Local-Minimum Penalty)
Mtodos basados en el
aprendizaje (Learning-
Based Methods)
Inicio mltiple aleatorio
(Random Multi-Start)
Inicio mltiple adaptativo
(Adaptive Multi-Start)
Bsqueda tab (Tabu
Search)
Bsqueda local guiada
(Guided Local Search)
Sistema de colonia de
hormigas (Ant Colony
System)
Aprendizaje incremental
(Incremental Learning)
Bsqueda
Global
Mtodos bayesianos
(Bayesian Methods)
Bsqueda aleatoria
(Random Search)
Formulaciones
basadas en
penalidades
Optimizacin
Global
Bsqueda adaptativa pura global rechazo s no est.
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
(Pure Adaptive Search)
Bsqueda adaptativa
dubitativa (Hesitant
Adaptive Search)
Bsqueda aleatoria
controlada (Controlled
Random Search)
Algoritmos genticos
(Genetic Algorithms)
Templado simulado
(Simulated Annealing)
global asinttico s no est.
Mtodos de primer orden
(First-Order Methods)
Mtodos tipo Newton
(Newton-Like Methods)
SQP local ninguna s s det.
Formulaciones
Lagrangianas
Bsqueda
Global
FSQP local ninguna s s det.
En la Tabla 3.3, se presenta una clasificacin con idntica estructura que la
Tabla 3.2, pero respecto de los mtodos capaces de resolver problemas de tipo no
lineales discretos sujetos a restricciones. Lo mismo puede decirse para la Tabla 3.4 para
problemas no-lineales entero mixtos con restricciones.
Tabla 3.3: Mtodos para resolucin de problemas no lineales discretos con restricciones (Wang, 2001)
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
Bsqueda
Local
Direccin factible
Mtodos de reparacin
(Repair Methods)
Preservacin de la
viabilidad (Preserving
Feasibility)
Soluciones
directas
Bsqueda
Global
Rechazar/Descartar
(Reject/Discarding)
Pg. 32
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
Mtodos de intervalo
(Interval Methods)
Optimizacin
Global
Bsqueda aleatoria
(Random Search)
(Gradient Descent)
Gradiente conjugado
Mtodos de Newton
(Newton's Methods)
Mtodos de conjunto
directo (Direct Set
Methods)
Methods)
Bsqueda
Local
Barrera/Interior
(Barrier/Interior)
Methods)
Penalidad por mnimo
local (Local-Minimum
Penalty)
Based Methods)
Bsqueda tab (Tabu
Search)
System)
Bsqueda
Global
Mtodos bayesianos
(Bayesian Methods)
Bsqueda aleatoria
(Random Search)
Formulaciones
basadas en
penalidades
Optimizacin
Global
Bsqueda adaptativa pura
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
Bsqueda adaptativa
Adaptive Search)
Bsqueda aleatoria
Random Search)
Algoritmos genticos
Templado simulado
Mtodos tipo Newton

Formulaciones
Lagrangianas
Bsqueda
Global

Tabla 3.4: Resumen de los mtodos para resolucin de problemas no lineales entero-mixtos con
restricciones (Wang, 2001)
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
Bsqueda
Local
Direccin factible
Mtodos de reparacin
(Repair Methods)
Preservacin de la
viabilidad (Preserving
Feasibility)
Bsqueda
Global
Rechazar/Descartar
(Reject/Discarding)
Mtodos de intervalo
(Interval Methods)
Soluciones
directas
Optimizacin
Global Bsqueda aleatoria
(Random Search)
(Gradient Descent)
Formulaciones
basadas en
penalidades
Bsqueda
Local
Gradiente conjugado
Pg. 34
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
Mtodos de Newton
(Newton's Methods)
Mtodos de conjunto
directo (Direct Set
Methods)
Methods)
Barrera/Interior
(Barrier/Interior)
Methods)
Penalidad por mnimo
local (Local-Minimum
Penalty)
Based Methods)
Bsqueda tab (Tabu
Search)
System)
Bsqueda
Global
Mtodos bayesianos
(Bayesian Methods)
Bsqueda aleatoria
(Random Search)
Bsqueda adaptativa pura
Bsqueda adaptativa
Adaptive Search)
Bsqueda aleatoria
Random Search)
Optimizacin
Global
Algoritmos genticos
Formulacin
del problema
Tipo de
estrategia de
bsqueda
Mtodos de bsqueda
Tipo de
ptimo
alcanzado
Tipo de
converg.
Capaces
de
manejar
no
linealidad
Requiere
continuid. y
diferenciab.
Tipo
Templado simulado
Mtodos tipo Newton

Formulaciones
Lagrangianas
Bsqueda
Global
Se puede observar que algunos de los mtodos son capaces de enfrentar los tres
tipos de problemas. Entre los mtodos ms verstiles se destacan los heursticos como:
Genetic Algorithms (Algoritmos Genticos), Simulated Annealing (Templado
Simulado), Tabu Search (Bsqueda Tab), Ant Colony System (Colonia de Hormigas).
3.2.2. Tcnicas de Optimizacin Global
Actualmente existe una innumerable produccin tcnico-cientfica en el campo
de la optimizacin global. Se realizan todos los aos decenas de congresos y eventos
cientficos relativos a la optimizacin, que pueden encontrarse en mltiples pginas de
Internet dedicadas al tema exclusivamente (University of Vienna, 2006; Mathematical
Programming Society, 2006, entre otras). Una larga lista de revistas focalizadas en la
optimizacin clasifican los trabajos ms relevantes entre los centenares que reciben
diariamente. Todos estos trabajos se difunden entre las ms variadas reas del
conocimiento. Una gran variedad de aplicaciones en el campo del diseo, ciencias de
decisin, e investigacin de operaciones han sido formuladas como un problema de la
optimizacin global (Wang, 2001). Tales aplicaciones incluyen redes neuronales, seal
digital y procesamiento de imgenes, optimizacin estructural, ingeniera de diseo,
diseo asistido por computadora, operacin y diseo mecnico, control de proceso del
producto qumico, etc. En el campo de la ingeniera hidrulica, las principales
aplicaciones estn asociadas a la optimizacin en el aprovechamiento de un embalse o
sistema de embalses (Bravo, 2006), calibracin de modelos hidrolgicos conceptuales
Pg. 36
para el pronstico de crecidas a tiempo real o prediccin de crecidas extraordinarias
(Collischonn et al., 2003); planificacin de abastecimiento de agua potable a localidades
mediante redes de agua (Sherali et al., 1997; Shoemaker et al., 2006; Abebe et al.,
1998); y optimizacin de plantas de tratamientos de aguas y efluentes (Moles et al.,
2003).
En sus versiones primitivas, estos mtodos consistan esencialmente en la
aplicacin sucesiva de la tcnica de bsqueda local. Surgen los Mtodos de Bsqueda
Aleatoria (Random Search, RS). Entre otros, se comienza a desarrollar la tcnica de
Bsqueda Aleatoria Uniforme (URS) que consiste en asignar una distribucin
probabilstica uniforme para cada variable a calibrar. Como ejemplo, se puede suponer
dos variables dadas X1 y X2 a calibrar en el modelo. Las mismas se van arrojando
aleatoriamente segn una distribucin probabilstica uniforme para cada variable y
luego con cada par X1, X2 se evala la funcin objetivo. A continuacin se comienzan
a aplicar las tcnicas de optimizacin local en cada punto X1, X2. Una vez obtenido un
ptimo para cada par X1, X2 se elige el ptimo entre stos, que corresponde al ptimo
global.
Brazil propone la Tcnica de bsqueda aleatoria adaptativa, que asigna una
distribucin de probabilidades a cada variable. Por lo dems, es igual al mtodo
anteriormente descrito, (Brazil, 1988) .
Kuczera aporta el Mtodo de bsqueda local con mltiples partidas (o mtodo
combinado Mltiples start local search, MSLS), que utiliza mtodos aleatorios para
fijar los puntos de comienzo de bsqueda, (Kuczera, 1997).
Holland formaliza los principios de la tcnica de los Algoritmos Genticos
(Genetic Algorithm, GA), (Holland, 1975).
En 1983, Kirkpatrick, Gelatt y Vecchi introducen el concepto de Templado
Simulado (RS) o Simulated Annealing (SA en ingls) y desde entonces, esta meta-
heurstica se ha convertido en una herramienta muy exitosa para resolver una amplia
gama de problemas de optimizacin combinatoria tesis (Kirkpatrick et al., 1983). Esta
tcnica de optimizacin global es la utilizada en esta Tesis. Por ese motivo, a
continuacin se presentan algunos ejemplos de trabajos que se basaron en aplicaciones
de la misma:
Neal aplic la metodologa en inferencia probabilstica para inteligencia
artificial (Neal, 1993).
Simulacin de lquidos aplicada por Couthinho (Couthinho, 2000).
Determinacin del calor especfico de slidos realizada por da Silva y
Drugowich (da Silva, 2002).
En electrnica, Tapia Olvera aplic esta metodologa para la coordinacin de
estabilizadores (Tapia Olvera, 2002).
Divisin de una regin en distritos para la asignacin de patrullas policiales
realizada por DAmico (Dowsland et al., 2003).
Planificacin de los turnos de una compaa area realizada por Luciv y
Teorodovik (Dowsland et al., 2003).
Problema de las N Reinas aplicado por Popilio Tabare y John Fredy Franco
B. (Pompilio et al., 2005).
Adems se han planteado diversas variantes del mtodo como el propuesto por
Lester Ingber, Adaptative Simulated Annealing (ASA) (Ingber, 1993) o el propuesto por
Toro Ocampo y Granada, un mtodo hbrido entre el algoritmo gentico de Chu-
Beasley y el Simulated Anneling (Toro Ocampo et al., 2005).
Pg. 38
3.3. CALIBRACIN AUTOMTICA DE MODELOS LLUVIA-
CAUDAL
Una de las etapas fundamentales para la aplicacin de un modelo matemtico de
tipo lluvia-caudal a una cuenca dada es la calibracin de sus parmetros tomando como
informacin de ajuste los datos de caudales observados. Esta calibracin se realiza
modificando los valores de los parmetros hasta que el hidrograma calculado
reproduzca al hidrograma observado con buena precisin. Sin embargo, un ajuste
cuantitativo del modelo, dado por una minimizacin aceptable de la funcin objetivo
FO, no basta para considerar buena la simulacin, sino que es necesario agregar la
contribucin del mtodo cualitativo. Este ltimo consiste bsicamente en una
evaluacin visual de los resultados, que se presentan usualmente en grficos. En esta
evaluacin visual del ajuste, se presta especial atencin a la parte del hidrograma que
presenta mayor inters para el propsito del modelo, como puede ser el pico o la curva
de recesin del hidrograma, o por ejemplo, el volumen total escurrido.
Sumado al ajuste cualitativo-cuantitativo, resulta necesaria una interpretacin de
los valores obtenidos para los parmetros por parte de un hidrlogo experimentado. Esto
se debe a que no existe un conjunto nico de parmetros capaz de representar todos los
procesos hidrolgicos involucrados en la cuenca, debido a las incertidumbres inherentes
de los datos, a las simplificaciones introducidas en el desarrollo de los modelos y a la
limitada representatividad de los parmetros involucrados (Collischonn et al., 2001).
Existen varias soluciones posibles que, de forma adecuada darn la respuesta deseada
(Beven et al., 1992), dentro del concepto de equifinalidad. Es decir, existen varios
juegos de parmetros que satisfacen las ecuaciones planteadas, debido a que el nmero
de incgnitas supera al de las ecuaciones. Sin embargo, slo algunos de esos juegos de
parmetros tendrn un sentido fsico lgico en el problema. A la inversa, ser posible
establecer varios juegos de parmetros con sentido fsico lgico en el problema, pero
que slo algunos satisfacen las ecuaciones planteadas. A la vista de los resultados, la
experiencia del modelador debe dar la ltima palabra respecto del juego de parmetros
que mejor representa las condiciones modeladas.
3.3.1. Clasificacin de las Tcnicas de Calibracin
Las tcnicas de calibracin empleadas en modelos hidrolgicos se pueden
clasificar de acuerdo a los siguientes criterios (Bertoni, 2003):
Desde el punto de vista operativo: tcnicas de calibracin automtica y
manual.
Desde el punto de vista de la cantidad de objetivos que se propone optimizar:
tcnicas de calibracin que utilizan funciones mono y multiobjetivo.
Desde el punto de vista del enfoque sobre el dominio analizado: tcnicas de
calibracin local y global.
Calibracin automtica y calibracin manual
Bsicamente existen dos formas de calibrar un modelo matemtico hidrolgico
desde el punto de vista operativo: (a) ajuste manual mediante prueba y error y (b) ajuste
o calibracin automtica. La primera es la manera ms clsica, que ha sido empleada
por los hidrlogos desde los comienzos de la aplicacin de las tcnicas de calibracin.
Esta consiste bsicamente en la aplicacin del conocido mtodo de prueba y error.
Cuando el modelo utilizado tiene un gran nmero de parmetros y el usuario tiene poca
experiencia en el proceso de calibracin, este proceso puede volverse demasiado lento y
tedioso. Adems de ello, esta tcnica no brinda al usuario un criterio objetivo de parada
(Sorooshian et al., 1995), sino que, por lo general, usuarios diferentes generalmente
encuentran un conjunto diferente de parmetros con el mismo modelo, en la misma
cuenca y en el mismo periodo de tiempo (Beven et al., 1992).
Pg. 40
La calibracin automtica consiste en el empleo de las computadoras digitales
para llevar a cabo el proceso de ajuste de los parmetros. Surge como una alternativa
para acotar el grado de error de la calibracin manual ejecutada por los usuarios sin
experiencia, para acelerar el proceso de calibracin y para restarle subjetividad
(Sorooshian et al., 1995). De modo que se convierte en una herramienta que intenta
determinar el conjunto ptimo de los valores de los parmetros de un modelo
hidrolgico con la mnima interferencia del usuario. La experiencia del usuario es
sustituida, en gran parte, por una funcin objetivo sometida a una tcnica iterativa de
ajuste. El objetivo de la calibracin automtica es, por lo tanto, minimizar (o
maximizar) el valor de una funcin objetivo que mide la calidad del ajuste de los
hidrogramas. Sin embargo, el estado del arte de los mtodos de calibracin automtica
no han madurado al punto de sustituir enteramente a la calibracin manual (Sorooshian
et al., 1995).
Calibracin con funciones mono y multiobjetivo
Como se explic previamente, generalmente la FO representa la diferencia entre
los valores medidos y los calculados por el modelo. Pero tambin se aclar que esa
diferencia deba estar relacionada a la caracterstica del hidrograma que se pretende
ajustar con mayor precisin, en virtud del propsito para el cual ser empleado el
modelo una vez que se haya calibrado. As por ejemplo, si el modelo hidrolgico fue
pensado para predecir caudales mximos de diseo, la FO debera marcar la diferencia
entre los picos de los hidrogramas medidos y simulados. Si el propsito del modelo
hidrolgico estuviese asociado al balance hdrico, convendra asegurar un correcto
ajuste de volmenes escurridos, por lo que la FO debera representar la diferencia entre
el volumen escurrido medido y el simulado.
Ahora bien, cuando se desean ajustar varias caractersticas del hidrograma de
salida, como caudal pico, volumen escurrido, curva de recesin, etc., es necesario
proponer la minimizacin simultnea de varias funciones objetivos, cada una de las
cuales representa la diferencia entre la variable medida y la simulada de cada una de las
caractersticas del hidrograma de salida. Este tipo de ajuste se denomina multiobjetivo.
En una calibracin automtica multiobjetivo el propsito es optimizar, al mismo tiempo,
varias funciones que evalan varios aspectos de calidad de ajuste entre hidrogramas
calculados y observados.
En numerosos procesos hidrolgicos resulta insuficiente el ajuste de una funcin
monobjetivo. Por ejemplo, en la simulacin continua se requiere de una caracterstica
multiobjetivo para el uso del modelo hidrolgico, que permita representar correctamente
los periodos lluviosos y de estiaje, y no simplemente de uno de ellos en detrimento de
los otros.
Dadas las imperfecciones de los modelos y de los datos de entrada, es
prcticamente imposible encontrar un conjunto de parmetros que produzca, al mismo
tiempo, valores ptimos de varias funciones objetivo diferentes. Casi siempre, la
optimizacin adecuada de una funcin objetivo se logra a expensas de la inadecuada
optimizacin de otra. Esta es la situacin que normalmente se enfrenta en la calibracin
de modelos lluvia-caudal, cuando un conjunto de parmetros resulta en un buen ajuste
de los picos de caudal, pero como consecuencia presenta resultados mediocres durante
los periodos de estiaje (o viceversa).
La principal caracterstica de un problema de calibracin multiobjetivo, es que la
solucin, en general, no ser nica (Collischonn et al., 2003). Es decir, un conjunto A
de valores de los parmetros, podr corresponder al ptimo de la funcin F1, y un
conjunto B (distinto de A), corresponder al ptimo de la funcin F2. Existirn muchos
conjuntos de parmetros entre A y B que no optimizan F1 ni F2, pero pueden ser
considerados aceptables. Si no hubiere ninguna informacin adicional que permita dar
mayor importancia a una de las dos funciones objetivo (Collischonn et al., 2003), todas
las soluciones intermedias deben ser consideradas buenas. Debido a estas
caractersticas, la solucin de un problema de optimizacin multiobjetivo no es un
punto, sino que se trata de una regin de soluciones posibles, todas ellas aceptables,
Pg. 42
denominada regin de Pareto, o regin de soluciones no inferiores o no dominadas
(Yapo et al., 1998).
Este ltimo enfoque responde al concepto actual en la calibracin de modelos
matemticos que se orienta a buscar un conjunto de soluciones posibles y aceptables, en
vez de una solucin ptima. Esto se debe a que existe una gran incerteza asociada a la
estimacin de los parmetros del modelo. Las tcnicas recientes en calibracin de
modelos matemticos prefieren asignar un conjunto de soluciones posibles con una
cierta probabilidad de xito en la calibracin. De este moderno concepto proviene la
importancia del anlisis de incertidumbre en las tcnicas de calibracin.
Mtodos de Calibracin local y global
Dado que las tcnicas de calibracin automtica son casos particulares de los
mtodos de Optimizacin, estas tcnicas tambin pueden clasificarse entre local y
global, de acuerdo al tipo de bsqueda que realice. El grfico de la Figura 3-3 muestra
el caso hipottico de un modelo con un solo parmetro. Como puede verse, la FO tiene
varios mnimos locales. Se denomina mnimo global, al mnimo valor de los mnimos
locales. En el ejemplo, los puntos A, B y C son mnimos locales, ya que en la vecindad
de dichos puntos los dems son superiores a ellos, pero slo el punto B es mnimo
global, ya que es el menor de los mnimos locales, dentro del dominio de validez del
nico parmetro del modelo. Este concepto es fcilmente extrapolado a modelos de
varios parmetros, como son la mayora de los modelos matemticos utilizados en
hidrologa.

Figura 3-3: Superficie de respuesta de una FO
Debido a la complejidad de los modelos hidrolgicos, las funciones objetivos,
son expresiones implcitas. En otras palabras, no es posible despejar los valores de los
parmetros asociados al mnimo valor de la FO, sino que resulta necesario tender a ste
mnimo mediante aproximaciones sucesivas basadas en iteraciones de prueba y error.
Estos mtodos iterativos de bsqueda local poseen cuatro caractersticas bsicas
(Tucci, 2005), que son: a) definicin del punto de partida, b) direccin de la bsqueda,
c) espaciamiento de cada prueba, y d) criterio de parada.
El mtodo Univariacional fue una de las primeras propuestas metodolgicas de
calibracin local, que fueron empleadas en calibracin de modelos hidrolgicos (Beard,
1966). Rosenbrock propuso el mtodo de Rotacin de Coordenadas, (Rosenbrock,
1960). Ibbit modific el procedimiento de bsqueda en cada direccin del mtodo de
Rotacin de Coordenadas, (Ibbit, 1970). El mtodo Simplex (Nelder et al., 1965)
mejor considerablemente la eficiencia de bsqueda, ya que este incursiona libremente
en cualquier direccin del espacio hiperdimensional de validez de los parmetros.
Todos estos mtodos de optimizacin local, dependen fuertemente del punto de
partida o conjunto de puntos elegidos inicialmente (Johnston et al., 1976), y por lo tanto
caen comnmente en punto ptimos locales. Diferentes puntos de partida, podran
conducir a diferentes ptimos locales, lo que genera diferentes juegos de valores de los
parmetros del modelo, an cuando se utilice la misma serie de datos en la misma
Pg. 44
cuenca, para todos los diferentes puntos de partida. Esto se debe a que las superficies de
respuesta de las funciones objetivos no siempre son suaves y continuas, sino que
presentan discontinuidades, y varios ptimos locales (Duan et al., 1992).
3.3.2. Procedimiento Tpico de Estimacin Automtica
Un procedimiento tpico de estimacin automtica de los parmetros de un
modelo hidrolgico comprende los siguientes cuatro elementos principales (Sorooshian
et al., 1995):
Funcin objetivo, tambin llamada criterio de calibracin.
Algoritmo de optimizacin.
Criterio de parada.
Datos de calibracin.
La funcin objetivo
Una gran cantidad de autores destacan la importancia de las funciones objetivos
en el proceso de calibracin automtica de los modelos hidrolgicos. Los autores
apuntan a una sinttica definicin establecindola como una ecuacin usada para
computar una medida numrica de la diferencia entre la salida simulada por el modelo
(tpicamente el hidrograma de escurrimiento) y el hidrograma observado (medido).
Agregan estos autores que el propsito de la calibracin del modelo es, por
consiguiente: encontrar esos valores de los parmetros del modelo que optimizan
(minimizan o maximizan, como sea apropiado) el valor numrico de la funcin
objetivo.
Debido a que la FO es la expresin matemtica que evala la calidad de la
calibracin, debe ser elegida con cuidado, de modo que represente fielmente el error de
la calibracin con una estructura matemtica lo ms sencilla posible.
El proceso de calibracin del modelo matemtico puede estar sometido a
restricciones o no. En el primer caso, el valor de los parmetros vara dentro de un
intervalo previamente establecido por las restricciones, por lo que la FO puede tomar
valores en una regin definida por los rangos de validez de los parmetros del modelo.
En el segundo caso, los parmetros del modelo pueden tomar cualquier valor en el
proceso de calibracin. Tanto la FO, como sus restricciones son funciones matemticas
que pueden tener forma lineal o no lineal (cuadrtica, logartmica, etc.). Las
restricciones se expresan como desigualdades normalmente. Las FO deberan tener una
estructura matemtica sencilla, con la finalidad de que permitan identificar con claridad
el sentido fsico del nmero que nos arroja.
Existen diversos tipos de FO y son empleadas unas u otras segn sea su
finalidad. Sin embargo la FO mayormente empleada en la teora de optimizacin
(Sorooshian et al., 1995), y por lo tanto en calibracin automtica, ha sido diferentes
formas de la Funcin de Mnimos Cuadrados Ponderada, presentada en la siguiente
ecuacin.
( )
=
=
n
1 i
2
i i
QC QO wi FO ( 3-1)
Que puede simplificarse a la denominada Funcin Cuadrtica, como la
denomina Tucci (2005), simplemente igualando los pesos de todos los intervalos, como
se muestra en la ecuacin 3-2:
( )
=
=
n
1 i
2
i i
QC QO FO ( 3-2)
Donde:
QOi = valor de caudal observado en el intervalo i.
QCi = valor de caudal calculado en el intervalo i.
Pg. 46
wi = peso relativo de la diferencia cuadrtica en el intervalo i.
n = nmero de intervalos de los hidrogramas comparados.
Segn Tucci (2005) esta funcin asigna mayor peso a los caudales mayores. En
el ajuste de un periodo continuo de caudales la tendencia del ajuste ser el de aproximar
mejor las crecidas. Esto se debe a que, para una diferencia de caudales iguales, el
porcentaje de error es mayor cuando los caudales son ms pequeos. Por ejemplo, si se
estima 18 m
3
/s, para un caudal observado de estiaje de 20 m
3
/s, y 198 m
3
/s, para un
caudal de crecida de 200 m
3
/s, en ambos casos se estar cometiendo un error de 2 m
3
/s,
sin embargo, en estiaje representa el 10% del caudal observado, mientas que en crecida,
slo el 1%. Estas diferencias son ms notorias, cuado se considera que se elevan al
cuadrado. Entonces, si el mtodo de ajuste asegura un error del 5%, por ejemplo, para el
ajuste de los hidrogramas, en los picos ello resulta insignificante, pero en estiaje se
puede estar cometiendo un error importante.
La FO de Mnimos Cuadrados tiene gran aplicacin por su sencilla formulacin
y fcil interpretacin. Sin embargo, la eleccin de alguna forma de la Funcin de
Mnimos Cuadrados est tpicamente basada en un criterio subjetivo, de acuerdo al cual,
se asumen dos hiptesis referidas a la distribucin probabilstica de los errores, que se
desprenden de la teora de Mxima Verosimilitud (Sorooshian et al., 1995):
La probabilidad conjunta de los errores sobre la serie de datos disponibles, es
Gaussiana con media cero.
Los errores son independientes unos de otros.
Clarke enfatiza que, dado que los datos hidrolgicos pueden frecuentemente
violar esas hiptesis, los efectos de asumirlas pueden resultar bastante serios (Clarke,
1973).
Sorooshian y Dracup desarrollaron funciones objetivo basadas en el criterio de
Mxima Verosimilitud, para contabilizar apropiadamente tanto la autocorrelacin
(carencia de independencia), como la heteroscedasticidad (varianza cambiante) de las
series de datos de caudales (Sorooshian et al., 1980). En muchos casos, el criterio de
Mxima Verosimilitud (MV) prob su superioridad con respecto a la Funcin de
Mnimos Cuadrados (FMC). Estudios posteriores de Sorooshian y Gupta revelaron que
entre las razones que justifican el xito del criterio de MV, fueron las propiedades de
convergencia superiores de las superficies de las funciones respuestas generadas por
esta (Sorooshian et al., 1983).
La forma ms exitosa del criterio de Mxima Verosimilitud, aplicado por
Sorooshian y Gupta, fue una funcin llamada HMLE (Heteroscedastic Maximum
Likelihood Estimator) que contabiliza la no estacionariedad de la varianza en los errores
de caudal medidos (Sorooshian et al., 1995). El estimador HMLE es el estimador de
mxima verosimilitud, mnima varianza, asintticamente no sesgado, cuando los errores
en los datos de salida son Gaussianos, con media cero, no correlacionada, y tiene una
varianza relativa a la magnitud de los caudales generados. La no estacionariedad de la
varianza de los errores se cree que son comunes en los datos de caudal. Adems, el
estimador HMLE est relacionado con la FMC, ya que aquella se reduce a esta en el
caso especial en que la varianza se hace constante en los errores de los datos de caudal.
El estimador HMLE, tiene la forma de la ecuacin 3-3.
n
1
n
1 i
i
n
1 i
2
i i
w
w
n
1
HMLE min
(
=
=
(3-3)
Donde:

i
= QOi-QCi, es el residual del modelo en el tiempo i, siendo QO y QC los
caudales observados y calculados por el modelo, respectivamente.
Pg. 48
w
i
= es el peso asignado al tiempo i, computado como sigue:

( ) 1 2
i i
f w

=
Donde:
f
i
= es el valor verdadero de caudal en el intervalo de tiempo i. Se aproxima
mediante QOi.
n = el nmero de datos de la serie.
= el parmetro desconocido de transformacin que estabiliza la varianza.
Tucci (2005) propone como las principales funciones empleadas en la hidrologa
para calibracin automtica de modelos hidrolgicos, adems de la Funcin de Mnimos
Cuadrados: la Funcin Mdulo, la Funcin Inversa y la Funcin Relativa, presentadas
respectivamente en las ecuaciones 3-4, 3-5, y 3-6. De estas FO, que la Funcin Mdulo
tambin asigna mayor peso a los caudales mayores, mientras que la Funcin Inversa
busca ajustar mejor los caudales menores, mientras que la Funcin Relativa, empareja
las prioridades dividiendo por el valor del caudal observado en cada intervalo.
=
=
n
1 i
i i
QC QO FO ( 3-4)
=
|
|
.
|
\
|
=
n
1 i
2
i i
QC
1
QO
1
FO (3-5)
=
|
|
.
|
\
|
=
n
1 i
2
i
i i
QO
QC QO
FO (3-6)
Tassi, Bravo, Meller y Collischonn presentaron las tres FO anteriores, ms la
Funcin Cuadrtica (ecuacin 3-2), pero dividindolas por el nmero de datos n, y
obtenindole la raz cuadrada (Tassi et al., 2006). Con lo cual, le asigna un sentido
conceptual al valor numrico hallado, convirtiendo la Funcin Cuadrtica en la
expresin de la Raz Media Cuadrtica, o sea, una forma de error promedio. Adems,
agregaron una nueva FO, que se muestra en la ecuacin 3-7. Esta forma de FO tambin
fue utilizada por Yapo, Sorrooshian y Grupta, quienes adoptaron adems el criterio de
HMLE para presentar y probar el desempeo del algoritmo multiobjetivo MOCOM-UA
=
|
|
.
|
\
|
=
n
1 i i
i i
QO
QC QO
FO (3-7)
Como puede observarse, la FO adoptada para calibrar el modelo hidrolgico es
altamente dependiente del uso al cual ser destinado el mismo. Si el objetivo es ajustar
el modelo para simulacin de crecidas, debe procurarse minimizar los errores en la
simulacin de los caudales mayores, para lo cual sera adecuado aplicar la Funcin
Cuadrtica o Mdulo. Si, en cambio, el modelo ser usado para simulacin de una
secuencia de caudales, para la operacin o para dimensionamiento de reservorios, el
ajuste busca que las frecuencias de los caudales observados y calculados sean
semejantes, en cuyo caso sera recomendable la Funcin Relativa (Tucci, 2005).
Madsen resumi los objetivos mayormente considerados en una apropiada
calibracin automtica, en los siguientes cuatro (Madsen, 2000) :
Un buen acuerdo entre los volmenes totales escurridos y simulados por el
modelo.
Una concordancia global aceptable entre las formas de ambos hidrogramas.
Una buena concordancia entre los picos de hidrogramas, en trminos de
tiempo de pico, pendiente de la curva y volumen.
Una buena aproximacin de los caudales bajos.
Pg. 50
Madsen agreg que resulta necesario traducir el objetivo global de la calibracin
en trminos ms operacionales, de donde se desprenden las formas ms comunes de las
funciones objetivos. Propuso, las FO presentadas en las ecuaciones de la 3-8 a la 3-11,
que asignan cierto protagonismo al peso de los errores en cada intervalo de la serie de
datos, y las denomina respectivamente: Error Global de Volumen, Raz Media
Cuadrtica Global de los Errores, Raz Media Cuadrtica Promedio de los Errores al
Pico de los Eventos, Raz Media Cuadrtica Promedio de los Errores en los Caudales
Bajos de los Eventos.
( )
=
=
=
n
1 i
i
n
1 i
i i i
w
QC QO w
FO (3-8)

( )
2
1
n
1 i
2
i
n
1 i
2
i i
2
i
w
QC QO w
FO
=
=
= (3-9)
( )
=
=
=
=
p
j
M
1 j
2
1
n
1 i
2
i
n
1 i
2
i i
2
i
p
w
QC QO w
M
1
FO (3-10)
( )
=
=
=
=
l
j
M
1 j
2
1
n
1 i
2
i
n
1 i
2
i i
2
i
l
w
QC QO w
M
1
FO (3-11)
Donde
M
p
= el nmero de eventos con caudales pico.
M
l
= el nmero de eventos con caudales bajos.
n
j
= el nmero de intervalos de tiempo con caudales de pico, para la
ecuacin 3-10, y de caudales bajos, para la ecuacin 3-11.
Los eventos con caudales pico se definen como los periodos donde el caudal
observado est por encima de un dado nivel prefijado. Del mismo modo, los eventos
con caudales bajos se definen como los periodos donde el caudal observado est por
debajo de un dado nivel prefijado. Los pesos, segn Madsen, representan la importancia
a darle a una porcin particular del hidrograma, reflejando el error en los datos y en el
modelo. Es decir, se les asigna poco peso a los periodos en los cuales se presentan
largas series de datos, o errores del modelo.
Para verificar la bondad de la calibracin realizada, se adopta normalmente el
famoso coeficiente de Nash y Stutcliffe, presentado en la ecuacin 3-12, que representa
una reinterpretacin del coeficiente de determinacin, empleado en regresin lineal,
(Nash et al., 1970).
( )
( )
=
=
=
n
1 i
2
i
2
i
n
1 i
2
i i
2
i
2
QO QO w
QC QO w
1 R (3-12)
( )
( )
=
=
=
n
1 i
2
i
n
1 i
2
i i
2
QO QO
QC QO
1 R (3-13)
Donde QO es el promedio de los caudales del hidrograma observado.
Pg. 52
Algoritmos de optimizacin para modelos lluvia-caudal
La superficie descripta por la FO en el espacio de validez de los parmetros,
recibe el nombre de superficie de respuesta. Un algoritmo de optimizacin es un
procedimiento lgico empleado para buscar dentro de la superficie de respuesta,
restringida a los rangos permitidos para los parmetros, el juego de valores de los
parmetros del modelo que optimizan (minimizan o maximizan, segn corresponda) el
valor numrico de la FO (Sorooshian et al., 1995). Este procedimiento lgico
generalmente es implementado en una computadora digital para permitir una bsqueda
rpida.
Una de los primeros antecedentes que se encuentran en la bibliografa, respecto
del empleo de las tcnicas de optimizacin antes citadas para llevar a cabo la calibracin
automtica de modelos hidrolgicos, se remonta a la dcada del 60. Beard (1966)
emple la calibracin automtica para ajustar el modelo hidrolgico HEC1, predecesor
del conocido modelo hidrolgico HEC-HMS. Ibbit (1970) emple la calibracin
automtica para ajustar un modelo hidrolgico para diferentes combinaciones de series
con y libre de errores, y estudi los efectos de los errores sobre el ajuste.
Clarke (1973) estudi la representatividad de la FO respecto de la bondad del
ajuste. Sugiri que la estimacin de los parmetros del modelo mediante una funcin
objetivo de mnimos cuadrados, representa una aplicacin de la conocida teora de
regresin no lineal, a situaciones en las cuales las simplificaciones normalmente
realizadas en esta teora, son rara vez vlidas. Propuso como una correccin a esta
limitacin, el uso de funciones no necesariamente basadas en la suma de cuadrados,
sino de otras ms realistas basadas en las caractersticas estocsticas de los residuos del
modelo. Agreg que la interdependencia entre los parmetros del modelo, necesita un
estudio ms detallado, de la superficie de respuesta de la funcin objetivo de la suma de
cuadrados, en la vecindad del mnimo, an cuando las hiptesis de regresin sean
vlidas.
Al respecto, Sorooshian y Farid estudiaron el rol del anlisis de sensibilidad de
los parmetros para estudio de post-calibracin de los modelos conceptuales de
transformacin lluvia-caudal (Sorooshian et al., 1982).
Sorooshian y Gupta examinaron las razones para la incapacidad de obtener un
juego nico y conceptualmente realista de parmetros en modelos conceptuales. A partir
de estudios sobre la superficie de respuesta, demostraron que la eleccin de una FO que
explique algunas de las propiedades estocsticas de los errores de la salida del modelo
redunda en una mejor y ms suave forma de la superficie de respuesta, esto aumenta las
posibilidades de lograr un juego de parmetros nico y ms realista. Sin embargo, su
estudio indica que parte del problema es tambin por estructura inadecuada del modelo
(Sorooshian et al., 1983)
Troutman (1985) revis algunas de tcnicas utilizadas en el marco estadstico
que permiten analizar los modelos hidrolgicos complejos ayudando al modelador a
analizar y cuantificar las diferentes fuentes de error.
En 1985, Sorooshian y Gupta estudiaron los conceptos y herramientas necesarias
para evaluar si la estructura de un modelo hidrolgico es tal que sus parmetros pueden
ser claramente identificados. Presentaron una definicin de la identificabilidad
estructural que est basada puramente en las propiedades del modelo y es independiente
de la naturaleza estocstica de los errores observados de salida del modelo (Sorooshian
et al., 1985).
Hendrichson, Sorooshian y Brazil llevaron a cabo un examen de los aspectos de
la calibracin de los modelos conceptuales de transformacin lluvia-caudal, empleando
el modelo de Sacramento de almacenamiento de humedad en el suelo y compararon el
algoritmo del tipo de Newton con el de optimizacin de bsqueda directa. Los
resultados indicaron que el de bsqueda directa es ms robusto debido a la sensibilidad
que presenta el de Newton a condiciones pobres de la superficie de respuesta. Estudios
grficos de la superficie de respuesta del espacio de los parmetros del modelo
Pg. 54
confirmaron la presencia de discontinuidades y superficies speras, particularmente en
las derivadas (Hendrichson et al., 1988).
Wang emple algoritmos genticos para calibrar un modelo conceptual lluvia
caudal de siete parmetros para datos de una cuenca en particular. Sus resultados
demostraron que el algoritmo gentico puede ser fuerte y robusto (Wang, 1991).
Beven y Binley describieron una metodologa para la calibracin y la estimacin
de la incertidumbre de los modelos distribuidos. El procedimiento GLUE trabaja con
mltiples sets de valores de parmetros y permite que, dentro de las limitaciones de la
estructura de un cierto modelo y los errores en las condiciones de borde y observaciones
de campo, diferentes juegos de valores puedan ser igualmente probables como
simuladores de una cuenca (Beven et al., 1992).
Duan, Sorooshian y Gupta presentaron claramente la naturaleza de los
problemas que asocia a la calibracin la existencia de mltiples ptimos locales, en el
intento de calibracin del modelo hidrolgico lluvia-caudal denominado SIXPAR. Estos
resultados sugieren que la optimizacin de los modelos lluvia-caudal es ms difcil de lo
que se pensaba previamente y que los procedimientos corrientes de bsqueda local
tienen una muy baja probabilidad de xito a la hora de encontrar el juego ptimo de
parmetros. Evaluaron la performance de tres algoritmos de bsqueda local aplicados
sobre el modelo SIXPAR. Finalmente, presentaron un nuevo procedimiento de
optimizacin global, denominado SCE-UA (Shuffled Complex Evolution method), el
cual fue capaz de encontrar consistentemente el ptimo global del modelo SIXPAR
(Duan el al, 1992).
En 1993, los mismos autores probaron el algoritmo SCE-UA y el mtodo
Simplex Multistar (MSX). Estudiaron si estos dos mtodos son capaces de encontrar el
juego de parmetros ptimo durante la calibracin del modelo Sacramento (SAC-SMA),
del National Weather Service River Forecast System (NWSRFS). Emplean datos
sintticos libres de errores para conducir el estudio a un plano comparativo entre los
algoritmos bajo condiciones ideales. En 10 pruebas independientes de cada algoritmo en
los que fueron optimizados simultneamente 13 parmetros del modelo SAC-SMA, el
algoritmo SCE-UA logr 100% de xito en cuanto a la velocidad de ubicacin del
ptimo global correcto (es decir, de los verdaderos valores de los parmetros), mientras
que el MSX fall para todas las pruebas, an duplicando el nmero de evaluaciones de
la FO (Sorooshian et al., 1993).
Gan y Biftu probaron, con cuatro modelos conceptuales aplicados a ocho
cuencas (32 combinaciones), la calidad de calibracin de tres mtodos de optimizacin:
SCE-UA, Mltiple Start Simplex (MSX), y Simplex local. An con semejantes
estructuras entre los modelos, algunos juegos de parmetros para las mismas cuencas
dieron valores sorprendentemente diferentes deducidos por los tres mtodos de
optimizacin. Adicionalmente, el juego de parmetros del SCE-UA o el MSX, los
cuales normalmente produjeron valores marginalmente mejores que el Simplex local en
la etapa de calibracin, podan terminar con peores valores en la etapa de validacin.
Aparentemente, dada la inherente limitacin de los datos de calibracin, las inadecuadas
estructuras del modelo, y la identificabilidad de los problemas, fue imposible lograr la
convergencia global en la bsqueda de los parmetros. Tanto el SCE-UA, como el
Simplex local son herramientas de optimizacin viables, mientras que el MSX fue
ineficiente computacionalmente. El SCE-UA pudo completar la bsqueda del parmetro
en una sola corrida, mientras que el mtodo Simplex local a menudo requiere varias
operaciones para obtener buenos resultados (Gan et al., 1996).
Cooper, Nguyen y Nicell estudiaron tres tcnicas probabilsticas de optimizacin
para la calibracin automtica del modelo conceptual lluvia-caudal Tank Model. Estos
mtodos fueron el SCE-UA, Algoritmos Genticos (GA) y Simulated Annealing (SA).
Encontraron que la performance dependi de la eleccin de la FO considerada, y
tambin de la posicin del comienzo de la bsqueda en relacin al ptimo global. De los
tres mtodos de optimizacin global, el SCE produjo mejores estimaciones de la
solucin ptima que los mtodos GA y SA. Con respecto a la eficiencia, expresada
Pg. 56
como el mnimo nmero de iteraciones necesarias para converger fue el siguiente: SCE,
GA y SA (Cooper et al., 1997).
Todos estos mtodos son muy costosos en trminos computacionales, sobre todo
cuando la bsqueda es conducida sobre un gran hipercubo. Ms an, las
especificaciones del hipercubo puede ser problemtica, particularmente si hay una
fuerte interaccin entre los parmetros. Kuczera (1997) busc reducir el esfuerzo
computacional mediante confinamiento de la bsqueda al subespacio dentro del cual el
ptimo global era probable de ser encontrado. La tcnica incluye ubicacin de un
ptimo local empleando una bsqueda orientada por un gradiente de ptimo local.
Present un caso de estudio que involucra un modelo conceptual lluvia-caudal de cinco
parmetros. Demostr que esta bsqueda estratgica tiene mayor eficiencia que la
bsqueda sobre el hipercubo. Compar cuatro algoritmos de bsqueda probabilstica: el
SCE-UA, un Algoritmo Gentico empleando el crossover tradicional, Algoritmos de
Bsqueda Local Simplex empleando mltiples inicializaciones y el de cuasi-Newton.
En el caso que se estudi, el SCE demostr ser robusto y ms eficiente. El algoritmo
gentico, aunque present tazas de convergencia inicial superiores al SCE, tendi con
torpeza al ptimo y no demostr confianza para la ubicacin del ptimo global.
Franchini, Galeati y Berra presentaron los resultados de la comparacin entre
tres algoritmos: el Algoritmo gentico acoplado con la Programacin Cuadrtica
Secuencial (GA-SQP), la Bsqueda Patrn tambin acoplada con la Programacin
Cuadrtica Secuencial (PS-SQP), y el SCE-UA. Realizaron los estudios empleando un
modelo conceptual lluvia-caudal aplicado a una cuenca simple y a otra ms compleja.
Para ambos tipos de cuencas, fue considerado un caso terico sin errores en modelo y
datos, en el cual los verdaderos valores de los parmetros son conocidos a priori, y
varios casos reales donde existen errores de modelo y datos. Con relacin a la cuenca
simple, el SCE-UA fue el ms confiable mientras que los otros dos algoritmos dieron
resultados equivalentes al SCE-UA en los casos tericos, pero en los casos reales
mostraron una tendencia creciente (particularmente el PS-SQP) de quedar atrapado en
un mnimo local. Con referencia a la cuenca compleja, ninguno de los tres algoritmos
identific la solucin exacta en el caso terico. Sin embargo, el SCE-UA fue el nico
que sistemticamente se aproxim al valor correcto mejor que los otros. En el caso real,
sus soluciones fueron estables pero caracterizadas por muchos juegos de valores de
parmetros en los lmites de sus propios rangos. Los otros dos algoritmos produjeron un
juego de parmetros muy inestables (Franchini et al., 1998).
En esta lnea de investigacin, Yapo, Grupta y Sorooshian introdujeron la
necesidad de calibrar con mltiples objetivos. Indicaron que las experiencias prcticas
realizadas con calibracin de modelos sugieren que ninguna funcin monobjetivo es
adecuada para identificar las formas en que el modelo falla para reunir las
caractersticas importantes de los datos observados. Dado que algunos de los ltimos
modelos hidrolgicos simulan varias caractersticas del flujo de salida (como por ej.,
agua, energa, constituyentes qumicos), sugieren que existe una necesidad de
procedimientos de calibracin multiobjetivo eficientes a los fines de explotar toda la
informacin til respecto del sistema fsico contenida en series de datos medidos.
Presentaron el algoritmo MOCOM-UA, que es una metodologa para resolver el
problema de la optimizacin global multiobjetivo. El mtodo es una extensin del
algoritmo monobjetivo de calibracin global SCE-UA. A travs de un simple modelo
hidrolgico estudian las caractersticas y capacidades de calibracin del MOCOM-UA
En 1998 estos autores concordaron con la presunta desaparicin de los
problemas de calibracin basados en el incremento y mejora de la disponibilidad de
medidas de campo, y enfatizaron en la creciente complejidad del problema de la
calibracin debido a la sofisticacin de los modelos de escorrenta ms recientes
basados en los procesos fsicos. Sugieren que la emergencia de un nuevo y ms
poderoso paradigma de calibracin debe incluir el reconocimiento de la naturaleza
multiobjetivo inherente al problema y debe reconocer explcitamente el rol del error del
modelo. Presentaron los resultados de algunos estudios preliminares y demostraron
Pg. 58
mediante la ilustracin de un caso de estudio que el enfoque multiobjetivo no slo es
relativamente simple de implementar sino que puede tambin proveer informacin til
respecto de las limitaciones del modelo (Gupta et al., 1998).
Freedman, Lopes y Hernandez aplicaron los algoritmos de optimizacin
Simplex y SCE-UA, combinados con la funcin de Mnimos Cuadrados (SLS) y el
estimador Hetorocedstico de Mxima Verosimilitud (HMLE) para identificar los
parmetros de erosin para un modelo conceptual lluvia-caudal y de sedimentos.
Estudiaron el comportamiento de un modelo de cuatro parmetros frente a cuatro
procedimientos de optimizacin. Se utilizaron tanto series de datos libre de errores,
como datos con errores correlacionados, para la determinacin de la efectividad de los
procedimientos de optimizacin estudiados. Sus resultados mostraron que el algoritmo
Simplex y la funcin objetivo SLS ofrecieron la mejor estimacin de parmetros para
bajos niveles de error, mientras que el algoritmo Simplex con la funcin objetivo
HMLE, ofrecieron la mejor estimacin de parmetros para elevados niveles de error.
Explicaron los autores mencionados que estos resultados fueron contrarios a los
esperados de acuerdo a los desarrollos tericos previos, ya que el algoritmo SCE-UA
fue ms exitoso que el algoritmo Simplex en la localizacin del mnimo global de la
superficie de respuesta (Freedman et al., 1998).
Thyer, Kuczera y Bates destacaron la dificultad de ubicar el ptimo global, dada
por la presencia de mltiples ptimos locales, de discontinuidades, y largos picos y
valles sobre la superficie de respuesta. Compararon dos mtodos probabilsticos de
optimizacin global: el SCE-UA, y el Simulated Annealing (SA-SX) con slo tres
parmetros. Emplearon ambos algoritmos para calibrar dos juegos de parmetros de una
versin modificada del modelo SFB de Boughton (1993), usaron datos de dos cuencas
australianas que tienen baja y elevada produccin de escurrimiento. Los resultados
indicaron que el uso del SCE-UA de mltiples complejos y mezclados, provey una
bsqueda ms efectiva del espacio de los parmetros que el SA-SX simplex con criterio
de aceptacin estocstica del paso, especialmente cuando el nivel de parametrizacin
era incrementado (Thyer et al., 1999),.
Gupta, Sorooshian y Yapo nuevamente probaron el SCE-UA, comparndolo con
un mtodo de calibracin interactivo semiautomtico multi-nivel, desarrollado para la
calibracin del modelo de pronstico de crecidas del Sacramento, del U.S. National
Weather Service. Los resultados sugirieron que el estado del arte en la calibracin
automtica a esta altura puede esperarse que sea realizada con un nivel de habilidad
semejante al que tendra un hidrlogo bien entrenado. Sin embargo, agregaron que el
hidrlogo debe tomar ventaja del poder de los mtodos automticos para obtener una
buena estimacin de los parmetros, pero luego aplicar el juicio personal para refinar
estas estimaciones y contar con otros factores y conocimientos no incorporados
fcilmente dentro del procedimiento automtico (Gupta et al., 1999).
Abdulla, Lettermmaier y Liang describieron un enfoque para la estimacin de
los parmetros del caudal de base del modelo ARNO, usando un caudal base histrico
de recesin extrado de series diarias de caudales. Este enfoque les permiti estimar
cuatro de los parmetros del modelo sin datos de lluvia. Evaluaron tres mtodos de
optimizacin (Downhill Simplex (S), Simulated Annealing combinado con el mtodo
Simplex (SA) y el SCE) para la estimacin de los cuatro parmetros del flujo base.
Exploraron esos procedimientos de estimacin en conjunto con cuatro funciones
objetivo: (1) clsica de mnimos cuadrados, (2) clsica de mnimos cuadrados con
transformacin de Box-Cox, (3) clsica de mnimos cuadrados sobre residuales,
prewhitened (residuos blancos), y (4) clsico de mnimos cuadrados con
transformacin de Box-Cox de residuales. Tambin estudiaron los efectos de cambiar la
semilla del generador aleatorio para SA y SCE, como son los efectos de los lmites de
los parmetros. Aunque todos los esquemas convergen a los mismos valores de la
funcin objetivo, el mtodo SCE fue el menos sensible a esas cuestiones. Investigaron
tambin la incertidumbre e interaccin de los parmetros a travs de la estimacin de la
matriz de varianza-covarianza y los intervalos de confianza. Ms an, la teora del
Pg. 60
intervalo de confianza linealizado fall para cerca de un cuarto de las cuencas mientras
que la teora de la mxima verosimilitud no fall para ninguna de las cuencas (Abdulla
et al., 1999).
Boyle, Gupta y Sorooshian realizaron su trabajo poniendo en relevancia la gran
agilidad de la calibracin automtica, pero aceptaron que estos mtodos no proveen de
estimaciones de parmetros (y su consecuente simulacin de hidrogramas) aceptables
para las operaciones de pronstico, y atribuyeron a esta deficiencia la razn por la cual
no se ha generalizado su uso. En contraste, destacaron que las tcnicas manuales, si bien
son capaces de lograr una calibracin excelente de los modelos son complicadas y
requieren de mucho trabajo, y la experiencia adquirida por un individuo no es
fcilmente transferible a otra persona (o modelo). Entonces propusieron una
aproximacin hbrida que combina las ventajas de ambos. Emplearon una formulacin
multicriterio para modelar las tcnicas de evaluacin empleando estrategias de
calibracin manual y algoritmos computarizados (Boyle et al., 2000).
Madsen formul una estrategia de calibracin automtica del modelo lluvia-
caudal MIKE 11/NAM. El aporte interesante de Madsen radica en que el esquema de
calibracin incluye la optimizacin de mltiples objetivos a partir del SCE-UA, que es
un algoritmo de calibracin monobjetivo. Los aspectos del hidrograma que ajusta son:
(1) balance de global agua, (2) forma global del hidrograma, (3) pico del hidrograma y
(4) caudales de recesin. El autor present una prueba de ejemplo que ilustra los
principios de usar mltiples objetivos en la calibracin de modelos. En ella no se
observa un juego nico y simple de valores de parmetros que sea capaz de optimizar
todos los objetivos simultneamente. En vez de eso, la solucin al problema de la
calibracin se da como un juego de soluciones ptimas de Pareto, las cuales son
equivalentes desde el punto de vista de las mltiples soluciones. Se observa una gran
variabilidad en el juego de soluciones ptimas de Pareto, resultando en un largo rango
de hidrogramas simulados igualmente buenos. Del juego de soluciones ptimas de
Pareto se puede armar una solucin nica de acuerdo a las prioridades de los diferentes
objetivos para ser considerado en una aplicacin especfica del modelo. Madsen
propone funciones objetivos agregadas balanceadas, las cuales proveen soluciones de
compromiso que asignan iguales pesos a los distintos objetivos (Madsen, 2000).
Xiong y OConnor presentaron una curva de parmetro ptimo como una
visualizacin de todos los posibles picos locales y globales sobre la superficie de
respuesta multidimensional de la funcin objetivo asociada con la calibracin de los
modelos hidrolgicos. Esta curva va acoplada con una curva auxiliar denominada la
curva ndice de bsqueda por paso para facilitar el anlisis de la forma de la superficie
respuesta. La construccin de tal curva de anlisis de parmetros ptimos para analizar
la superficie de respuesta de un modelo paramtrico (conceptual o de caja negra) est
directamente sustentada en el concepto de equifinalidad incluido en la metodologa
GLUE de Beven y Binley (1992), referida a que deben haber juegos de parmetros
igualmente aceptables, en trminos de valores de casi igual eficiencia de modelo, como
simuladores de la respuesta de un escurrimiento a una lluvia. Con los mtodos
sugeridos, los mencionados autores realizaron varios experimentos numricos, primero,
para un modelo de caja negra de dos parmetros (el modelo Funcin Gamma), usando
series sintticas de valores libre de errores para seleccionados juegos de valores de
parmetros, y segundo, para un tpico modelo primitivo conceptual lluvia-caudal (el
modelo Wuhan-01 de 9 parmetros), usando los datos reales de tres cuencas. Dedujeron
que la bondad del ptimo juego de parmetros estimados por optimizacin era
determinado ms por la forma de la superficie de respuesta misma que por los mtodos
de optimizacin empleados. Tambin demostraron que tanto el muestreo por
distribucin normal multivariada, como el muestreo por cadena de Markov (algoritmo
de Metrpolis) son ms eficientes en la construccin de la curva ptima propuesta de
parmetros que el mtodo de muestreo aleatorio con distribucin uniforme inicialmente
investigado para este propsito (Xiong et al., 2000).
Pg. 62
Eckhardt y Arnold emplearon el algoritmo estocstico de optimizacin global
SCE-UA para calibrar automticamente la versin SWAT-G del modelo SWAT (Soil
and Water Assessment Tools) sobre una cuenca de mesoescala (Eckhardt et al., 2001).
Thiemann, Trosset, Grupta y Sorooshian encararon el problema de las
incertidumbres en la prediccin hidrolgica, sosteniendo que las mismas se deben a una
composicin de efectos de las incertidumbres en los parmetros, en los datos y de la
estructura asociada al modelo subyacente (Thiemann et al., 2001).
Vrugt, Gupta, Bastidas, Bouten y Sorooshian propusieron una versin
modificada del algoritmo original de optimizacin global SCE-UA. Utilizaron un
manipulador de muestras (sampler) del tipo Markov Monte Carlo (MCMC),
denominado Shuffled Complex Evolution Metropolis (SCEM-UA), ya que incorpora
conceptos del mtodo de Metrpolis. Este algoritmo fue diseado para inferir la
distribucin posterior de los parmetros del modelo hidrolgico. Propusieron combinar
las destrezas del algoritmo SCE-UA con la ventaja de los mtodos de cadenas de
Markov Monte Carlo, que permiten estimar la distribucin de probabilidades posterior
de los parmetros en los modelos hidrolgicos. Los autores presentaron tres casos de
estudio, en los cuales, demostraron las capacidades de adaptacin del SCEM-UA en lo
que respecta a reducir significativamente el nmero de simulaciones del modelo
necesarias para inferir la distribucin posterior de los parmetros cuando se comparan
con el tradicional manipulador de muestras Metropoli-Hastings (Vrugt et al., 2003).
El mismo ao, presentan la versin multiobjetivo del SCEM-UA, denominado
MOSCEM-UA (Multiobjective Shuffled Complex Evolution Metropolis). Los autores
insistieron en que la experiencia prctica con la calibracin de modelos hidrolgicos
sugiere que ninguna funcin monobjetivo, independientemente de cuan cuidadosamente
haya sido elegida, es capaz de representar por s misma, adecuadamente todas las
caractersticas de los datos considerados importantes. Entonces propusieron el
MOSCEM, como un algoritmo capaz de resolver el problema de optimizacin
multiobjetivo para modelos hidrolgicos, empleando el concepto de dominancia de
Pareto para evolucionar la poblacin inicial de puntos hacia un conjunto de soluciones
estancadas con distribucin estable (Vrugt et al., 2003).
Criterio de parada
Las estrategias de optimizacin que se presentan en esta tesis, son todas
procedimientos iterativos que buscan el juego ptimo de valores para los parmetros
mediante pasos de aproximacin. Segn Sorooshian y Gupta, resulta necesario
establecer un criterio que determine cuando debe detenerse la bsqueda. En principio, la
solucin existe en aquel punto de la superficie de respuesta en el cual la pendiente es
nula y el valor de la funcin, un mnimo. En la prctica, es virtualmente imposible
conocer en qu momento exacto ese punto ha sido alcanzado, en consecuencia, estos
autores proponen los criterios de terminacin mayormente usados en la prctica, del
modo que se transcriben a continuacin (Sorooshian et al., 1995):
Convergencia de la FO. Una manera sencilla de terminar la bsqueda es
detenerla cuando el algoritmo es incapaz de apreciar una mejora del valor de la FO en
dos iteraciones seguidas. Aunque este criterio puede indicar que se ha alcanzado el
ptimo, tambin puede representar simplemente que se ha llegado a una zona plana de
la superficie de respuesta. Si no fuese importante el valor preciso del ptimo, la
convergencia de la FO puede ser muy til como criterio de parada. Una implementacin
tpica es detenerse cuando se cumple con la condicin:
( )
FO
i
i 1 i
FO
FO FO

(3-14)
Donde:
FO
i
= valor de la FO en el paso iterativo i.

FO
= error de la FO prefijado. Por ejemplo
FO
= 10
-3
.
Pg. 64
Convergencia de los parmetros. Otra forma de terminar la bsqueda es
cuando el algoritmo es incapaz de generar un cambio apreciable en el valor de los
parmetros, y simultneamente mejorar el valor de la FO. Aunque este criterio puede
indicar que se ha alcanzado el ptimo, tambin puede representar simplemente que se
ha alcanzado una regin con alta interaccin paramtrica en la superficie de respuesta,
como por ejemplo, una regin al tipo de un estrecho valle. Sorooshian y Gupta
comentan que se han obtenido mejores resultados con este criterio que con el anterior.
Una implementacin tpica de este criterio se muestra en la siguiente ecuacin
(Sorooshian et al., 1995):
( ) ( ) ( )
( ) ( ) ( )

min max
i 1 i
j j
j j
(3-15)
Donde:
(j)
i
= valor del parmetro j, en el paso iterativo i.

= error paramtrico prefijado. Por ejemplo
= 10
-3
.
Nmero mximo de iteraciones. Si el tiempo de computadora es limitado, y
para asegurar que el algoritmo no quedar atrapado en un ciclo infinito, se emplea como
prctica normal, programar la terminacin del algoritmo si se ha alcanzado un nmero
mximo preestablecido de iteraciones, a menos que se haya cumplido previamente con
alguno de los criterios anteriores. Para mtodos de bsqueda aleatoria, este es el
procedimiento normal de terminacin. No es posible dar una regla fija respecto del
nmero de iteraciones convenientes, ya que es dependiente, tanto del algoritmo como
del problema particular tratado.
Se pueden mencionar las siguientes limitaciones. Ninguno de estos criterios son
confiables en trminos de dar una indicacin precisa respecto del arribo al ptimo
global, excepto en el caso ms trivial en el cual la FO presenta una superficie de
respuesta convexa y de comportamiento suave. Sin embargo, en la experiencia de
Sorooshian y Gupta, el criterio de terminacin por convergencia de los parmetros es
ms adecuado para los estudios de calibracin, ya que termina la calibracin cuando el
parmetro no est cambiando significativamente. El criterio de mximo nmero de
iteraciones se emplea como respaldo para evitar consumo computacional innecesario. Si
el algoritmo no concluye dentro de un nmero razonable de iteraciones, el cdigo
computacional debera ser examinado de bugs (errores en la programacin en el
lenguaje informtico). Finalizan los autores citados, indicando que la mejor manera de
establecer valores apropiados como criterios de terminacin consiste en correr el
algoritmo empleando series sintticas de datos sobre el modelo.
Datos de calibracin
Para realizar la calibracin automtica de un modelo hidrolgico de
transformacin lluvia-caudal, ajustado para el funcionamiento en una cuenca especfica,
resulta necesario contar con una serie de datos buenos y confiables. Sin embargo, segn
ironizan Sorooshian y Gupta, poco se conoce objetivamente respecto de aquello que
constituye una buena serie de datos de calibracin. Por esta razn, resulta necesario
analizar cuntos y qu tipo de datos darn los mejores o aceptables resultados de
calibracin automtica. Los autores citados, establecen los siguientes criterios que se
transcriben a continuacin.
Cantidad de datos. La prctica comn consiste en utilizar la mayor cantidad de
los datos disponibles para la calibracin, luego de apartar una cierta cantidad de datos
para la verificacin de los resultados. Sin embargo, los estudios de Sorooshian y Gupta
indicaron que, cuando el procedimiento de calibracin haba sido correctamente
diseado, slo un ao de datos diarios eran suficientes como para obtener estimaciones
conceptualmente realistas para los parmetros del modelo de pronstico de crecidas de
la US-National Weather Services (SMA-NWSRFS) bien presentado en Burnash (1995).
Ms an, el uso de series de datos de mayor longitud slo sirven para mejorar
marginalmente la estimacin de los parmetros. En general, desde un punto de vista
estadstico, la serie de datos debera ser al menos unas 20 veces el nmero de
Pg. 66
parmetros a ser estimados (por ejemplo, si hay 7 parmetros, entonces al menos se
debera contar con 140 datos diarios de caudal para computar la funcin). Esto es,
aclaran los autores, simplemente una primera aproximacin. Gupta y Sorooshian
mostraron que el error estndar (j) en la estimacin del parmetro (j) decrece con el
tamao n de la muestra aproximadamente de acuerdo a la frmula de la ecuacin
(Sorooshian et al.,1985):
( )
n
1
j (3-16)
Como la mejora marginal en 1/n se convierte en pequea despus de 500 o 100
puntos de datos, esto sugiere que dos a tres aos de datos de calibracin deberan ser
suficientes, siempre y cuando los datos sean buenos. Lo cual nos conduce a una
discusin acerca de la calidad de los datos.
Calidad de datos. Desde el punto de vista de la calibracin del modelo, la
calidad de los datos dependen de la informacin (relacionada con los parmetros)
contenida en los datos y el ruido (errores) en los datos. Claramente, es deseable que el
contenido de informacin paramtrica en los datos sea tan larga como sea posible, y el
ruido tan pequeo como sea posible.
Respecto de la informacin, cualitativamente, una serie de datos informativos
son aquellos tales que contienen o representan tanta variabilidad en el comportamiento
del escurrimiento, que los distintos modos de operacin del proceso hidrolgico son
apropiadamente representados. Esto maximiza la posibilidad de que los datos contengan
la informacin suficiente como para identificar apropiadamente el valor de los
parmetros del modelo. Por ejemplo, si los datos elegidos corresponden a un ao
relativamente seco, ciertos procesos del modelo, no sern activados; en consecuencia, la
respuesta del modelo ser insensible a algunos de los parmetros del modelo que
determinan el fraccionamiento de la humedad entre las distintas capas subterrneas y el
agua superficial. Sin embargo, si la serie de datos corresponde a un ao tan hmedo que
mantiene la capa superior del suelo saturada la mayor parte del tiempo, la respuesta del
modelo puede ser insensible a variaciones en los parmetros que controlan las distintas
capas subterrneas del modelo.
La mejor eleccin parece ser una serie de datos que contenga una gran
variabilidad hidrolgica.
Con respecto al error en los datos, la presencia de errores en la medida y
escritura de los datos causa un deterioro en la calidad, resultando en un desmedro de
confianza en la estimacin de los parmetros. El error en los datos tiene distintas
fuentes, como registro incorrecto de la mquina, mal funcionamiento del equipamiento,
mtodos de transferencia de datos a la computadora, aproximaciones en la curva de
transformacin, cambios en el fondo del ro, aproximaciones en las frmulas usadas
para convertir registros de campo, negligencia, fraude, etc. Aunque se ha sugerido que
los efectos combinados de todos esos errores deberan tender hacia una distribucin
normal, esto no ha sido demostrado suficientemente. En la prctica, los errores en los
datos probablemente contengan sesgos, particularmente en el caso de datos de
precipitacin, que tienden a subestimar el valor real de lluvia. Los datos de caudal son
en general, los ms confiables, pero contienen tpicamente un 10 % de error. En la
seleccin de los datos para calibracin del modelo, sera deseable que la serie sea
cuidadosamente examinada para identificar primeramente errores groseros, por ejemplo
periodos donde el caudal se eleva, pero no se observan datos de precipitacin. Mientras
que los errores en los datos de caudal pueden ser manejados mediante el uso de la
mxima verosimilitud y otras teoras estadsticas, todava deben desarrollarse mtodos
satisfactorios para el manejo apropiado de los errores de precipitacin.
3.4. ANLISIS CRTICO DE LA CALIBRACIN AUTOMTICA
Como se mencion previamente, el desarrollo de mtodos de calibracin
automtica, fue motivado por (Sorooshian et al., 1995):
Pg. 68
La necesidad de acelerar el proceso de calibracin,
La realidad de que existen pocos expertos en calibracin de modelos
disponibles para cada modelo de transformacin PQ.
La necesidad de asignar alguna medida de objetividad y confianza a las
predicciones del modelo.
Sin embargo, la calibracin automtica es tambin criticada por hidrlogos de
gran experiencia (Burnash, 1995).
Una de las crticas ms comunes est asociada a la incapacidad de los mtodos
de reconocer el sentido conceptual de las combinaciones de valores de los parmetros
que se hacen en cada prueba. Es decir, el nico fin que persiguen estas tcnicas es
conseguir el menor valor de FO, sin importar cual combinacin de valores del juego de
parmetros realiza para lograrlo, con tal de que estn dentro del intervalo prefijado de
validez. Se pierde el sentido conceptual de la calibracin, de tal suerte que un conjunto
de parmetros que produzcan un buen valor de la funcin objetivo pueden ser
conceptualmente absurdos o invlidos. De este modo, argumentan los crticos, se hace
imprescindible la participacin del modelador.
Otra crtica est asociada al estudio mismo de la cuenca. El modelo calibrado
con algoritmos automticos deja de ser una poderosa herramienta de anlisis de cuenca
y pasa a ser una caja cerrada destinada a producir los mejores valores de la funcin
objetivo. No se realiza una interpretacin pausada y meditada por parte de un hidrlogo
con experiencia respecto de sus resultados, sino que una innumerable cantidad de
operaciones matemticas ocurren en el interior de una caja negra, que arroja un
resultado.
Este mecanismo de caja negra para resolver el problema del ajuste del modelo,
ocasiona un problema todava ms grave, el cual es que el usuario pierda la sensibilidad
sobre el comportamiento del modelo y tiende a no comprender plenamente sus
limitaciones. En otras palabras, dada una herramienta capaz de ajustar el modelo frente
a cualquier cuenca, dara la impresin de que el modelo est perfectamente diseado
para simular eventos sobre ella, cuando podra ocurrir que no.
Otra objecin que se argumenta est asociada a la equivocada idea de que un
perfecto ajuste de hidrogramas medidos y simulados, representa el mejor conjunto de
parmetros, cuando en realidad, tender a un mejor valor de la funcin objetivo no
necesariamente implica una mejor representacin del funcionamiento de la cuenca.
Nada impide que un juego de valores de parmetros conceptualmente ms apropiado,
ajuste con menor precisin ambos hidrogramas. Esto puede deberse, por ejemplo, a una
deficiencia en la calidad de los datos.
A las crticas tcnicas anteriores, pueden agregarse otras de tipo ms
acadmicas, ya que mediante la tcnica de calibracin automtica se elimina una
interesante forma de aprendizaje que constituye la calibracin manual.
Finalmente, cabe agregar que no siempre el tiempo necesario para la calibracin
es inferior con algoritmos automticos, que de manera manual.
Segn observan Collischonn y Tucci una parte considerable de las crticas a la
calibracin automtica est relacionada a las funciones objetivo que son utilizadas en el
proceso de calibracin (Collischonn et al., 2003). Todava son incipientes los intentos
por definir funciones objetivos que puedan ser comparadas con las funciones objetivos
implcitas utilizadas en el proceso de calibracin manual (Boyle et al., 2000). Al
respecto cabe mencionar que todos los mtodos de calibracin automtica siempre han
tratado al problema de la optimizacin de modelos hidrolgicos a travs de una nica
funcin objetivo implcita.
La funcin objetivo debe ser representativa en cuanto a la calidad de los
resultados deseados. Varias de estas funciones fueron propuestas y probadas y
generalmente la funcin cuadrtica de la diferencia de los caudales, mostr un mejor
resultado porque no presenta mayores singularidades. No obstante, cuando se escoge
una funcin se pueden obtener resultados tendenciosos.
Pg. 70
Otra parte de las crticas surge porque los primeros mtodos de calibracin
automtica que surgieron en la literatura estaban basados en tcnicas de optimizacin
local. Los mtodos de optimizacin local estn diseados para buscar el mnimo valor
de la funcin ms prximo al punto en el cual comenz la bsqueda. De manera que el
juego de parmetros obtenidos no necesariamente es el que conduce al mnimo valor de
la funcin, sino a uno de los mnimos. Como el objetivo de la calibracin consiste en
encontrar el mnimo global, surgen las tcnicas de calibracin global que conducen a
seleccionar el mnimo de los mnimos locales.
De acuerdo a las publicaciones en materia de calibracin automtica (Ibbit,
1970), (Johnston et al., 1976); (Sorooshian et al., 1983), resulta muy difcil, sino
imposible, obtener un juego nico de parmetros ptimos para un modelo hidrolgico
empleando mtodos de calibracin automtica. Aunque ese problema puede ser
atribuido parcialmente a las limitaciones inherentes a los datos de calibracin y
verificacin, la caracterstica no lineal tpica de la estructura de los modelos
hidrolgicos tambin conduce a la existencia de mltiples ptimos. Sin embargo, los
procedimientos de bsqueda local en uso son incapaces de encontrar el ptimo global
con un grado aceptable de confianza. Esto se traduce en incertidumbre respecto de la
precisin del pronstico del modelo. Ms an, aunque se haya encontrado el mejor
juego de parmetros asociado con una serie de datos de calibracin dada, es difcil de
determinar cun sensibles son los valores de los parmetros (y en consecuencia, el
pronstico del modelo) frente a factores tales como errores en los datos de entrada y
salida, error en el modelo, cantidad y calidad de datos, funcin objetivo usada, y dems
(Sorooshian et al., 1995).
Duan, Sorooshian y Gupta condujeron un estudio de comprensin detallado
respecto de las razones que contribuyen a las dificultades asociadas a la calibracin
automtica de modelos hidrolgicos. Emplearon mtodos para realizar una exploracin
detallada y exhaustiva de la superficie de respuesta de la FO, con la ayuda de tcnicas
grficas de presentacin de los resultados, para estudiar las propiedades globales de las
superficies de respuesta de las FO de los modelos hidrolgicos. Estos estudios
demostraron claramente la severidad de los problemas de optimizacin, encontrados
cuando se intentara calibrar un modelo simple empleando mtodos de bsqueda local.
Encontraron las siguientes cinco principales caractersticas que complican los
problemas de optimizacin (Duan et al., 1992):
Existen varias regiones de atraccin principales hacia las cuales una
estrategia de bsqueda puede converger.
Cada regin principal de atraccin contiene numerosos mnimos locales.
Estos ptimos locales ocurren tanto cerca como lejos del mnimo global.
La superficie de la FO en el espacio multiparamtrico no es suave y puede
no ser tampoco continua. Las derivadas son discontinuas y pueden variar de
un modo impredecible a travs del espacio paramtrico.
Los parmetros exhiben distintos grados de sensibilidad y un alto grado de
interaccin y compensacin. Muchas de las interacciones son altamente no
lineales.
La superficie de respuesta en las proximidades de la solucin verdadera es
comnmente no convexa.
Considerando estas cinco principales complicaciones que presentan las
superficies de respuesta de los modelos hidrolgicos, Duan, Sorooshian y Gupta
enuncian las propiedades deseables que debera tener un mtodo de optimizacin
global, de la siguiente manera (Duan et al., 1994):
Convergencia global en la presencia de mltiples regiones de atraccin.
Habilidad para evitar ser atrado por pequeos picos y valles en la superficie
de respuesta de la FO.
Pg. 72
Robustez en la presencia de diferentes sensibilidades de los parmetros, y
diferentes interdependencias entre ellos.
Desconfianza de la disponibilidad de una expresin explcita para la FO o
sus derivadas.
Capacidad de manejarse con varias dimensiones paramtricas.
Actualmente existe una gran cantidad de metodologas de bsqueda global
capaces de aproximar una solucin al problema de calibracin automtica de modelos
matemticos.
Conforme citado previamente, en la literatura internacional el algoritmo de
bsqueda global de Metropolis Monte Carlo se ha perfilado como promisorio en varios
aspectos. Este hecho, sumado a la no aplicacin previa del mismo sobre cuencas
argentinas, constituy el motivo por el cual esta Tesis se desarroll con base en este
algoritmo. Una descripcin detallada del mtodo de Metropolis Monte Carlo se presenta
en el captulo referido a la metodologa.

CAPTULO IV
4. METODOLOGA
En este captulo se describe el modelo hidrolgico IPH II (Tucci et al., 1981), y
el mtodo de optimizacin Metrpolis - Monte Carlo (Templado Simulado)
(Kirkpatrick et al., 1983), empleado para realizar la calibracin automtica mono-
objetivo del modelo IPH II.
4.1. DESCRIPCIN DEL MODELO HIDROLGICO IPH II
En el Instituto de Pesquisas Hidrulicas de la Universidade Federal do Rio
Grande do Sul (Brasil) se desarrollaron una serie de modelos para la simulacin de
distintos aspectos de los procesos del ciclo hidrolgico. Denominados con la sigla IPH,
han recibido una numeracin correlativa de acuerdo con la versin y aplicacin.
El modelo IPH II (Tucci et al., 1981) fue desarrollado con el objetivo de
permitir su uso para proyectos de ingeniera en cuencas rurales y urbanas. Esta versin
es utilizada para cuencas que no necesitan propagacin en el lecho del ro o en el caso
en que este efecto no sea importante en el proceso, ya que la propagacin tenida en
cuenta en el modelo se refiere solamente al escurrimiento en la superficie de la cuenca.
El modelo IPH II es un modelo matemtico, conceptual, concentrado, de
transformacin lluvia-caudal y se ha utilizado en mltiples trabajos, principalmente en
Brasil (Tucci, 1991), (Tucci, 1996), (Germano et al., 1998), (Tucci et al., 1998),
Pg. 74
(Collischonn et al., 2001), (Collischonn et al., 2003) y (Tassi et al., 2006), pero tambin
en otras cuencas del continente americano.
Tucci, Ordnez y Simoes desarrollaron el modelo basndose en un algoritmo de
separacin de escurrimientos desarrollado por Berthelot en 1970, que utiliz la ecuacin
de continuidad en combinacin con la ecuacin de Horton, ms una funcin emprica
para estimar la percolacin (Tucci et al., 1981). Posteriormente, Berthelot en 1972,
Sanchez en 1972 y Munoz y Tucci en 1974 utilizaron este algoritmo para componer un
modelo lluvia-caudal aplicado, respectivamente, a las cuencas de los ros Capivari
(Santa Catalina), Cauca (Colombia) y Chasqueiro (RS), con resultados convincentes.
Tucci en 1979 ampli el algoritmo de infiltracin y present un anlisis de sensibilidad
de los parmetros (Sanchez, 1972), (Munoz et al., 1974), (Tucci, 1979). Este algoritmo
fue verificado con datos experimentales mostrando su aplicabilidad (Tomasella et al.,
1993).
Tucci, Ordonez y Simes utilizaron el referido algoritmo en conjunto con los
algoritmos de prdidas, escurrimiento superficial y subterrneo, e implementaron el
modelo. Los autores buscaron volverlo aplicable a diferentes problemas de recursos
hdricos, con el mnimo de parmetros a ser estimados (Tucci et al., 1981). Tucci y
Campana ampliaron el uso del modelo a travs de modificaciones en la estructura del
algoritmo de escurrimiento superficial (Tucci et al., 1993).
El modelo est compuesto de los siguientes algoritmos:
Prdidas por evaporacin e intercepcin.
Separacin de volmenes.
Propagacin del escurrimiento superficial.
Propagacin subterrnea.
A continuacin, se describe cada uno de estos algoritmos conforme los describe
Tucci, con pequeas variantes sobre la versin original (Tucci, 2005). Posteriormente se
comentan las condiciones iniciales necesarias para correr el modelo, as como los
parmetros de ajuste para la adecuada calibracin del mismo.
4.1.1. Algoritmo de Evaporacin e Intercepcin
En este algoritmo se determinan las prdidas por evapotranspiracin y por
intercepcin superficial. La evapotranspiracin es la cantidad de agua (en mm) que
resulta de la suma del agua transpirada por la vegetacin, y evaporada directamente
desde el suelo en donde se asienta la misma, o bien desde alguna superficie expuesta,
como por ejemplo una laguna, o un curso de agua (Fuentes Yage, 1996). La
intercepcin incluye el agua atrapada en el follaje de los rboles, los techos de las casas,
las depresiones del terreno, etc. En sntesis, representa toda el agua que no fue
evaporada, pero que tampoco escurrir en forma directa, ni se infiltrar, es decir, queda
retenida en la cuenca.
En la Figura 4-1 se presenta el diagrama de flujo del algoritmo de prdidas por
evapotranspiracin e interseccin, en el cual se pueden comprender mejor los procesos
de prdidas y el modo en que son incorporados al modelo. De la precipitacin que llega
a la superficie, una parte es evapotranspirada, y otra parte, es retenida por intercepcin.
Pg. 76

Figura 4-1: Diagrama de flujo del algoritmo de prdidas IPH II (Tucci, 2005)
Si la precipitacin cubre los requerimientos de evapotranspiracin, comienza a
satisfacer las prdidas por intercepcin. Estas prdidas por intercepcin son
representadas por un reservorio que tiene una capacidad mxima, Rmax. Para medir la
cantidad de agua en este reservorio se emplea una variable de estado R, que toma
valores de 0 (cero) a Rmax. Una vez que se ha satisfecho la evaporacin y se ha
cubierto la capacidad de intercepcin Rmax, la precipitacin remanente, pasa al
algoritmo de separacin de volmenes.
Cuando la precipitacin no es suficiente para satisfacer la evapotranspiracin
potencial, la capacidad de evaporacin restante contina evaporando el agua
almacenada en el reservorio de agua interceptada, reduciendo de este modo el valor de
R. Si la evaporacin es tal que consume todo lo que queda de agua en R, entonces
comienza a retirar agua del suelo, de acuerdo con su estado de humedad. La parte de
agua retirada del suelo es obtenida por una combinacin lineal entre el porcentaje de
evapotranspiracin potencial y la humedad del suelo como lo representa la siguiente
ecuacin:
( )
Smax
S(t) EP(t)
t E

= (4-1)

Donde:
E(t) es la evapotranspiracin de la superficie en el tiempo t;
EP(t) es la evapotranspiracin potencial;
S(t) es el estado de humedad de la capa superior del suelo;
Smax es la capacidad mxima de humedad de la capa superior del suelo y
t es el tiempo.
Este algoritmo adquiere importancia para los casos en que se emplee el modelo
para realizar simulaciones continuas, ya que la variable que controla el estado del
sistema es el estado de humedad del suelo, en el sentido de su potencialidad para
infiltrar, o bien para escurrir el agua de lluvia.
Ya en el caso que el modelo se utilice para simular eventos o sea aplicado en
cuencas muy pequeas, la rama del algoritmo que involucra la evapotraspiracin puede
Pg. 78
ser obviada. Esto est asociado con la escala del proceso de evapotranspiracin
comparada con la de precipitacin, ya que esta ltima se procesa en tiempos ms
rpidos que la primera. En otras palabras, a nivel de eventos lluvia-caudal (eventos P-Q)
el efecto prctico de la evapotranspiracin puede ser obviado sin caer en errores
significativos desde el punto de vista prctico. Contrariamente, en la simulacin de
perodos continuos la evapotranspiracin juega un papel fundamental y no puede ser
obviada.
4.1.2. Algoritmo de Separacin de Volmenes
Este algoritmo toma la parte de la precipitacin resultante del algoritmo de
prdidas y determina la cuanta de sta que genera el escurrimiento superficial y la que
se infiltra en el suelo.
Pueden ocurrir dos situaciones, que la precipitacin suceda sobre reas
impermeables generando escurrimiento superficial sin posibilidades que el agua se
infiltre. Es el caso de regiones urbanas donde las reas impermeables estn directamente
ligadas con los sistemas de colectores pluviales, es decir, en aquellas en las cuales no
media un rea permeable entre la zona impermeable y el sistema colector pluvial. El
algoritmo emplea un parmetro para caracterizar el porcentaje de la cuenca con rea
impermeable (con un valor entre 0 y 1).
De la parte que se precipite sobre reas permeables, una parte escurrir
superficialmente, denominada volumen de escurrimiento directo y la otra se infiltrar,
una parte percolando hacia los acuferos subterrneos para formar el flujo subterrneo y
la otra parte quedar almacenada como humedad del suelo.
El algoritmo que se presenta a continuacin, basado en la ecuacin de Horton,
calcula los volmenes correspondientes a la infiltracin, a la percolacin y al
escurrimiento superficial, denominados respectivamente: Vi, Vp y Ve.
Considerando la capa superior del suelo donde el mismo puede estar saturado o
no. Sea S(t) el estado de humedad de esta capa, I(t) la infiltracin y T(t) la percolacin
en el tiempo t. La ecuacin de continuidad es la siguiente:
) t ( T ) t ( I
dt
dS
= (4-2)
El valor de la infiltracin se puede obtener utilizando la ecuacin de Horton 4-3
y el valor de la percolacin con una ecuacin emprica 4- 4.
t
h ) Ib Io ( Ib ) t ( I + = (4-3)
) h 1 ( Ib ) t ( T
t
= (4-4)
Donde:
Ib es la capacidad de infiltracin cuando el suelo est saturado;
Io es la capacidad de infiltracin del suelo cuando la humedad es la inicial
So;
h = e
-k
, siendo k es un parmetro que caracteriza el decaimiento de la curva
exponencial de infiltracin y depende de las caractersticas del suelo;
Substituyendo las ecuaciones 4-3 y 4-4 en la ecuacin 4-2 de continuidad,
resulta:
) h 1 ( Ib h ) Ib Io ( Ib
dt
dS
t t
+ = (4-5)
Simplificando se llega a:
t
h Io
dt
dS
= (4-6)
dt h Io dS
t
= (4-7)
Pg. 80
Integrando la ecuacin diferencial en el intervalo t = 0 hasta t, resulta:
) 1 h (
h Ln
Io
h Ln
h
h Ln
h
Io
h Ln
h
Io So S
t
0 t
t
0
t
=
(
=
(
= (4-8)
Entonces:
) 1 h (
h Ln
Io
So S
t
+ = (4-9)
Donde:
So es la capacidad de campo, o el estado de humedad del suelo cuando se
inicia la percolacin. En este modelo So es adoptado igual a cero.
Despejando h
t
de la ecuacin 4-3, resulta:
Ib Io
Ib It
h
t
= (4-10)
Reemplazando 4-10 en la ecuacin 4-9, y considerando que So = 0, como fue
definido anteriormente:
(
=
(
=
Ib Io
Ib Io
Ib Io
Ib It
h Ln
Io
1
Ib Io
Ib It
h Ln
Io
S (4-11)
(
+
=
Ib Io
Ib Io Ib It
h Ln
Io
S (4-12)
( ) Ib - Io h Ln
Io - Io It
Ib Io
Io It
h Ln
Io
S
2
=
(
= (4-13)
( )
( ) ( )
( ) t I
Ib - Io h Ln
Io
Ib - Io h Ln
Io
t S
2
+ = (4-14)
Entonces:
( ) ( ) t I bi ai t S + = (4-15)
Donde:
( ) Ib - Io h Ln
Io
ai
2
= (4-16)
( ) Ib - Io h Ln
Io
bi = (4-17)
Si ahora se reemplaza h
t
de la ecuacin 4-4, resulta:
Ib
T
1 h
t
= (4-18)
Reemplazando la ecuacin 4-18 en la ecuacin 4-9, resulta:
( ) ( ) t T
h Ln Ib
Io
Ib
T
h Ln
Io
1
Ib
T
1
h Ln
Io
t S = = |
.
|
\
|
= (4-19)
De donde se obtiene:
( ) ( ) t T bt t S = (4-20)
Donde:
h Ln Ib
Io
bt = (4-21)
En la Figura 4-2, se presenta una grfica que ilustra las funciones obtenidas en el
desarrollo anterior. Esta grfica es muy til para interpretar el funcionamiento del
algoritmo de separacin de volmenes. Teniendo en cuenta que la expresin de Horton,
se ha propuesto para condiciones tales que durante todo el proceso de infiltracin, la
capa de agua supere el nivel del suelo. En otras palabras, siempre habr agua para
abastecer la menguante demanda.
Pg. 82
Cuando comienza la infiltracin, el suelo est en su estado de humedad inicial,
que hemos denominado So. En ese momento, la infiltracin es mxima Io, ya que el
suelo est vido de agua y la percolacin es mnima o nula. A medida que el tiempo
transcurre, el agua satura los poros y la capacidad de infiltracin comienza a reducirse,
al mismo tiempo que la capacidad de percolacin comienza a incrementarse, dada la
creciente saturacin del suelo. Llega un momento, en que el suelo se ha saturado
completamente, y por lo tanto, pierde su capacidad de retener mayor cantidad de agua.
Se ha alcanzado la humedad mxima Smax. En ese momento, se puede considerar desde
un punto de vista global que, toda el agua que se infiltra por la superficie del suelo,
contina su recorrido percolando hacia las capas inferiores de suelo para pasar a formar
en su totalidad el flujo subterrneo. Es decir, el agua pasa de largo por la capa superior
del suelo, ya que la infiltracin se ha igualado a la percolacin, en un valor que se ha
denominado Ib. Es importante destacar que el tiempo de la ecuacin de infiltracin no
es el tiempo de simulacin, ya que la simulacin comienza con el primer dato de
precipitacin, pero la infiltracin recin comienza cuando la lluvia empieza a infiltrarse
por haber superado las prdidas por evaporacin y intercepcin. Cuando comienza el
tiempo de infiltracin, se empieza a transitar la curva de la figura, creciendo en tiempo y
en humedad.
Como se puede ver, el tiempo de infiltracin en este algoritmo tiene un concepto
asociado al grado de humedad del suelo como parte del modelo IPH II.

Figura 4-2: Modelo de Infiltracin de Horton-Berthelot (Modelo IPH II)
El algoritmo de clculo se define por las siguientes alternativas:
Situacin I: P(t) > I(t), donde P(t) es la precipitacin resultante del algoritmo
de prdidas por evapotranspiracin e intercepcin. Esta situacin se indica en la Figura
4-3.
Como la precipitacin es mayor que la capacidad de infiltracin, la ecuacin de
Horton es aplicable. El volumen infiltrado es la integral, en el intervalo de tiempo,
[0,t] de la ecuacin de Horton, o sea:
t
h ) Ib Io ( Ib
dt
dVi
) t ( I + = = (4-22)
dt h ) Ib Io ( dt Ib dVi
t
+ = (4-23)
} } }
+ + +
+ =
t t
t
t
t t
t
t t
t
dt h ) Ib Io ( dt Ib dVi (4-24)
Esta expresin equivale a la integral entre 0 y t, suponiendo que Io = I(t):
Pg. 84
(
+ =
Lnh
1
Lnh
h
) Ib It ( t Ib Vi
t
(4-25)
) 1 h (
h Ln
Ib ) t ( I
t Ib Vi
t
+ =

(4-26)
El volumen de escurrimiento superficial es:
Vi t ) t ( P Ve = (4-27)

Figura 4-3: Modelo de infiltracin - Situacin I
Para calcular el volumen percolado en un intervalo se parte del hecho que la
humedad del suelo en un intervalo de tiempo, es igual a la humedad del suelo en el
intervalo anterior, ms la lmina infiltrada, menos la percolada, es decir:
Vp Vi ) t ( S ) 1 t ( S + = + (4-28)
De donde se desprende que:
Vi ) 1 t ( S ) t ( S Vp + + = (4-29)
El almacenamiento S(t+1) se obtiene a partir de I(t+1), que se calcula utilizando
la ecuacin de Horton.
Situacin II a: P(t) < I(t), y P(t) < I(t+1)
Considerando que todo volumen infiltra, la infiltracin se substituye por la
precipitacin en la ecuacin de continuidad. La Figura 4-4 ilustra este caso.

Figura 4-4: Modelo de infiltracin - Situacin IIa
La ecuacin 4-20 es:
( ) ( ) t T bt t S = (4-30)
Despejando la percolacin:
( )
( )

bt
t S
t T = (4-31)
Reemplazando por la percolacin en la ecuacin de continuidad:
Pg. 86
( ) ( ) ( )
( )

bt
t S
t I t T t I
dt
dS
= = (4-32)
Como en este caso I(t) = P(t), resulta:
( )
( )

bt
t S
t P
dt
dS
= (4-33)
Despejando dS, se obtiene:
( )
( )dt t P dt
bt
t S
dS = + (4-34)
Integrando esta ecuacin entre t y t+1 resulta:
( ) ( ) ( ) |
.
|
\
|
+ = +

bt
t
bt
t
e 1 bt t P e t S 1 t S (4-35)
De la ecuacin anterior se puede calcular S(t+1) con lo cual puede usarse la
ecuacin 4-29 para el clculo de la percolacin utilizada en el caso anterior:
Vi ) 1 t ( S ) t ( S Vp + + = (4-36)
Como se dispone de S(t+1) de la ecuacin 4-35, entonces se puede calcular
I(t+1) despejando de la ecuacin 4-15:
( ) ( ) t I bi ai t S + = (4-37)
( ) ( ) 1 t I bi ai 1 t S + + = + (4-38)
( )
( )

bi
ai 1 t S
1 t I
+
= + (4-39)
Este valor de I(t+1) debe ser igual al calculado con la ecuacin 4-3 para t=t+t,
o sea:
t t
h ) Ib Io ( Ib ) 1 t ( I
+
+ = + (4-40)
Finalmente, las ecuaciones para calcular Ve, Vi y Vp, son:
0 Ve = (4-41)
t Pt Vi = (4-42)
( ) ( ) Vi 1 t S t S Vp + + = (4-43)
El modelo IPH II, originalmente, fue desarrollado para realizar simulacin de
eventos. Sin embargo, para simulacin de series continuas de largo periodo, Tassi,
Bravo, Meller y Collischonn introdujeron un parmetro adicional llamado (tambin
denominado Alf) (Tassi et al., 2006).
Debido a que las variables del modelo utilizan valores medios para la capacidad
de infiltracin, podra ocurrir que durante periodos de pequea precipitacin (P < I),
puede existir escurrimiento superficial en algunos sectores de la cuenca debido a la
variabilidad de I, aunque en el promedio espacial la precipitacin es inferior a la
capacidad de infiltracin.
Para considerar este factor, fue introducido el parmetro que permite calcular
el coeficiente Cr que se presenta en la siguiente ecuacin (Bravo et al., 2006):
|
|
.
|
\
|
+
|
|
.
|
\
|
=
t
t
2
t
t
t
I
P
I
P
Cr (4-44)
Donde:
Cr es un coeficiente que representa el porcentaje de precipitacin que escurre
superficialmente
Pg. 88
es un parmetro del modelo.
La incorporacin de este coeficiente representa una leve modificacin en
relacin a la versin original del modelo.
Finalmente, el volumen de escurrimiento superficial est dado por la siguiente
ecuacin 4-45.
t Pt Cr Ve
t
= (4-45)
Situacin II b: P(t) < I(t), y P(t) > I(t+1)
En la Figura 4-5, se presenta la ltima situacin posible, que se caracteriza
porque la curva de infiltracin corta la precipitacin constante del intervalo. Esto crea
dos alternativas, que son iguales a las vistas anteriormente. Es decir, puede tomarse este
caso como la sucesin de los casos anteriores, de tal modo que el subintervalo que
precede al punto de corte corresponde a la situacin II a, mientras que el otro
corresponde a la situacin I.
Entonces, todo el problema se reduce a calcular el valor de los subintervalos y
realizar el anlisis de cada uno como se explic en los casos anteriores. De este modo se
obtendr un valor de Vi, Ve y Vp para cada subintervalo y los valores del intervalo total
resultarn de la suma de cada par:
) 2 ( ) 1 (
Vi Vi Vi + = (4-46)
) 2 ( ) 1 (
Ve Ve Ve + = (4-47)
) 2 ( ) 1 (
Vp Vp Vp + = (4-48)
En la Figura 4-5, se ve que dentro del intervalo la curva de infiltracin cruza la
de precipitacin creando las dos alternativas antes mencionadas, se denomina x al punto
que divide el intervalo en dos.

Figura 4-5: Modelo de infiltracin - Situacin IIb
El intervalo de tiempo tx, comprendido entre los puntos t y x. se obtiene de la
ecuacin 4-35, resultando (Tucci, 2005):
[ ]
) t ( S ) x ( S P bt 2
) t ( S ) x ( S bt 2
tx

= (4-49)
En el punto x, S(x) se determina con base en que I = P, por la ecuacin 4-15.
Conocidos los intervalos [0, tx] y [tx, t], el primero se debe tratar como la
situacin II a y el segundo como la situacin I.
Otra expresin para calcular el valor de tx se puede obtener partiendo de la
ecuacin 4-35, considerando que en este intervalo se pueden usar las ecuaciones que
corresponden de la situacin II a, en el cual se toma It+1=Pt. El desarrollo es el
siguiente:
( ) ( ) ( ) |
.
|
\
|
+ = +

bt
t
bt
t
e 1 bt t P e t S 1 t S (4-50)
Pg. 90
Para: t = tx, entonces: S(t+1) = S(x), entonces:
( ) ( ) ( ) |
.
|
\
|
+ =

bt
tx
bt
tx
e 1 bt t P e t S x S (4-51)
( ) ( ) ( ) ( )
bt
tx
bt
tx
e bt t P bt t P e t S x S

+ = (4-52)
( ) ( ) ( ) [ ] ( ) bt t P e bt t P t S x S
bt
tx
+ =

(4-53)
( ) ( )
( ) ( )
bt
tx
e
bt t P t S
bt t P x S

=
(4-54)
( ) ( )
( ) ( ) bt
tx
bt t P t S
bt t P x S
Ln

=
(
(4-55)
( )
( )
( )
( )
(
(
(
t P
bt
t S
t P
bt
x S
Ln
bt
tx
(4-56)
Resultando:
( )
( )
( )
( )
(
(
(
=
t P
bt
t S
t P
bt
x S
Ln bt tx (4-57)
Otra manera, finalmente, de estimar el valor de este intervalo, simple y prctica,
es partiendo de una aproximacin lineal. Se asume que entre It e It+1 la funcin se
comporta como una recta. De modo que la grfica de la Figura 4-5, se asume como la
que se muestra en la Figura 4-6.

Figura 4-6: Determinacin de tx, aproximacin lineal
De donde se puede inferir la deduccin de tx:
( ) ( ) ( ) ( ) 1 t I t I
t
1 t I t P
tx t
+
=
+

(4-58)
( ) ( ) [ ]
( ) ( ) [ ] 1 t I t P
1 t I t I
t
t tx +
+
= (4-59)
( ) ( )
( ) ( )
(
+
+
=
1 t I t I
1 t I t P
1 t tx (4-60)
En la Figura 4-7 se presenta el diagrama de flujo del algoritmo de separacin de
volmenes.
Pg. 92

Figura 4-7: Diagrama de flujo del algoritmo de separacin de volmenes

4.1.3. Algoritmo de Escurrimiento Superficial
El escurrimiento superficial se calcula con base en el mtodo de Clark, que es
una combinacin del histograma tiempo - rea (HTA) con un reservorio lineal simple
(RSL) como se muestra en la Figura 4-8. El HTA se utiliza para tener en cuenta la
traslacin de la lluvia por el desplazamiento sobre la superficie de la cuenca y el modelo
de RLS para representar los efectos de almacenamiento de las partculas de agua en el
recorrido hasta el punto de salida de la cuenca.

Figura 4-8: Mtodo de Clark (Chow et al., 1994)
Histograma tiempo-rea
Para obtener el HTA se estima el tiempo de concentracin de la cuenca (Tc) y la
posicin de las iscronas, que representan puntos con igual tiempo de traslado hasta la
seccin de control (Figura 4-9). Para cada iscrona (ti) se calcula el rea rayada (Ai), de
la mencionada figura. Las ordenadas fi del HTA son obtenidas por la ecuacin:
Pg. 94
At
Ai
fi = (4-61)

Donde:
Ai es el rea correspondiente a dos iscronas adyacentes con tiempo medio ti de
contribucin a la seccin principal de la cuenca, como muestra la Figura 4-9.
At es el rea total de la cuenca.
El histograma tiempo-rea queda representado por las ordenadas fi, para
i=1,2,...n, donde el tiempo tn es el tiempo de concentracin del escurrimiento superficial
(Figura 4-9).

Figura 4-9: Iscronas e histograma tiempo-rea (HEC, 1974)
La determinacin del HTA se puede sustituir utilizando un histograma sinttico
(HEC, 1974) sin agregar un gran error. El referido histograma se obtiene admitiendo
que el tiempo de recorrido es proporcional a la distancia del punto en estudio a la
seccin principal. El rea acumulada de contribucin se relaciona con el tiempo de
recorrido por las siguientes ecuaciones:
n
T a Ac = 5 , 0 T 0 (4-62)
( )
n
T 1 a 1 Ac = 1 T 5 , 0 (4-63)
Con ( )
n
5 , 0 a =

Donde:
Ac es el rea acumulada expresada relativamente al rea total;
T es el tiempo en unidades del tiempo de concentracin;
n es un coeficiente que vara con la forma de la cuenca, de acuerdo a la Figura
4-10.

Pg. 96

Figura 4-10: Estimacin del coeficiente n del HTA (HEC, 1974)
Como esta distribucin es simtrica, cuando t = 0,5, Ac = 0,5, y A = 0,5
1-n
. El
HTA se subdividide en m intervalos donde las ordenadas son calculadas por:
( ) ( ) 1 i Ac i Ac fi = (4-64)
Denominando ai como la parte urbanizada del rea Ai, se puede definir la
siguiente variable i = ai / Ai. La precipitacin que llega al suelo puede encontrar dos
tipos bsicos de superficies: la permeable, en la que puede ocurrir la infiltracin para el
subsuelo, y la impermeable, que es definida aqu como la superficie en la cual la
precipitacin escurre directamente hacia los conductos, generando escurrimiento
superficial.
En la Figura 4-11 se presenta el diagrama de flujo del algoritmo para el clculo
del histograma tiempo rea.

Figura 4-11:Diagrama de flujo del algoritmo para el clculo de HTA
El algoritmo de separacin de escurrimiento se utiliza para la parte permeable de
la cuenca. La altura de agua resultante de este algoritmo es Ve(t).
Pg. 98
Para determinar la expresin de clculo del hidrograma a partir del mtodo del
HTA se sigue con el siguiente razonamiento. La primera porcin de cuenca f1 har su
aporte al cabo del primer intervalo t1:
1 1 1
f P V = (4-65)
El caudal que corresponde al siguiente intervalo ser el aportado en el primer
intervalo a la segunda porcin de cuenca, ms el aportado en este segundo intervalo a la
primera porcin de cuenca (la ms cercana a la seccin de aforo):
1 2 2 1 2
f P f P V + = (4-66)
Lo mismo ocurre para los siguientes intervalos. A medida que va transcurriendo
el tiempo, va llegando el aporte de las sucesivas porciones de cuenca, que comenzaron a
escurrir intervalos antes. Cuando corta la lluvia, dejan de aportar las superficies ms
cercanas a la seccin de aforo, comenzando con la primera, luego la segunda, hasta
llegar al final de la cuenca (porcin ms alejada de la seccin de aforo). Si suponemos
por ejemplo, un HTA con tres intervalos de tiempo (tres barras), y un hietograma con
cuatro lminas de lluvia (una por intervalo), las siguientes componentes del hidrograma
se determinan por:
1 3 2 2 3 1 3
f P f P f P V + + = (4-67)
1 4 2 3 3 2 4
f P f P f P 0 V + + + = (4-68)
0 f P f P 0 0 V
2 4 3 3 5
+ + + + = (4-69)
0 0 f P 0 0 0 V
3 4 6
+ + + + + = (4-70)
Generalizando, la ecuacin que resume este sistema de ecuaciones es:
( ) ( ) ( ) 1 i - t f i P t V
t
t i
+ =

=
(4-71)
Donde:
n: nmero de ordenadas del HTA
r = 1 para t n
r = (t n + 1) para t > n
Si ahora se tiene en cuenta que hay una parte permeable y otra impermeable,
entonces se puede separar la ecuacin en dos partes:
Ve [mm]: precipitacin que resulta de haberle quitado a la lluvia cada las
prdidas por evapotranspiracin, retencin e infiltracin.
P [mm]: precipitacin que resulta de haberle quitado a la lluvia cada las
prdidas por evapotranspiracin y retencin nicamente. Es decir, es la parte de la lluvia
que cae en el rea impermeable.
Entonces:
( ) [ ] ( )

= =
+ + + =
t
r i
t
r i
1 i - t f ) i ( - 1 ) i ( P 1 i - t f ) i ( ) i ( Ve ) t ( Vs (4-72)
Si se define:
( ) ( ) 1 i - t f ) i ( 1 i t f
m
+ = + (4-73)
( ) [ ] ( ) 1 i - t f ) i ( - 1 1 i t f
p
+ = + (4-74)
Resulta:
( ) ( )

= =
+ + + =
t
r i
p
t
r i
m
1 i - t f ) i ( P 1 i - t f ) i ( Ve ) t ( Vs (4-75)
Pg. 100
Si se supone constante para todos los intervalos, es decir:
1
=
2
=
3
= .... =
i

Resulta:
( ) [ ] ( )

= =
+ + + =
t
r i
t
r i
1 i - t f - 1 ) i ( P 1 i - t f ) i ( Ve ) t ( Vs (4-76)
Esta metodologa considera que la precipitacin es uniforme sobre toda la
cuenca. Para considerar la variabilidad espacial de la precipitacin utilizando la misma
estructura del modelo original, que es de tipo concentrado, puede aplicarse un artificio
introducido por Tucci (2005). Sin embargo, este algoritmo no ha sido incorporado en la
versin del modelo empleado en esta Tesis de Maestra. Por tal motivo no es descripto
aqu.
En la Figura 4-12 se presenta el diagrama de flujo del algoritmo de
escurrimiento superficial.

Figura 4-12: Diagrama de flujo del algoritmo de escurrimiento superficial
Reservorio lineal simple
Las ecuaciones utilizadas por el modelo en la notacin utilizada en el modelo
IPH II, resultan:
Qs Vs
dt
dS
= (4-77)
KsQs S = (4-78)
Pg. 102
Donde: Ks es el tiempo medio de vaciamiento del reservorio. La ecuacin
diferencial del modelo, para un sistema lineal es:
Vs Qs
dt
dQs
Ks = + (4-79)
Resolviendo esta ecuacin diferencial ordinaria se obtiene:
) e 1 )( 1 t ( Vs e ) t ( Qs ) 1 t ( Qs
Ks / t Ks / t
+ + = + (4-80)
Este modelo se puede ampliar para aquellos casos en que existan comportamientos
diferenciados de la respuesta de la cuenca en funcin de la magnitud de los caudales. En
ese caso, Ks puede adoptar valores diferentes, como por ejemplo Ks1 y Ks2, en funcin
de la magnitud de los caudales. En tal caso las ecuaciones anteriores son utilizadas con
el valor de Ks variando con el nivel o caudal, o sea para Q > Q1, Ks = Ks2; para Q <
Q1, Ks = Ks1.
En la transicin el sistema no es lineal, y el sistema de ecuaciones 4-72, queda:
Qs Vs
dt
dKs
Qs
dt
dQs
Ks = + (4-81)
Discretizando y reorganizando los trminos resulta
1
t
) 1 t ( Ks 2
) t ( Vs ) 1 t ( Vs
) t ( Qs
2 / t ) 1 t ( Ks
2 / t ) t ( Ks
) 1 t ( Qs
+
+ +
+
+

= + (4-82)
Donde los ndices t y t+1 indican la variable en estos intervalos de tiempo.
4.1.4. Algoritmo de Escurrimiento subterrneo
La propagacin del escurrimiento subterrneo se obtiene con la misma ecuacin
4-72, reemplazando Vs por Vp. Esta formulacin representa la recesin del hidrograma;
obsrvese el primer trmino de la ecuacin que representa el vaciamiento del reservorio
subterrneo, y el segundo la entrada de percolacin. En otras palabras, para realizar la
propagacin del flujo subterrneo, se usa el concepto de reservorio lineal simple del
mismo modo que se hizo para flujo superficial, con la diferencia de que aqu, la variable
a propagar es directamente la percolacin que resulta del algoritmo de separacin de
volmenes, mientras que en el flujo superficial, primero se calcula la traslacin
mediante el HTA. Adems, se sustituye el parmetro Ks Kb, es decir, se toma la
constante de propagacin de flujo subterrneo. Por lo tanto, el caudal subterrneo se
determina mediante la frmula:
) e 1 )( 1 t ( Vp e ) t ( Qsub ) 1 t ( Qsub
kb / t kb / t
+ + = + (4-83)
El escurrimiento total resultar de la suma de Qs ms Qsub.
En la Figura 4-13 se presenta el diagrama de flujo del algoritmo del reservorio
lineal simple para la obtencin del caudal total Qt obtenido como la suma de los
caudales superficial Qs y subterrneo Qsub.

Pg. 104

Figura 4-13: Diagrama de flujo del algoritmo RLS
4.1.5. Parmetros
En las descripciones anteriores se detall de las caractersticas de la estructura
del modelo hidrolgico IPH II. Cada algoritmo que compone al modelo hidrolgico
contiene en su formulacin ciertos parmetros que controlan los procesos simulados por
ellos. A continuacin se detallan los parmetros que intervienen en cada algoritmo.
En el algoritmo de prdidas por infiltracin y evaporacin, se pueden reconocer
dos parmetros:
Rmax: mxima capacidad de almacenamiento por el reservorio de retencin
superficial [mm]. Tambin denominado Rm.
Smax: mxima capacidad de almacenamiento de humedad del suelo [mm].
El parmetro Rmax vara con las caractersticas de la cuenca hidrogrfica. Su
valor depende de la cantidad y tipo de vegetacin, depresiones en el terreno, presencia
de azudes que retienen parte de la precipitacin, y dems caractersticas que modifican
la capacidad de retensin de la cuenca. Tucci present la Tabla 4.1, realizada por
Crawford y Linsley, en la cual se presentan valores para retencin en razn de la
intercepcin vegetal (Crawford et al., 1966). Pero como estos valores fueron estimados
en funcin de la vegetacin nicamente, cuando el parmetro Rmax engloba tambin
otras prdidas, se pueden asumir valores mayores a los presentados en esta tabla.
Tabla 4.1: Valores de Rmax (Tucci, 2005)
Cobertura Rmax [mm]
Campo, prado 2.5
Floresta, monte 3.75
Monte denso 5
El parmetro Smax, en cambio, no requiere ser estimado ya que pude ser
calculado directamente mediante la ecuacin 4-15, haciendo I=Ib, o sea, cuando el suelo
alcanza el grado de saturacin, de donde resulta la ecuacin:
h Ln
Io
max S

= (4-84)
En el algoritmo de separacin de volmenes, se puede reconocer tres
parmetros:
Io: mxima capacidad de infiltracin del suelo del algoritmo de Horton [mm/t]
Ib: mnima capacidad de infiltracin del suelo del algoritmo de Horton [mm/t]
h = e
-k
, donde k es el parmetro de decaimiento de la ley de infiltracin
Estos parmetros controlan los procesos asociados a los volmenes de los
hidrogramas. Tucci present un anlisis de sensibilidad de estos parmetros a travs de
ecuaciones analticas y experimentos numricos (Tucci, 1979).
Pg. 106
Los resultados de estos anlisis fueron los siguientes:
Los parmetros Io e Ib varan de acuerdo con el valor h;
El aumento de Io, Ib y h producen reduccin del volumen de escurrimiento
superficial;
La influencia de Io disminuye a medida que lo hace el valor de h, aumentando la
influencia de Ib. Esto puede ser observado directamente de la ecuacin de
infiltracin. Cuando h es muy pequea, la influencia de Io es mayor para
humedad baja.
Un anlisis de la variabilidad de estos parmetros para un experimento numrico
muestra que por orden de sensibilidad los parmetros son: Io, h e Ib. Los dos primeros
definen la capacidad mxima de humedad del suelo, mientras que Ib define la capacidad
mxima de percolacin y, en consecuencia, del caudal de base. El valor de Ib permite
ajustar el caudal inicial del periodo de recesin del hidrograma.
Desde el punto de vista de la programacin, estos parmetros son ingresados al
modelo con unidades de mm/t. En consecuencia, su valor vara con el intervalo de
clculo asumido en la simulacin. Es decir, el desarrollo del algoritmo computacional se
efecta mediante comparaciones sucesivas entre valores de lluvia, evaporacin,
infiltracin, etc., dado en mm de lminas totales. Como esas comparaciones se realizan
en cada intervalo de tiempo, la capacidad de infiltracin en cada intervalo, vara con la
magnitud del mismo. Por ejemplo, si la capacidad de infiltracin es de 24 mm/h, y el
intervalo de clculo ingresado es de 0,5 hs, el valor de capacidad de infiltracin que
adopta la computadora es para ese intervalo, de: I [mm/t] = 0,5 hs * 24 mm/h = 12
mm. En consecuencia, si la precipitacin que ingres al algoritmo de separacin de
volmenes es de P [mm/t] = 17 mm por ejemplo, entonces resulta que I < P.
En la Tabla 4.2 se presentan algunos valores de Io e Ib, propuestos por Fitch,
Hartigan y Ywanki, quienes relacionaron los valores de estos parmetros con los tipos
de suelos definidos por el Soil Conservation Service (Fitch et al., 1976).
Tabla 4.2: Valores de Io, Ib y k (Tucci, 2005)
K [s
-1
]
Io Ib
[10
-3
]
Tipo de Suelo
mm/h mm/h I II III
A 254,0 25,40 0,055 0,289 0,134 0,660 0,310 1,640
B 203,2 12,70 0,160 0,430 0,360 0,980 0,820 2,640
C 127,0 6,35 0,140 0,420 0,400 1,010 1,010 2,590
D 76,2 2,54 0,150 0,360 0,360 0,810 0,910 2,440
En la Tabla 4.2, I se refiere a precipitaciones P dentro del rango de 0 a 12,70
mm, II corresponde al rango entre 12,70 mm a 27,94 mm y III para valores de P
mayores de 27,94 mm.
Sin embargo, es muy importante remarcar que, si bien el valor de estos
parmetros depende del intervalo de tiempo de clculo abarcado, esta dependencia no es
lineal. Por ejemplo, la tabla propone un valor de Io = 127 mm/h, para un suelo de tipo
C. Esto implica que si se elige un intervalo de clculo t = 60 min para la corrida de
simulacin, se recomienda asignarle al parmetro un valor de Io = 127 mm/t. Ahora
bien, si se adopta un intervalo de clculo de un da (1440 minutos), debido a que se
cuenta, por ejemplo, con una serie continua diaria de datos de simulacin, podra
pensarse como acertado multiplicar por 24 el valor de Io propuesto por la tabla. En ese
caso resultara Io = 24 * 127 = 3048 mm/t. Ese procedimiento de estimacin de Io
sera correcto si la variacin de Io fuese lineal con respecto al intervalo de tiempo t,
pero no lo es.
De acuerdo a Tucci la variacin de la intensidad de la precipitacin est
relacionada directamente con la capacidad de infiltracin, por lo tanto se puede utilizar
la relacin entre duracin y precipitacin para corregir la capacidad de infiltracin, de
acuerdo a la siguiente ecuacin (Tucci, 2005):
Pg. 108
b
t a ) t ( Io = (4-85)
Donde a y b son coeficientes obtenidos con base en el ajuste del modelo para
intervalos de tiempo diferentes.
El parmetro h merece un anlisis particular ya que es un parmetro que
depende conceptualmente de k. El parmetro k representa la constante de decaimiento
exponencial de la curva de infiltracin de Horton. Si se recuerda la ecuacin 4-3, la
misma tiene la forma:
t
h ) Ib Io ( Ib ) t ( I + = (4-86)
Donde h = e
-k
.
Es decir que la ecuacin 4-3 se puede escribir de la siguiente forma:
kt
e ) Ib Io ( Ib ) t ( I

+ = (4-87)
La ecuacin anterior, propuesta por Horton expresa la variacin de la capacidad
de infiltracin del suelo en el tiempo. Una manera de adimensionalizar la variable It, es
restndole el valor mnimo Ib, y dividindolo por el rango de validez de It, o sea
dividiendo por la diferencia (Io - Ib). El resultado de esta adimensionalizacin no es otra
cosa que h
t
.
En el grfico de la Figura 4-14 se presentan los valores de h
t
para distintos
valores de k, en el rango de valores de tiempo que va entre 0 y 10 unidades. La forma de
la curva de h
t
representa el descenso de la capacidad de infiltracin entre los valores de
Io e Ib, en funcin del tiempo.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 1 2 3 4 5 6 7 8 9 10
Tiempo
h
t

=

e
(
-
k
*
t
)
k=0,2 k=1,0 k=2,0
Tendencia a
suelos arenosos
Tendencia a
suelos arcillosos

Figura 4-14: Parmetro h en funcin de k.
Si se asume que el tiempo est expresado en horas, y k en horas
-1
, entonces los
valores adimensionales de h
t
son los que representan las curvas para distintos valores de
k.
El valor h tambin depende de la variacin del intervalo de tiempo abarcado, y
tampoco puede ser transferido de un intervalo a otro de manera lineal, pero s el valor de
k. Como h = e
-k
, el valor de k debe ser definido para el intervalo de clculo y calculado
el valor de h correspondiente. En la Tabla 4.2 se presentan valores de k para distintos
tipos de suelo y condiciones antecedentes de humedad, como lo establece el Soil
Conservation Service. Por ejemplo, si se elige un valor para k = 0,00020 s
-1
, se calcula
el valor de h = 0,9998. Si se tiene ahora un intervalo de tiempo de 1 hr, para las mismas
caractersticas de cuenca, el parmetro pasa a valer k = 0,72 hr
-1
(calculado como
0,0002 x 3600), este valor se transforma para h = 0,487.
Horner y Wijens presentaron curvas tpicas para algunas reas urbanas similar a
la Figura 4-14, donde destacan tres zonas: una zona inferior correspondiente a valores
Pg. 110
de baja permeabilidad que se relacionan a suelos ocupados por industrias y comercio;
una zona media correspondientes a suelos ocupados por reas residenciales y una zona
superior asociada a suelos arenosos (Horners et al., 1942). La utilizacin de estas
informaciones puede ser til en el modelo, sin embargo se debe tener en cuenta que el
mismo representa un macro proceso, donde el rea abarcada es de varios kilmetros
cuadrados y los errores involucrados, tanto en la distribucin espacial como en la
representacin de los procesos, pueden enmascarar el resultado final del parmetro.
En el algoritmo de escurrimiento superficial, intervienen los siguientes
parmetros:
AINP: rea impermeable
HTA: histograma tiempo-rea
Tc: tiempo de concentracin
Ks: constante de almacenamiento de RLS.
El parmetro AINP se estima sobre la base de informacin existente en la
cuenca hidrogrfica. Cuando la distribucin espacial de las reas impermeables dentro
de la cuenca fuera considerada, estos valores pueden ser estimados por sub-cuencas o
iscronas. Campana y Tucci desarrollaron una relacin entre densidad habitacional y
reas impermeables para las ciudades brasileas de San Pablo, Curitiba y Puerto Alegre
(Campana et al., 1994).
El HTA se determina con alguno de los mtodos descriptos anteriormente.
El tiempo de concentracin se define como el tiempo que tarda la gota ms
rezagada en llegar a la seccin de aforo de la cuenca. Es decir, es el tiempo que tarda la
gota ms alejada (en trminos temporales), que cae dentro de la cuenca, en llegar al
punto de concentracin de la misma. Este parmetro controla en buena medida los
tiempos del hidrograma generado, como por ejemplo, el tiempo al pico.
En la prctica existen tres alternativas bsicas para estimar el valor de Tc en una
cuenca (Bertoni et al., 2000):
a partir de pares de valores observados de lluvia y caudal;
mediante el uso de frmulas empricas y
utilizando el enfoque fsico basado en la ocurrencia de flujo cinemtico.
Debido a la carencia de datos hidrolgicos en Argentina son habituales las dos
ltimas alternativas. Existe un gran nmero de frmulas empricas descriptas en la
literatura. Las mismas por lo general provienen de los pases desarrollados y han sido
deducidas para condiciones de caudales mximos. Sin embargo, an cuando el Tc es
uno de los parmetros de tiempo ms frecuentemente utilizado en hidrologa, su
verdadero valor es muy difcil de establecer y nunca es perfectamente establecido en la
prctica. Agregan estos autores que hasta el 75% del error en la determinacin del
caudal por el mtodo racional puede provenir por incertidumbres en la determinacin
del Tc.
Fang, Cleveland, Garcia, Thompson y Malla presentan una revisin completa de
los parmetros que controlan los tiempos del hidrograma (Fang et al., 2005). Bertoni,
Chevallier, Bouvier y Desbordes presentan 18 mtodos de clculo del Tc de frecuente
empleo en Argentina, con sus respectivas limitaciones de aplicacin. De las mismas,
merece ser destacada la frmula de Ramser y Kerby, presentada en la ecuacin 4-88, y
la ecuacin 4-89 de Doodge (Bertoni et al., 2000).
La ecuacin de Ramser y Kerby est compuesta por dos trminos. El primer
trmino de esta ecuacin fue desarrollado por Ramser en 1927 para cauces definidos, y
el segundo trmino, por Kerby en 1959 para el escurrimiento sobre el terreno.
467 . 0
2 / 1
385 . 0 77 . 0
Sa
Lo n 2
Sc L 02 . 0 Tc
(

+ =

(4-88)

Pg. 112
Donde:
Tc: tiempo de concentracin [minutos]
L: Longitud del cauce principal en metros [m]
Sc: Pendiente media del tramo encausado [m/m]
Lo: Longitud del escurrimiento no encausado [m]
Sa: Pendiente media de la cuenca [m/m]
n: Coeficiente de rugosidad al escurrimiento en superficie de Manning
El segundo trmino de la ecuacin fue calibrado por Kerby para computar el
tiempo de concentracin en cuencas muy pequeas en las cuales dominaba
marcadamente el flujo sobre la superficie del terreno. Agregan que la distancia Lo usada
en esta ecuacin es la lnea recta que une el punto ms distante en la cuenca con la
salida de la cuenca, medida paralela a la pendiente, hasta llegar a un canal bien definido.
En la ecuacin de Ramser y Kerby, el trmino aportado por Kerby debe
entenderse como el tiempo que tarda la gota ms alejada, en trminos temporales, del
comienzo del cauce principal en las nacientes de la cuenca. O sea, que se lo puede
tomarse como la distancia que une el punto ms alejado de la seccin de aforo, con el
comienzo del cauce principal en las nacientes de la cuenca. Otros autores, prefieren
asumir a Lo como el promedio de las distancias que une cada uno de los puntos del
permetro de la cuenca, con el cauce principal.
Por ltimo, es conveniente destacar que entre los antecedentes de utilizacin del
modelo IPH II se ha preferido para el clculo del tiempo de concentracin la expresin
propuesta por Dooge en 1973, que fue calibrada para cuencas rurales con reas entre
140 y 930 km
2
.
17 , 0
C
41 , 0
S
A
. 88 , 21 Tc = (4-89)
Donde:
Tc es el tiempo de concentracin en minutos
A es el rea de la cuenca en km
2
;
Sc es la pendiente del cauce principal [m/m].
Germano, Tucci y Da Silveira realizaron una estimacin de los parmetros del
modelo IPH II para algunas cuencas urbanas brasileras, y a partir de un estudio de
regresin proponen otra expresin para el tiempo de concentracin dada por la siguiente
ecuacin (Germano et al., 1998):
272 , 0
882 , 0
IMP
L
628 , 18 Tc = (4-90)
Donde:
Tc es el tiempo de concentracin en minutos;
L es la longitud del ro principal en km;
S es el desnivel del ro principal en %;
IMP es el rea impermeable.
Por ltimo, la estimacin del parmetro de RLS denominado Ks, puede
calcularse a travs de las frmulas propuestas por Dooge en 1974 y por Germano, Tucci
y Da Silveira en 1998, que corresponden a las ecuaciones 4-91 y 4-92 respectivamente.
7 , 0
23 , 0
Sc
A
. 5 , 125 Ks = (4-91)
Donde:
Ks es la constante de RLS, en minutos.
A es el rea de la cuenca en km
2
;
Pg. 114
Sc es la pendiente del cauce principal [m/m].
549 , 0 126 , 0
063 , 1
IMP . S
L
058 , 24 Ks = (4-92)
Donde:
Ks es la constante de RLS, en minutos.
L es la longitud del ro principal en km;
S es la pendiente del cauce principal (%);
IMP es el rea impermeable.
El parmetro del algoritmo del escurrimiento subterrneo, est dado por Kb
(tambin denominado Ksub), que caracteriza el vaciamiento del modelo de reservorio
lineal simple subterrneo. En la ecuacin 4-86, se puede observar que si no hubiera
percolacin, la ecuacin se transforma en la ecuacin de recesin del hidrograma, donde
Kb es la inversa del coeficiente de decaimiento exponencial. En consecuencia, el valor
de Kb en funcin del coeficiente de decaimiento, el cual se estima a partir de datos
observados locales o de cuencas vecinas, empleando las tcnicas de determinacin del
coeficiente de recesin.
Finalmente, se debe agregar a esta enumeracin, el parmetro empleado para
realizar simulacin continua segn fue descrito anteriormente para la situacin II a, del
algoritmo de separacin de volmenes. Es decir, este parmetro participa del algoritmo
de separacin de volmenes en el caso particular en que la precipitacin es menor que la
capacidad de infiltracin durante todo el intervalo: Pt < It y Pt+1 < It+1. Debido a que
participa en los intervalos en que la precipitacin es inferior a la capacidad de
infiltracin, se manifiesta en la curva de recesin del hidrograma de salida.
Como se puede notar en la descripcin anterior, se requiere de la estimacin de
varios parmetros para el correcto funcionamiento del modelo IPH II. Sin embargo, los
autores del modelo y otros usuarios posteriores han realizado sucesivas experiencias con
el mismo, y enfatizan respecto de la necesidad de ajuste tan slo de siete de los
parmetros, destacando la factible estimacin del resto de los parmetros del modelo.
Los siete parmetros que se recomiendan ser ajustados para calibrar el modelo
hidrolgico y que sern empleados tambin en esta tesis como parmetros de ajuste,
son: Io, Ib, h, Rm, Ks, Kb y .
4.1.6. Condiciones Iniciales
Para comenzar el proceso de simulacin de un evento, o bien de una serie
continua, el modelo requiere de las caractersticas iniciales del sistema, adems de las
variables de entrada. En consecuencia, se precisa establecer el estado del sistema en el
instante inicial, para que el modelo comience a simular a partir del estado real conocido.
Las variables a ser inicializadas son:
la humedad inicial S1 [mm]
la cantidad de agua almacenada inicialmente en el reservorio de retensin R1
[mm]
el caudal inicial superficial Qs1 [m
3
/s]
el caudal inicial subterrneo Qb1 [m
3
/s]
el valor de la percolacin inicial T1 [mm/t]
Considerando que la cuenca se encuentra atravesando un periodo no lluvioso
(comnmente denominado de estiaje) en el instante de comienzo de la simulacin,
puede asumirse que el escurrimiento superficial es nulo, y el subterrneo es equivalente
al que puede observarse en la seccin de aforo en ese momento, de acuerdo a las
ecuaciones 4-93 y 4-94 respectivamente.
( ) 0 0 t Qs 1 Qs = = = (4-93)
Pg. 116
( ) Qobs 0 t Qb 1 Qb = = = (4-94)
Adems, dentro de la consideracin del estiaje, se puede admitir que todo el
caudal de agua que percola desde la capa superior del suelo hacia los acuferos
subterrneos, drena hacia las vertientes formando el flujo bsico del ro. Bajo esta
hiptesis, el flujo subterrneo y el de la capa superior del suelo estn en rgimen
permanente, de modo que la taza de percolacin es igual al caudal bsico del ro en
tiempo cero, segn se presenta en la siguiente ecuacin:
( )
Factor
Qobs
0 t T 1 T = = = (4-95)
t * 6
100 * A
Factor
=
Donde:
T es la percolacin en mm/t
Qobs es el caudal inicial en m
3
/s
Factor es un factor de equivalencia entre el caudal y la percolacin
A es el rea en km
2
.
t es el intervalo de tiempo en minutos
La humedad inicial se puede calcular a partir de la ecuacin 4-20, con el valor
de la percolacin inicial recientemente calculado de acuerdo a la siguiente ecuacin:
1 T bt 1 S = (4-96)
Finalmente R1, se debe estimar a partir de las condiciones de la cuenca en el
momento de comenzar el evento. En general, el follaje de las plantas, y los techos de las
casas estn secos al comenzar el evento, pero las depresiones naturales del terreno,
tambin consideradas en el volumen total de almacenamiento Rmax, podran estar con
agua formando pequeas lagunas por ejemplo. En caso de una cuenca sin este tipo de
depresiones, en general R1 = 0.
4.1.7. Valores Lmite de los Parmetros del Modelo IPH II
Se presentan los valores lmite de los parmetros del modelo IPH II adoptados
para esta tesis tomados de distintos trabajos realizados por Tucci y Collischonn
(Collischonn et al., 2001); (Collischonn et al., 2003):
Io = 10 a 300 mm/t
Ib = 0,1 a 10,0 mm/t
H = 0,01 a 0,99
Ksup = 0,01 a 10,00 t
Ksub = 10 a 500 t
Rmax = 0 a 9 mm
Como se puede observar el rango que vara los valores de los parmetros es de
tres rdenes de magnitud para el caso de Ksup y el resto por lo menos vara en un orden
de magnitud, es decir, hay que realizar la bsqueda del ptimo en un hiperespacio muy
amplio.
4.2. EL ALGORITMO METROPOLIS MONTE CARLO
En esta seccin se describe el algoritmo de optimizacin Metropolis - Monte-
Carlo. En 1983, Kirkpatrick, Gelatt y Vecchi introducen el concepto de Templado
Simulado (RS) o Simulated Annealing (SA en ingls) y desde entonces, esta
metaheurstica se ha convertido en una herramienta muy exitosa para resolver una
amplia gama de problemas de optimizacin combinatoria (Kirkpatrick et al., 1983). El
nombre de Templado Simulado proviene del algoritmo en que se basa, desarrollado por
Pg. 118
Metropolis, Rosenbluth y Teller en 1953. El mismo se fundamenta en el proceso fsico
del calentamiento de un slido, seguido por un enfriamiento controlado (progresivo, o
lento), hasta lograr un estado cristalino con una estructura perfecta.
4.2.1. Algoritmo de Metropolis
Optimizacin estocstica segn la distribucin de probabilidad de Boltzmann
La idea inicial es la de considerar el sistema como un sistema termodinmico
que cambia de configuracin sucesivamente, pasando de un estado de energa E1 a otro
E2 (E1 E2) con una probabilidad dada por:
( )
(

= =
kT
1 E 2 E
exp ) 2 E 1 E ( ob Pr P (4-97)
Siendo:
k una constante fsica, denominada de Boltzmann.
T la temperatura.
Si E2 es menor que E1 la probabilidad P es mayor a 1, as pues, el cambio de
configuracin del sistema es ciertamente un hecho, con probabilidad igual a 1. En la
Figura 4-15 se representa el algoritmo de Metropolis para un valor dado de temperatura
T y asignando a k el valor de 1, siendo E = E2 E1 (Bertoni, 2001).

Figura 4-15: Probabilidad de cambio de la configuracin de un sistema segn el algoritmo de
Metropolis
En ella se representa la ley de variacin de la probabilidad de transicin en
funcin del gradiente de energa que determinan los cambios sucesivos de configuracin
del sistema. Para valores de E igual o menor a cero el valor de la probabilidad de
transicin es 1; para valores mayores a cero de E, los valores de la probabilidad
disminuyen exponencialmente.
Para utilizar el algoritmo de Nicholas Metropolis en sistemas no termodinmicos
es necesario definir los siguientes elementos:
Una descripcin de todas las configuraciones posibles del sistema (por ejemplo,
una identificacin de los intervalos de valores posibles de los parmetros del
sistema).
Un generador de cambios aleatorios sucesivos en la configuracin del sistema.
Una funcin objetivo E a minimizar (anloga a la energa).
Pg. 120
Una identificacin del parmetro de control T (anloga a la temperatura) y del
grado de enfriamiento progresivo del sistema (templado simulado), es decir el
nmero de cambios de la configuracin del sistema en cada valor de T.
Aspectos estadsticos del algoritmo de Metropolis
Sea un sistema que est afectado a cambios sucesivos de su configuracin.
Siendo P(E1,k) la probabilidad en que se encuentra el sistema en la configuracin E1
correspondiente al paso k y P(E1 E2) la probabilidad de transicin, es decir, la
probabilidad para pasar de la configuracin E1 a E2. Entonces, si los cambios siguen un
proceso de cadena de Markov y resulta:
( ) [ ]
+ = +
2 E
) k , 1 E ( P ) 2 E 1 E ( P ) k , 2 E ( P ) 1 E 2 E ( P k , 1 E P ) 1 k , 1 E ( ob Pr (4-98)
El algoritmo de Metropolis considera que:
1
e
) 2 E 1 E ( P
kT
E

0 E
0 E

>
(4-99)
Con E = E2 E1
En la ecuacin (4-99) se puede observar que para valores de la temperatura T
elevados resultan condiciones de aceptacin prximas a 1, es decir, el sistema acepta la
mayora de los cambios de configuracin propuestos. Por el contrario, a medida que la
temperatura T desciende, la probabilidad de aceptacin de los cambios propuestos
disminuye. Cuando la probabilidad de transicin se considera invariante a sucesivos
cambios, se dice que el sistema es independiente del tiempo o que est en equilibrio.
Una condicin suficiente para asegurar esto es la verificacin de la condicin apelando
de balance detallado (bilan dtaill, en la literatura de lengua francesa):
) k , 2 E ( P ) 1 E 2 E ( P ) k , 1 E ( P ) 2 E 1 E ( P = (4-100)
Considerando que el sistema posee una memoria lmite, despus de un nmero
de pasos suficientemente grande se puede considerar que:
) 1 E ( P ) k , 1 E ( P = (4-101)
Teniendo en cuenta (4-101) y reemplazando (4-100) en (4-99) resulta:
kT
E
kT
1 E
kT
2 E
e
e
e
) 1 E ( P
) 2 E ( P
) 1 E 2 E ( P
) 2 E 1 E ( P

= = =
(4-102)
Luego si 1 E 2 E >
kT
E
kT
2 E
e
1
e
) 1 E 2 E ( P
) 2 E 1 E ( P

= =
(4-103)
y si 1 E 2 E
kT
E
kT
1 E
e
e
1
) 1 E 2 E ( P
) 2 E 1 E ( P

= =
(4-104)
Mtodo de Metropolis Monte Carlo
El mtodo de Metropolis Monte Carlo combina el algoritmo de Metropolis con
un generador de nmeros aleatorios. El mtodo es del tipo aceptacin y rechazo. Este
tipo de mtodo se utiliza para generar nmeros aleatorios segn una distribucin de
probabilidades sobre un intervalo. Este mtodo constituye un caso particular de las
tcnicas de simulacin de Monte Carlo por Cadenas de Markov (MCMC) (Bertoni,
2003).
La cadena de Markov es un mtodo que en su operacin genera una secuencia
de puntos aleatorios. Por ejemplo, una secuencia de puntos aleatorios con la propiedad
que, dada la informacin de un punto p en la secuencia, el comportamiento de los
Pg. 122
puntos subsecuentes a p es independiente de la informacin de los puntos anteriores. La
cadena de Markov es conocida por su simplicidad y adems es capaz de describir
comportamientos muy complejos. Es de inters que la cadena de Markov converja de
una distribucin a una distribucin de probabilidades arbitraria en el espacio que se est
considerando.
El criterio de aceptacin de Metropolis Monte Carlo es el siguiente, determinado
E, se analiza el mismo:
Si 0 E se acepta el nuevo juego de parmetros t y se adopta 2 = t.
Si 0 E > se realiza el siguiente proceso de aceptacin o rechazo:
Se genera un nmero aleatorio con distribucin uniforme, [ ] 1 , 0 U ~ r , luego:
o Si 1
) 1 ( P
) t ( P
r <
< , se adopta 2 = t.
o Si r
) 1 ( P
) t ( P
<
, se rechaza t y se adopta 2 = 1.
En la Figura 4-15 se representa el punto r y la variacin de probabilidad de
transicin.
En la Figura 4-16 se presenta el diagrama de flujo del algoritmo de Metropolis
Monte Carlo.

Figura 4-16: Diagrama de flujo del algoritmo de Metropolis Monte Carlo
Pg. 124
Decisiones genricas y decisiones especficas para cada problema a tener en cuenta
en la implementacin del algoritmo de Metropolis Monte Carlo
No existen reglas concluyentes a la hora de implementar el algoritmo de
Metropolis Monte Carlo, pero se pueden agrupar algunas tendencias para tomar
decisiones genricas y especficas para cada problema.
Decisiones genricas: stas estn bsicamente relacionadas con los parmetros
que regulan el programa de enfriamiento, incluyendo los valores mximos y mnimos de
variacin de la temperatura, la velocidad de enfriamiento y las condiciones de parada
del proceso. Resultados tericos realizados por Van Laarhowen y Aarts en 1988 y Aarts
y Korst en 1989 basados en la teora de las cadenas de Markov han demostrado que con
un programa de enfriamiento infinitamente lento, el algoritmo de templado converge al
ptimo global con una probabilidad igual a la unidad, mientras la temperatura converge
a cero (Dowsland et al., 2003). El problema es que no se puede garantizar esa
convergencia en programas de enfriamientos finitos. En ese sentido los autores antes
mencionados, han demostrado que para alcanzar una solucin que se encuentre en una
distancia arbitrariamente prxima a la ptima, son necesarios tiempos de computacin
de tipo exponencial. Hajek en 1988 ha demostrado que la utilizacin de un programa de
enfriamiento como el siguiente, garantiza una convergencia asinttica al ptimo
(Dowsland et al., 2003):
) k 1 ln(
t
k
+
= (4-105)
Siendo:
t
k
la temperatura en el paso k.
k el nmero de iteraciones.
la mxima profundidad Figura 4-17 necesaria para escapar de cualquier
ptimo local.

Figura 4-17: Profundidad mxima G segn Hajek
Como por lo general el valor de se desconoce, lo expresado anteriormente
permite tener una idea de la manera que se relaciona el programa de enfriamiento con
las caractersticas del espacio de soluciones segn la funcin de costo y la estructura de
entornos escogida, a pesar de no tener uso prctico.
Otro aspecto a tener en cuenta, es que la solucin final debe ser independiente de
la solucin inicial de la que se parte, es por ello, que la temperatura inicial debera ser
independiente de la solucin inicial y lo suficientemente alta de manera tal que acepte
casi libremente las soluciones del entorno, esto le concede robustez al procedimiento de
bsqueda.
Estimar el valor de la temperatura inicial t
0
, no es siempre es una tarea sencilla;
una alternativa para atender esta dificultad, es fijar de antemano la relacin entre
movimientos aceptados y rechazados, elevar la temperatura de inicio hasta alcanzar esta
razn.
Otra alternativa, es fijar la probabilidad de aceptacin de soluciones peores a la
inicial.
Y por ltimo, otra alternativa, la ms habitual, es escoger t
0
de manera tal que la
probabilidad de aceptacin sea muy alta:
Pg. 126
1 e p
0
t
E
=
(4-106)
Todas estas alternativas requieren realizar pruebas empricas antes de realizar el
templado simulado mismo, es decir, como paso previo a la ejecucin del algoritmo, se
realizan una serie de iteraciones de prueba para determinar la t
0
correspondiente segn
las tres alternativas antes descriptas.
La velocidad de enfriamiento es otro factor a tener en cuenta para que esta
estrategia se implemente exitosamente. Al respecto, se deben ajustar dos parmetros del
programa de enfriamiento: el nmero de repeticiones a la temperatura t
k
en la iteracin k
que est relacionado a la longitud de la cadena de Markov l
k
y la velocidad o grado de
enfriamiento .
El mecanismo del bucle interno del algoritmo de templado simulado se asimila a
una cadena de Markov, cuyo parmetro de control es la temperatura fijada en el bucle
externo.
En una implementacin real del algoritmo, el nmero de experimentos
(repeticiones) realizados en cada temperatura es necesariamente finito y como la
disminucin de la temperatura evoluciona de manera discreta, entonces, dicha
implementacin puede tratarse como una secuencia de cadenas de Markov homogneas
de longitud finita.
Determinando la longitud de las cadenas de Markov se determinar el nmero
de repeticiones a realizar por el algoritmo en cada temperatura t
k
. Se considera que el
algoritmo cumple la condicin de equilibrio para cada temperatura dada cuando la
longitud de la cadena Markov alcance la longitud establecida para esa temperatura.
Existen diversas propuestas para establecer la condicin de equilibrio, la ms
sencilla es que la longitud de la k-sima cadena de Markov l
k
dependa polinmicamente
del tamao del problema. Otra forma, es definir un nmero mnimo de configuraciones
analizadas para cada temperatura, teniendo la precaucin de acotar superiormente la
longitud de la cadena. Cuando la temperatura desciende disminuye la probabilidad de
aceptacin de configuraciones que no mejoren la actual, por lo tanto, la longitud de las
cadenas puede tender a infinito cuando la temperatura se acerque a cero, para evitar esto
se debe definir una longitud mxima de las cadenas.
El grado de enfriamiento regula la evolucin de la temperatura en cada
iteracin. En la definicin de se debe lidiar con una situacin de compromiso entre
una disminucin demasiado rpida que produzca una convergencia prematura del
algoritmo y una evolucin excesivamente lenta que prolongue demasiado el tiempo de
clculo.
Existen diferentes esquemas de enfriamiento, entre ellos se han propuesto del
tipo geomtrico (T
k
= T
k-1
), o del tipo potencial (T
k
=
T
0
). En los mismos los
valores de est comprendido en el intervalo de 0,10 a 1,00. Algunos autores proponen
valores entre 0,80 a 0,99, aunque lo ms habitual es que oscile entre 0,50 a 0,99.
La evidencia emprica y los resultados tericos sugieren que los detalles
concretos del programa de enfriamiento no son tan importantes como la velocidad a la
que se reduce la temperatura y que esquemas de enfriamientos del tipo geomtricos
como del tipo potencial arrojan resultados similares cuando el enfriamiento se produce
en el mismo rango de temperaturas y para un nmero total de iteraciones similares.
El ltimo factor a tener en cuenta es el criterio de parada. Existen diferentes
criterios en base a ellos el algoritmo detendr su evolucin, el ms sencillo es predefinir
un nmero de iteraciones a completar antes de la detencin. Otro es definir la
temperatura de congelacin o temperatura final t
f
.
Decisiones especficas para cada problema: stas se refieren a la definicin del
espacio de soluciones, a la estructura de los entornos y a la funcin de costo o funcin
objetivo, como a la eleccin de la solucin inicial.
Pg. 128
4.3. DESARROLLO DE HERRAMIENTAS
COMPUTACIONALES
Para la realizacin de esta tesis se desarrollaron herramientas computacionales
propias, necesarias a los fines de llevar a cabo la totalidad de las simulaciones y
calibraciones automticas requeridas.
Los programas computacionales fueron desarrollados en el lenguaje de
programacin FORTRAN 9X. En un principio se utiliz el compilador Salford Plato
Version 3.15 - CopyrightSaldford Software Ltd 2008 en su versin FREE
(FORTRAN95) (Marshall et al., 1997). Debido a que esta versin FREE del compilador
present algunos inconvenientes debido a sus limitaciones, se utiliz el compilador
Compaq Visual Fortran 6.6.0 - Copyright Compaq Computer Corporation.
Estas herramientas computacionales fueron programadas siguiendo un esquema
modular, con la finalidad de permitir su reutilizacin en diferentes versiones. Por
ejemplo el mdulo iph2.f90 es llamado por el mdulo principal de la optimizacin por
Metropolis Monte Carlo, main.f90, mientras que iph2.f90 a su vez utiliza las funciones
perdidas.f90, separacion.f90 y propagacion.f90. Como fue necesario ejecutar el modelo
IPH II sin realizar ninguna optimizacin, se utilizaron las tres funciones antes
mencionadas y slo se modific parte del mdulo iph2.f90.
Para la optimizacin de Metropolis Monte Carlo se utilizaron los siguientes
mdulos y funciones:
main.f90 (mdulo): mdulo principal que utiliza el mdulo del modelo
hidrolgico IPH II y las funciones fn_objetivo, fn_tk y fn_rand. Este mdulo se
encarga de cargar los datos y solicitar los parmetros, contiene las lneas del
criterio de Metropolis y de los dos bucles de Monte Carlo y tambin est
configurada la salida de los resultados de la optimizacin.
iph2.f90 (mdulo): en este mdulo se reescribieron las sentencias del cdigo de
fuente de la versin original del modelo IPH II (Tucci et al., 1981) y como se
mencion anteriormente utiliza las funciones perdidas.f90, separacion.f90 y
propagacion.f90. En el tem 1.1 se plantearon los cuatros algoritmos del modelo:
en primer lugar el de prdidas por evaporacin e intercepcin, aqu resuelto con
la funcin perdidas.f90; luego el algoritmo de separacin de volmenes, resuelto
con la funcin separacin.f90; el algoritmo de propagacin del escurrimiento
superficial, se resolvi en parte con la funcin propagacion.f90 y de propagacin
total (superficial ms subterrnea), se programaron por una cuestin de
operatividad en el mdulo principal main.f90.
perdidas.f90 (funcin): slo se program la rama de intercepcin ya que el
modelo slo se utiliz para eventos en cuencas pequeas.
separacion.f90 (funcin): se program la separacin de volmenes en esta
funcin.
propagacion.f90 (funcin): en esta funcin est programado el algoritmo de
propagacin superficial. Esta funcin utiliza un archivo de texto hta.txt que
contiene el resultado del programa hta.f90 que calcula el histograma de tiempo
rea segn el mtodo de Clark, que por conveniencia se lo calcula en forma
separada a la optimizacin y se lo asume como un dato.
fn_objetivo (funcin): en sus lneas est programada la funcin objetivo que
para este trabajo se trata de la MSE (presentado en Estado del arte en mtodos
de optimizacin tem 3.3.2 )
fn_tk (funcin): aqu se program el proceso de enfriamiento del tipo potencial,
segn lo expresado en el item anterior.
fn_rand (funcin): se tom el algoritmo para generar nmeros aleatorios de
Numerical Recipes in Fortram 90 (Numerical Recipes, 1996).
Los cdigos de fuente se presentan en el ANEXO I.
Adems de los mdulos y funciones el programa utiliza archivos de textos para
leer los datos necesarios, ellos son:
data.txt: contiene los datos referidos a la cuenca, rea total y porcentaje de rea
impermeable, los valores propuestos inicialmente de los parmetros del modelo
(I0, Ib, H, Ksup, Ksub y Rmax), los valores mximos y mnimos de los mismos
y datos como el valor inicial de la percolacin T, de QSup, de QSub, de
reservorio R y el paso de tiempo (delta t).
prec#.txt: contiene la precipitacin observada que genera el hidrograma
contenido en el archivo qtn.txt, n se refiere al nmero del caso.
Pg. 130
qt#.txt: contiene el hidrograma observado, n se refiere al nmero del caso.
hta.txt: como se mencion con anterioridad se utiliza en el algoritmo de
propagacin.
Las salidas del programa se guardan en archivos de texto .txt.
En la Figura 4-18 se presenta el diagrama de flujo que muestra la interrelacin
de las rutinas y archivos de datos.

Figura 4-18: Diagrama de flujo de interrelacin entre rutinas y archivos de datos
Ejemplos de los archivos de textos de las entrada de datos y de la salida de
resultados se presentan en el ANEXO II.
Una de las principales ventajas de las tcnicas de calibracin automtica es el
reducido tiempo invertido en la optimizacin del modelo matemtico frente a la
calibracin manual. Por esta razn, en las salidas para cada optimizacin fueron
calculados los tiempos de ejecucin del programa.
Todos los programas computacionales enumerados anteriormente, fueron
ejecutados en una Computadora Personal (PC) Intel Pentium IV, con un
microprocesador con una velocidad de reloj de 2.26 GHz, y memoria RAM DDR 333
de 1,48 Gb, compuesta por un mdulo de 512 Mb y otro de 1024 Mb en paralelo. Cabe
aclarar que todos los tiempos presentados en las corridas de esta tesis estn asociados a
la PC con las caractersticas previamente descriptas.

Pg. 132

CAPTULO V
5. APLICACIN
En este captulo se enumeran de manera sinttica las pruebas que se realizaron
para poner a prueba la capacidad del algoritmo de calibracin automtica Metropolis
Monte Carlo de proveer de un juego de valores para los parmetros que ajuste
adecuadamente a varios eventos. Como parte de esta descripcin se indican, a su vez,
diversos aspectos que deben ser tenidos en cuenta en el momento de la implementacin
del algoritmo de calibracin automtica. Tambin se describen los datos necesarios del
modelo y del algoritmo Metropolis Monte Carlo. Por ltimo se explica como se
generaron las series sintticas utilizadas y se describe la cuenca hidrolgica de
aplicacin.
5.1. CALIBRACIN AUTOMTICA DEL MODELO IPH II
A pesar de parecer simple, la calibracin de un modelo conceptual lluvia caudal,
con la intencin de lograr un juego de parmetros nico y consistente, es una tarea
tediosa, que se hace complicada por un complejo conjunto de problemas. La mayor
parte de los trabajos publicados respecto de las metodologas de calibracin automtica
de modelos hidrolgicos (Ibbit, 1970); (Johnston et al., 1976); (Sorooshian et al., 1982);
(Sorooshian et al., 1983); (Duan et al., 1992) indican que es tpicamente dificultoso,
cuando no imposible, obtener un juego ptimo de parmetros para el modelo
hidrolgico empleando estos mtodos automticos de calibracin.
Una buena parte de los problemas que dificultan la bsqueda del ptimo por
parte de los mtodo de optimizacin, estn relacionados con la estructura del modelo,
que puede introducir en el espacio de los parmetros alta dimensionalidad, no linealidad
y no convexidad (Sorooshian et al., 1982), .
El resto de los problemas son introducidos por los errores asociados a los datos
de calibracin y errores debido a las imperfecciones del modelo. El efecto combinado
de estos problemas, influencia fuertemente la forma de la superficie de respuesta donde
la bsqueda del mejor juego de valores para los parmetros tiene lugar.
El principal desafo en el anlisis de los resultados consiste en diferenciar el
origen de los errores asociados al proceso de calibracin. Es decir, no resulta sencillo
identificar en qu medida la deficiencia del ajuste de los parmetros, se asocia a la
compleja o inadecuada estructura del modelo, a los errores en los datos de entrada y
salida, o a la incapacidad del algoritmo de bsqueda de encontrar el ptimo global.
Con el propsito de eliminar las incertidumbres asociadas a los errores
inherentes en los datos de calibracin, a continuacin se pone a prueba la capacidad del
algoritmo de calibracin automtica Metropolis Monte Carlo para encontrar el juego de
valores de los parmetros para ajustar una serie sinttica de caudales.
Se realiza el siguiente experimento numrico: primero se propone
arbitrariamente un juego de valores para los parmetros para una cuenca ficticia, y se
genera una serie de caudales con el modelo hidrolgico a calibrar correspondiente a
distintos eventos. Luego, se lleva a cabo la calibracin automtica del modelo
hidrolgico con el mtodo de optimizacin, tomando como serie de caudales
observados, aquella recientemente generada. Si el mtodo de optimizacin funciona
correctamente, debera encontrar exactamente el mismo juego de valores que fueron
empleados para generar la serie sinttica de caudales.
Una vez evaluados los resultados con las series de caudal sintticas, se realiza un
conjunto de pruebas de calibracin automtica con el algoritmo Metropolis Monte Carlo
Pg. 134
del modelo IPH II, a partir de un conjunto de eventos de la cuenca del Ro San Antonio,
Crdoba, procesados por Ganancias y Fontana (2004).
Finalmente, se analiza la capacidad del algoritmo de calibracin automtica de
proveer de un juego de valores para los parmetros que ajuste adecuadamente a varios
eventos.
Todos los resultados anteriores son comparados entre s, y se extraen
conclusiones al respecto de la eficacia del mtodo, como as tambin de la ventaja de
calibrar varios eventos en simultneo o por separado.
La secuencia de pruebas que se realizan en este captulo son las siguientes:
Estudio de la capacidad de bsqueda del algoritmo Metropolis Monte Carlo a
partir de hidrogramas obtenidos por el propio modelo utilizando eventos
sintticos de lluvia corta, sin evaporacin.
Estudio de la capacidad de bsqueda del algoritmo Metropolis Monte Carlo a
partir de hidrogramas obtenidos por el propio modelo utilizando eventos
sintticos de lluvia corta, sin evaporacin y calibrados en simultaneo.
Estudio de la capacidad de bsqueda del algoritmo Metropolis Monte Carlo,
a partir de eventos sobre el ro San Antonio. Se trata de varias lluvias cortas,
tipo evento lluvia-caudal (evento P-Q), sin considerar evaporacin.
Estudio de la capacidad de bsqueda del algoritmo Metropolis Monte Carlo,
a partir de eventos sobre el ro San Antonio y calibrados en simultaneo.
5.1.1. Datos de entrada requeridos por el modelo hidrolgico IPH II
El modelo IPH II, para realizar una simulacin hidrolgica, requiere de los
siguientes datos de entrada:
NDAT: Nmero de datos correspondientes a la precipitacin y al caudal
observado, para ambos NDAT debe ser igual. Puede ser ingresado por
pantalla.
Dtn: Intervalo de tiempo, en minutos. Es ingresado usando el archivo de
texto data.txt.
Hta: Ordenadas del histograma tiempo rea. El modelo slo las lee cuando
xn 0. Es ingresado usando el archivo de texto hta.txt y generado
ejecutando la rutina hta.f90, esta rutina necesita el valor del coeficiente del
histograma tiempo rea xn.
ntc: Nmero de intervalos de tiempo correspondientes al tiempo de
concentracin y, por lo tanto, tambin es el nmero de ordenadas del HTA,
en el caso de leerlas (lo cual sucede cuando xn 0). Puede ser ingresado por
pantalla.
P: Precipitacin en cada intervalo de tiempo, en mm. Es ingresado usando el
archivo de texto prec#.txt. Tambin se guarda en la variable auxiliar Pent.
Io: Valor inicial del parmetro de mxima capacidad de infiltracin de
Horton, en mm/t. Es ingresado usando el archivo de texto data.txt.
Ib: Valor inicial del parmetro de mnima capacidad de infiltracin de
Horton, en mm/t. Es ingresado usando el archivo de texto data.txt.
H: Valor inicial del parmetro de decaimiento de la ley de infiltracin. Es
ingresado usando el archivo de texto data.txt.
Ksup: Valor inicial del parmetro de decaimiento del flujo superficial, en
nmero de t. Es ingresado usando el archivo de texto data.txt.
Ksub: Valor inicial del parmetro de decaimiento del flujo subterrneo, en
nmero de t. Es ingresado usando el archivo de texto data.txt.
Rmax: Valor inicial del parmetro de capacidad mxima de almacenamiento
del suelo, en mm. Es ingresado usando el archivo de texto data.txt.
Qsubi: Caudal subterrneo inicial, en m
3
/s. Es el caudal de base en el ro. Es
ingresado usando el archivo de texto data.txt. Tambin se guarda en la
variable auxiliar Qsubient.
Qsupi: Caudal superficial inicial, en m
3
/s. Generalmente igual a cero antes
de la lluvia. Es ingresado usando el archivo de texto data.txt. Tambin se
guarda en la variable auxiliar Qsupient.
R: Altura de agua inicial del reservorio R, en mm. Es ingresado usando el
archivo de texto data.txt. Tambin se guarda en la variable auxiliar Rent.
T: La percolacin inicial, en mm. Es ingresado usando el archivo de texto
data.txt. Tambin se guarda en la variable auxiliar Tent.
Pg. 136
Area: rea de la cuenca, en km
2
. Es ingresado usando el archivo de texto
data.txt.
Aimp: porcentaje de reas impermeables de la cuenca, en x/1. Es ingresado
usando el archivo de texto data.txt.
5.1.2. Datos de entrada requeridos por el algoritmo Metropolis Monte Carlo
NEVE: Nmero de eventos. El programa desarrollado permite que sea
ingresado por pantalla.
NITE: Nmero de iteraciones para cada valor de temperatura de
enfriamiento TK, es la longitud de la cadena de Markov. Puede ser ingresado
por pantalla.
NPAS: Nmero de pasos, es decir, la cantidad de veces que la temperatura
de enfriamiento TK cambia. Puede ser ingresado por pantalla.
TK0: Valor de la temperatura superior, es decir, la temperatura inicial del
proceso de enfriamiento. Puede ser ingresado por pantalla.
CL: Parmetro de control de la longitud de la cadena de Markov. Puede ser
ingresado por pantalla.
CT: Parmetro de control del proceso de enfriamiento. Puede ser ingresado
por pantalla.
Max: Es un arreglo que contiene los lmites mximos de los seis parmetros
Io, Ib, H, Ksup, Ksub y Rmax. Es ingresado usando el archivo de texto
data.txt.
Min: Es un arreglo que contiene los lmites mnimos de los seis parmetros
Io, Ib, H, Ksup, Ksub y Rmax. Es ingresado usando el archivo de texto
data.txt.
VALO: Caudal observado en cada intervalo de tiempo, en mm. Es ingresado
usando el archivo de texto qt#.txt.
5.2. OBTENCIN DE SERIES SINTTICAS DE CAUDALES
Como se mencion en el punto anterior se propone estudiar la capacidad de
bsqueda del algoritmo Metropolis Monte Carlo a partir de series sintticas de caudales
correspondientes a un evento de lluvia corta o a varios eventos de diferentes lluvias
cortas en una cuenca ficticia.
Se aplic el siguiente mtodo:
Ejecutando el modelo IPH II, se generaron 11 series de caudales
correspondientes a distintos eventos de lluvia corta, manteniendo las
caractersticas de la cuenca constantes y con un mismo juego de 6
parmetros del modelo elegido dentro de los rangos factibles para cada uno
de ellos. Las salidas se guardaron como archivos de texto con la
nomenclatura qt#.txt, siendo # el nmero correspondiente al evento en
cuestin. En principio se espera que el algoritmo de calibracin encuentre el
mismo juego de parmetros o tienda definitivamente a estos.
Se ejecut el algoritmo de calibracin para cada uno de de los eventos. Los
valores de lluvias se cargaron en los archivos de texto con la nomenclatura
prec#.txt, siendo # el nmero correspondiente al evento.
Se ejecut el algoritmo de calibracin para encontrar un juego de parmetros
que represente los 11 eventos al mismo tiempo.
Los valores de los parmetros del modelo IPH II para generar las series
sintticas de caudales fueron los siguientes:
Io = 25 mm/t
Ib = 4 mm/t
H = 0,85
Ksup = 2 t
Ksub = 30 t
Rmax = 2,5 mm
Las caractersticas de la cuenca adoptada para la generacin sinttica fueron las
siguientes:
rea = 13 Km
2

Pg. 138
% de rea impermeable = 0,25
Percolacin inicial T = 0,2 mm
Caudal superficial inicial Qsupi = 0 m
3
/s
Caudal subterrneo inicial Qsubi = 0,2 m
3
/s
Altura inicial del reservorio R = 0 mm
Delta de tiempo = 60 min
A continuacin se presenta la Tabla 5.1 con los valores de lluvia de cada evento.
Tabla 5.1: Lluvias cortas sintticas empleadas para calibracin y verificacin del modelo
t prec0 prec1 prec2 prec3 prec4 prec5 prec6 prec7 prec8 prec9 prec10
1 2 2 2 22 12 5 0 0 2 2 23
2 12 22 22 42 15 9 90 0 2 4 4
3 50 80 60 10 12 12 15 15 2 9 11
4 0 5 10 5 10 10 0 40 2 2 25
5 0 0 1 1 2 2 0 8 2 2 8
6 0 0 0 0 1 10 0 1 2 6 6
7 0 0 0 0 1 2 0 0 2 15 4
8 0 0 0 0 0 0 0 0 2 3 3
9 0 0 0 0 0 0 0 0 2 2 2
10 0 0 0 0 0 0 0 0 2 1 1
11 0 0 0 0 0 0 0 0 2 1 1
12 0 0 0 0 0 0 0 0 0 0 0
13 0 0 0 0 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0
16 0 0 0 0 0 0 0 0 0 0 0
17 0 0 0 0 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0
20 0 0 0 0 0 0 0 0 0 0 0
t = 60 [min] prec # en [mm]
En la Tabla 5.2 se presenta las series sintticas de caudales obtenidas utilizando
el modelo IPH II.
Tabla 5.2: Caudales sintticos empleados para calibracin y verificacin del modelo
t qt0 qt1 qt2 qt3 qt4 qt5 qt6 qt7 qt8 qt9 qt10
1 0,1999 0,1999 0,1999 3,6855 1,8980 0,6468 0,1999 0,1999 0,1999 0,1999 3,8642
2 2,2553 4,0427 4,0427 20,5669 5,6234 2,5301 45,9726 0,1997 0,4678 0,8253 6,8327
3 23,4067 48,2677 34,0591 29,1869 8,3702 5,3886 76,4624 2,4336 0,9898 2,8184 6,9794
4 34,2455 72,2246 50,2918 20,6538 9,1953 7,3378 49,2639 16,6520 1,4013 3,7791 10,8603
5 20,9959 44,9694 32,7466 13,9279 7,9623 6,7778 30,1351 24,5386 1,6584 3,1326 12,7524
6 12,9871 27,5871 20,3708 9,0026 5,6510 6,4754 18,5630 16,7326 1,8232 3,4705 10,5854
7 8,1552 17,0787 12,7257 5,8763 4,1046 6,3321 11,5723 10,6125 1,9330 6,0209 8,6184
8 5,2485 10,7372 8,1248 4,0163 3,0197 4,5008 7,3585 6,7555 2,0108 7,0754 6,9478
9 3,5079 6,9209 5,3680 2,9218 2,2119 3,0631 4,8271 4,4464 2,0701 5,4372 5,6317
10 2,4729 4,6342 3,7273 2,2893 1,7478 2,2173 3,3144 3,0742 2,1191 4,1174 4,5273
11 1,8645 3,2732 2,7613 1,9347 1,4905 1,7288 2,4180 2,2683 2,1629 3,1667 3,7257
12 1,5133 2,4718 2,2025 1,7466 1,3568 1,4552 1,8939 1,8040 1,8469 2,4377 3,1043
13 1,3169 2,0080 1,8887 1,6574 1,2963 1,3104 1,5940 1,5451 1,3103 1,8408 2,5886
14 1,2130 1,7473 1,7216 1,6263 1,2788 1,2420 1,4288 1,4091 0,9944 1,5000 2,3118
15 1,1640 1,6081 1,6416 1,6285 1,2857 1,2186 1,3438 1,3461 0,8117 1,3130 2,1771
16 1,1471 1,5410 1,6126 1,6493 1,3060 1,2209 1,3063 1,3258 0,7090 1,2177 2,1261
17 1,1487 1,5163 1,6131 1,6795 1,3331 1,2376 1,2963 1,3299 0,6542 1,1768 2,1234
18 1,1603 1,5158 1,6298 1,7140 1,3630 1,2616 1,3019 1,3475 0,6279 1,1674 2,1477
19 1,1770 1,5287 1,6548 1,7495 1,3934 1,2889 1,3158 1,3718 0,6183 1,1759 2,1861
20 1,1958 1,5484 1,6835 1,7842 1,4228 1,3169 1,3337 1,3991 0,6182 1,1940 2,2309
t = 60 [min] qt # en [m
3
/s]
Como se puede observar en las dos tablas anteriores los 11 eventos son de 20
intervalos de tiempo t, es decir, corresponden a 20 hs. ya que cada intervalo de tiempo
es de 60 minutos. En el caso de la lluvia se extiende la cantidad de periodos de tiempo
hasta igualar al nmero de periodos necesarios para representar el descenso del
hidrograma. En el tem 4.1.1 del presente captulo se mencion el dato denominado
NDAT definido como el nmero de datos de la precipitacin y de caudales. En este caso
el mismo es igual al nmero de intervalos de tiempo, es decir, igual a 20 equivalentes a
20 [hs].
En la Figura 5-1 se presentan los hidrogramas resultantes de los 11 eventos
presentados en la Tabla 5.1, propuestos as para obtener hidrogramas con diferentes
magnitudes de caudales pico, volumen y duracin de la respuesta, de modo que han
permitido ensayar el comportamiento del modelo en un amplio espectro de situaciones.
Pg. 140
qto
qt1
qt2
qt3
qt4
qt5
qt6
qt7
qt8
qt9
qt10
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Intervalos de tiempo: t = 60 [min]
C
a
u
d
a
l

[
m
3
/
s
]
qto qt1 qt2 qt3 qt4 qt5 qt6 qt7 qt8 qt9 qt10

Figura 5-1: Hidrogramas correspondientes a los caudales sintticos del la Tabla 5.2
5.3. DESCRIPCIN DE LA CUENCA HIDROLGICA DE
APLICACIN
Conforme citado previamente, se utilizaron los datos de la cuenca del ro San
Antonio, ubicada en la provincia de Crdoba, Argentina, para llevar a cabo la aplicacin
de la metodologa descripta. Entre los motivos de seleccin de esta cuenca se destacan:
a) cuenta con un monitoreo sistemtico desde el ao 1985 por parte del Centro de
Investigaciones Hdricas de la Regin Semirida (CIHRSA), correspondiente al
Instituto Nacional del Agua (INA); b) es representativa de una vasta zona serrana de la
Pcia. de Crdoba; c) sobre la misma han sido desarrollados trabajos de Tesis de la UNC
referidos a modelacin matemtica empleando el modelo IPH II, que han incluido
calibraciones manual y automtica, por lo que permitir realizar a futuro las
comparaciones del caso en relacin a la evaluacin de la capacidad del mtodo de
Metropolis Monte Carlo versus otras metodologas alternativas. De todos modos, cabe
consignar tambin que esta cuenca presenta algunas caractersticas que merecern un
anlisis pormenorizado en el futuro, como ser: a) si bien los sectores medio y alto de la
cuenca se encuentran bien monitoreados desde el punto de vista hidrometeorolgico, la
cuenca baja adolece de falta de informacin de lluvias. Como es lgico, esta deficiencia
se evidencia cuando la tormenta se concentra en el sector inferior de la cuenca, tal como
ha ocurrido en varias situaciones provocando, inclusive, fallas en el sistema de
pronstico de crecidas a tiempo real implementado por el CIHRSA; b) la curva de
transformacin altura-caudal correspondiente a la seccin de salida de la cuenca debe
ser revisada dado que est sujeta a algunas incertidumbres derivadas de deficiencias en
la pared del vertedero de la seccin de aforos.
5.3.1. Descripcin de la cuenca del Ro San Antonio
La cuenca del Ro San Antonio (Figura 5-2) se ubica a unos 30 km al Oeste de la
ciudad de Crdoba, sobre la ladera Oriental de las Sierras Grandes, componentes del
sistema de las Sierras Pampeanas de la Provincia de Crdoba, Argentina.
Geogrficamente, est posicionada entre los 64 30 y 64 52 de longitud oeste y entre
los 31 24 y 31 36 de latitud sur, a una altitud promedio de 1500 m.s.n.m.

Figura 5-2: Ubicacin de la Cuenca del Ro San Antonio (CIRSA,2003)
Pg. 142
La cuenca cuenta con un rea de aporte de 328 Km, en la seccin de aforo de la
estacin 700, que se encuentra en la confluencia de los ros Icho Cruz y El Cajn, como
lo muestra la Figura 5-3.

Figura 5-3: Perfil de la Cuenca y tributarios del Ro San Antonio (CIRSA, 2003)
En la estacin 600, el rea de aporte asciende a 492 Km, y finalmente alcanza
los 509 Km en su desembocadura en el lago San Roque. El cauce principal,
denominado San Antonio, en su recorrido a travs de la cuenca atraviesa las localidades
de Cuesta Blanca, Icho Cruz, Tala Huasi, Mayu Sumaj y San Antonio, hasta ingresar
por el sur a la ciudad de Villa Carlos Paz, en donde descarga sus aguas al embalse San
Roque.
El clima es del tipo semirido. Presenta uniformidad trmica con concentracin
en la temporada estival de altas temperaturas y precipitaciones. La precipitacin media
anual oscila los 850 mm, con una concentracin de lluvias torrenciales en el perodo de
octubre a marzo.
Una de las caractersticas que le otorga mayor importancia al Ro San Antonio
es la de constituirse en uno de los principales tributarios del Embalse San Roque. Este
embalse es actualmente la principal fuente de agua potable para la ciudad de Crdoba.
Otra caracterstica atendible est representada por la peligrosa combinacin de
una importante afluencia turstica a las costas de este ro, junto con importantes,
violentas y rpidas crecidas en la misma poca veraniega. La cuenca del ro San
Antonio posee fuertes pendientes, un punto de salida bien definido, clara divisoria de
aguas, baja permeabilidad y altos ndices de escorrenta. La combinacin de los factores
anteriormente expuestos con las tormentas intensas generadas en el perodo estival,
tienen como resultado la generacin de hidrogramas de crecidas repentinos (tiempo de
concentracin pequeo), de altos valores de caudal pico y de corta duracin. Estas
crecidas se producen normalmente en la poca del pico turstico en esta zona del valle
de Punilla.
5.3.2. Informacin disponible y estimacin de parmetros - Ro San Antonio
Uno de los pocos trabajos antecedentes que existen en materia de calibracin del
modelo hidrolgico IPH II en cuencas argentinas, fue realizado por Ganancias y
Fontana (2004). El mismo consisti en la propuesta de un modelo de pronstico de
crecidas a tiempo real sobre la cuenca del ro San Antonio. Conviene remarcar que el
objetivo principal de la calibracin manual del modelo IPH II para el trabajo referido,
estaba asociado a la correcta estimacin del valor y tiempo del pico del hidrograma
simulado.
Los autores mencionados realizaron una clasificacin exhaustiva de la
informacin hidrolgica disponible, y seleccionaron aquellos eventos ms idneos para
el proceso de calibracin y posterior verificacin del modelo hidrolgico. En la Tabla
5.3 se presentan las fechas correspondientes a los eventos referidos para cada proceso
respectivamente.
Pg. 144
Tabla 5.3: Eventos empleados para calibracin y verificacin del modelo (Ganancias y Fontana, 2004)
Calibracin Verificacin
10/11/1993 11/12/1995 7/12/1995
25/12/1993 24/11/2002 1/11/1996
26/12/1993 8/12/2002 2/11/1996
17/01/1994 22/01/2003 10/11/1997
28/12/1994 8/12/2003
De los eventos presentados en la Tabla 5.3, slo cinco se emplearon en esta tesis
para llevar a cabo la calibracin automtica del modelo hidrolgico IPH.
Los parmetros que pueden ser estimado en forma directa son: el porcentaje de
rea impermeable (AINP), el histograma tiempo rea (HTA), y el tiempo de
concentracin (Tc).
Con respecto al rea impermeable, se asume un porcentaje del 17% a partir de
los antecedentes en relacin a los estudios geolgicos e hidrolgicos en esta regin
(Bertoni, comunicacin personal, 2009).
El HTA se calcul sintticamente utilizando una rutina programada para esta
tesis, en lenguaje FORTRAN. Segn Tucci (2005) se adopta generalmente para la
forma de la cuenca un coeficiente n = 1,5, tambin denominado xn por ser el nombre de
variable asignado en el correspondiente programa computacional. Este valor del
coeficiente xn fue el utilizado por Ganancias y Fontana (2004) en la cuenca del ro San
Antonio.
El tiempo de concentracin se calcul a partir de las frmulas alternativas
propuestas por: Ramser y Kerby en 1959, Germano, Tucci y Da Silveira en 1998 y
Doodge en 1998. Para su aplicacin el valor de la pendiente del cauce principal fue
tomada de Ganancias y Fontana, mientras que el resto de los valores (presentados en la
Tabla 5.4), fueron estimados por Alonso en 2008. En la Tabla 5.5 se presentan
los Tc calculados por cada uno de los mtodos (Alonso, 2008).

Tabla 5.4: Estimacin de parmetros de la cuenca
L Sc n Lo Sa IMP A
m m/m - M m/m x/1 km
2

33000 0,042 0,05 200 0,06 0,17 328

Tabla 5.5: Estimacin del tiempo de concentracin por distintos mtodos
Mtodo Tc (min) Tc (hs)
Ramser y Kerby, 1959 220,06 3,67
Germano et al., 1998 658,89 10,98
Dooge et al., 1998 403,28 6,72
Como puede observarse la expresin de Germano ofrece un resultado demasiado
elevado para las caractersticas de la cuenca alta del ro San Antonio. La explicacin de
este hecho radica en que esa expresin fue establecida para cuencas de llanura, con ros
de caractersticas diferentes de aquellos de las sierras cordobesas. Por consiguiente, se
procedi a promediar los Tc calculados por las otros dos mtodos, de donde resulta un
valor de Tc = 312 min = 5 hs = 21 intervalos de 15 minutos cada uno. En consecuencia
el parmetro ntc requerido por el modelo IPH II como dato de entrada se adopta en ntc
= 21.
En la Tabla 5.6 se resumen los parmetros y valores de las variables iniciales
necesarias para los archivos de entrada al algoritmo Metropolis Monte Carlo. Los
valores de Qsubi fueron adoptados como el primer valor de caudal del hidrograma
observado de cada evento. Los valores de Qsupi y R son recomendados de adopcin del
valor nulo (0) para los eventos aislados. El valor del rea fue informado por personal del
Centro de Investigaciones de la Regin Semirida CIRSA (Alonso, 2008).

Pg. 146

Tabla 5.6: Datos de entrada al modelo IPH II para los distintos eventos
NT Dtn xn Ntc Qsubi Qsupi R rea Aimp
Evento
- min - unid. Dt m
3
/s m
3
/s mm Km
2
x/1
10/11/1993 61 15 1,5 21 0,20 0 0 328 0,17
26/12/1993 71 15 1,5 21 5,40 0 0 328 0,17
17/01/1994 60 15 1,5 21 4,50 0 0 328 0,17
11/12/1995 60 15 1,5 21 0,40 0 0 328 0,17
08/12/2003 70 15 1,5 21 7,30 0 0 328 0,17
5.4. DESCRIPCIN DE LA CALIBRACIN SIMULTNEA
Una vez finalizadas las pruebas con el programa de calibracin de eventos en
forma individual, se propuso realizar una versin que fuera capaz de calibrar varios
eventos en la misma corrida. Para ello, fue necesario agregar un nuevo dato, NEVE:
nmero de eventos a calibrar, el cual es utilizado por el algoritmo principal, Main. Por
lo tanto, para cada iteracin se llama al mdulo del modelo hidrolgico NEVE veces,
hecho que implica generar NEVE matrices temporales que almacenen la salida de este
algoritmo. Es por ello, que se produce un aumento del esfuerzo computacional
significativo requerido para tal fin.
Otra modificacin que fue necesario realizar fue la referida al mdulo de la
Funcin Objetivo (FO). Se adopt como FO para calibracin simultnea de varios
eventos, la sumatoria de la funcin objetivo para cada evento dividida por NEVE, es
decir, el nmero de eventos a calibrar.
El objetivo de la calibracin en forma simultnea es tener en cuenta la mayor
informacin contenida en los datos referida a la variabilidad hidrolgica de la cuenca
estudiada y que la misma se vea reflejada en los parmetros obtenidos en la calibracin.
Se supone que un juego de parmetros del modelo obtenido de esta manera tiene ms
posibilidades de representar con mejor fidelidad un mayor nmero de eventos de la
cuenca en estudio, con respecto al juego de parmetros resultantes del promedio de los
juegos de parmetros obtenidos con una calibracin individual.
Cabe consignar que otra forma de haber definido el objetivo de la calibracin
simultnea de eventos podra haber sido contemplar en la FO correspondiente solamente
alguna caracterstica de cada uno de los eventos considerados, como por el ejemplo, el
caudal pico, o el volumen, o el tiempo al pico, o el ancho del hidrograma al 75% del
pico, etc. Para que ello pueda realizarse es preciso contar, como es lgico, con cierto
nmero de eventos de modo de poder incluir en la FO una cantidad de informacin
relevante en relacin al numero de parmetros que posee el modelo.
Pg. 148

CAPTULO VI
6. ANLISIS DE RESULTADOS
En este captulo se presentan los resultados obtenidos utilizando el algoritmo de
Metropolis Monte Carlo, primero en la calibracin de cinco de las once series de caudal
sintticas, las restantes seis series se presentan en el ANEXO III y luego en la
calibracin de cinco eventos observados en la cuenca del ro San Antonio, Crdoba
Argentina. Se muestran aspectos tales como: valores de los parmetros del algoritmo de
calibracin adoptados, tiempo de clculo, evolucin de la funcin objetivo, juegos de
parmetros obtenidos y sus hidrogramas resultantes. Tambin se presentan los
resultados alcanzados al calibrar todos los eventos simultneamente y se los compara
con los resultantes de aplicar el valor promedio de los juegos de parmetros obtenidos
individualmente para cada evento.
6.1. RESULTADOS DE LA CALIBRACIN AUTOMTICA
UTILIZANDO LAS SERIES SINTTICAS DE CAUDALES
Se realizaron calibraciones automticas utilizando el algoritmo Metropolis
Monte Carlo en once series sintticas de caudales correspondientes a un evento de lluvia
corta en una cuenca ficticia.
6.1.1. Resultados correspondientes al evento prec0
En la Tabla 6.1 se presentan los datos generales correspondientes a la corrida
referidas al primer evento contenido en el archivo de salida sal0.txt. Se puede ver
tambin que el tiempo de clculo para esta corrida es de 2342 segundos, es decir,
aproximadamente 40 minutos y se realizaron 105511394 iteraciones, de las cuales
cambi 23669336 de veces, el 20,5%, y slo la mitad de este porcentaje la funcin
objetivo mejor.
Tabla 6.1: Datos generales correspondiente a la salida de evento prec0
DATOS GENERALES
Calculado el (mm-dd-aa): 07/09/08
Tiempo de clculo en segundos: 2342.39
Usando los siguientes archivos txt: prec0.txt hta.txt data.txt qt0.txt
Para un evento
Los valores de los prametros con que se obtuvo el Qo son:
I0 =25.0, Ib=4.0, H=0.85, Ksup=2.0, Ksub=30.0, Rmax=2.5
Los valores de los prametros con iniciales son:
I0 = 20.0, Ib = 2.0, H = 0.75, Ksup = 1.0, Ksub = 90.0, Rmax = 4.5
Rango de variacin de los valores de los parmetros iniciales son:
10<I0<300, 0.1<Ib<10, 0.01<H<0.99, 0.01<Ksup<10, 10<Ksub<500, 0<Rmax<9
Nro Iteraciones
105511394
Nro Repeticiones mximo en la cadena = 30000
Temp. inicial Temp. final
1000000.0 0.00000000
ControlTemp NroPas ControlLongCad LongCad
0.970000 3000 1.000000 90000
Veces que FOc < FOi:
10836557
% Veces que FOc < FOi:
10.27
Pas a pesar de ser FOc > FOi:
10832779
% Veces que pas:
10.27
Veces que cambi:
21669336
% Veces que cambi:
20.54

En la Figura 6-1 se presenta la evolucin de la funcin objetivo (FOI, funcin
objetivo correspondiente a la iteracin i y que fue sustituida por el algoritmo de
Metropolis, que difiere de la FOC, que es la calculada y no necesariamente tomada en
cuenta) en los 3000 pasos en que se dividi el proceso de enfriamiento, es decir, desde
que la temperatura descendi desde los 1000000 grados a 0 grado.
Pg. 150
En la figura se puede ver que los valores de la funcin objetivo en los primeros
400 pasos oscilan entre los cientos hasta los miles, alcanzando un valor prximo a 4400,
ya en el paso 500 el valor de la funcin objetivo est en el orden de la unidad. El
mnimo valor de la funcin objetivo se encuentra en el paso 2243 y es 0,04.
0
,
0
4
0
0
0
0
400
800
1200
1600
2000
2400
2800
3200
3600
4000
4400
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

Figura 6-1: Evolucin de la funcin objetivo FOI para el evento prec0
En la grfica anterior se puede ver como evoluciona los valores de la funcin
objetivo FOI, se destaca que en los primeros pasos los valores de FOI oscilan, como es
de esperar en la estrategia de Metropolis, cuando la temperatura todava es alta, se
aceptan valores mayores de FOI, a medida que el proceso de enfriamiento avanza, slo
se aceptan los valores menores de FOI, disminuyendo as las veces de aceptacin de los
nuevos parmetros.
En la Tabla 6.2 se muestran los ltimos tres juegos de parmetros obtenidos y el
paso en que fue obtenido y el valor de la funcin objetivo FOI correspondiente.
Tabla 6.2: Valores obtenidos con la calibracin automtica de los parmetros del Modelo IPH II para el
evento prec0
NPAS I0 Ib H Ksup Ksub Rmax FOI
1611 26,286664 4,993736 0,789839 2,005580 52,091044 1,437184 0,09
1823 43,051932 0,755190 0,415841 2,013638 17,646383 2,373493 0,05
2243 48,689740 1,402235 0,292690 2,012482 41,028010 2,671609 0,04
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

* Valores de los parmetros con los que se obtuvo Q
0
(Caudal de referencia)

Como se puede apreciar, los valores de los parmetros obtenidos son diferentes a
los valores de los parmetros con los que fue obtenida la serie de caudal, e incluso son
diferentes entre s. Aunque se obtuvieron valores de la funcin objetivo bien pequeos.
Por esa razn se decidi verificar que hidrogramas resultaban al utilizar los valores de
los parmetros obtenidos.
En la Figura 6-2 se presentan el hidrograma calculado con el juego de
parmetros original y los hidrogramas con los tres mejores juegos de parmetros
obtenidos, ver Tabla 6.2.
Pg. 152
2
12
50
0
50
100
150
200
250
300
350
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
5
10
15
20
25
30
35
C
a
u
d
a
l

[
m
3
/
s
]
prec0 qt0 qta0 qtb0 qtc0

Figura 6-2: Hidrograma original del evento prec0 e hidrogramas obtenidos con la calibracin
automtica
Como se puede ver en la figura anterior los hidrogramas ajustan casi a la
perfeccin, es decir, desde el punto de vista prctico, estos tres juegos de parmetros
son tan vlidos como el juego original para representar el evento prec0.
Otro punto a destacar en la figura anterior es que no hay prdida de masa, esto
denota congruencia en el modelo.
referida al evento llamado prec4 contenidos en el archivo de salida sal4.txt. El tiempo
de clculo para esta corrida es de 2290 segundos, aproximadamente 38 minutos y se
realizaron 110759416 iteraciones, de las cuales cambi 29265392 de veces, el 26,4% y
como en los casos anteriores el 50% de ese porcentaje la funcin objetivo mejor. Estos
resultados son similares a los eventos anteriores.
DATOS GENERALES
Para un evento
Nro Iteraciones
110759416
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
14634990
13.21
14630402
% Veces que pas:
13.21
Veces que cambi:
29265392
% Veces que cambi:
26.42

En la Figura 6-3 se presenta la evolucin del proceso de enfriamiento en los
3000 pasos referido a la funcin objetivo FOI correspondiente al evento prec4, donde
sta oscila en los primeros 370 pasos entre un valor prximo a 700 y valores del orden
de la unidad, llegando al mnimo de la funcin objetivo en el paso 1585 con un valor de
0,00161, hasta el momento el mejor valor obtenido para la FOI.
Pg. 154
0
,
0
0
1
6
1
0
100
200
300
400
500
600
700
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

evento prec4
612 80,098110 6,139129 0,587161 1,967556 46,020564 2,664096 0,07980
754 211,225241 2,994813 0,174084 2,024729 28,645672 2,361803 0,00519
1585 14,840734 6,705749 0,915852 2,007353 45,290221 2,392057 0,00161
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

Como para el caso de los eventos anteriores, los valores de los parmetros
obtenidos son diferentes a los valores de los parmetros con los que fue obtenida la serie
de caudal, difieren entre s, as mismo, se obtuvieron valores de la funcin objetivo bien
pequeos.
obtenidos, segn Tabla 6.4.
1 1
2
10
12
15
12
0
20
40
60
80
100
120
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
12
C
a
u
d
a
l

[
m
3
/
s
]

automtica
Se consigue un muy buen ajuste de los hidrogramas resultando tres juegos de
parmetros tan vlidos como el juego original para representar el evento prec4.
referida al evento llamado prec5 contenidos en el archivo de salida sal5.txt. El tiempo
de clculo para esta corrida es de 2597 segundos, un poco ms de 43 minutos y se
realizaron 111410362 iteraciones, de las cuales cambi 30230512 de veces, el 27,1% y
Pg. 156
como en los casos anteriores el 50% de ese porcentaje la funcin objetivo mejor. Estos
resultados son similares a los eventos anteriores.
DATOS GENERALES
Para un evento
Nro Iteraciones
111410362
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
15117147
13.57
15113365
% Veces que pas:
13.57
Veces que cambi:
30230512
% Veces que cambi:
27.13

sta vara en los primeros 240 pasos entre un valor prximo a 525, luego decrece
rpidamente encontrndose valores menores a la unidad en el paso 500, llegando al
mnimo de la funcin objetivo en el paso 2372 con un valor de 0,00165.
0
,
0
0
1
6
5
0
100
200
300
400
500
600
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

evento prec5
1175 89,199429 1,440082 0,321092 2,011844 20,163966 2,515399 0,00374
1563 14,840734 6,705749 0,915852 2,007353 45,290221 2,392057 0,00174
2372 96,927128 3,124317 0,550219 1,999489 21,434354 2,585107 0,00165
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

pequeos. El juego de parmetros obtenido en el paso 1563 es coincidente con el mejor
Pg. 158
juego de parmetros del evento prec4 correspondiente al paso 1583, con valores de
FOI de 0,00174 y 0,00161 respectivamente.
2
10
2
10
5
9
12
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
C
a
u
d
a
l

[
m
3
/
s
]

automtica
referida al evento prec8. El tiempo de clculo para esta corrida es de 2510 segundos,
casi 42 minutos y se realizaron 115629392 iteraciones, de las cuales cambi 36571660
de veces, el 31,6% y la funcin objetivo mejor slo en la mitad de este porcentaje.
DATOS GENERALES
Para un evento
Nro Iteraciones
115629392
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
18286564
15.81
18285096
% Veces que pas:
15.81
Veces que cambi:
36571660
% Veces que cambi:
31.63

alcanza valores prximos a 15, luego decrece rpidamente encontrndose valores
menores a las dcimas en el paso 260, llegando al mnimo de la funcin objetivo en el
paso 2141 con un valor de 0,0002, el mejor valor obtenido de todos los eventos
estudiados.
Pg. 160
0
,
0
0
0
2
0
0
2
4
6
8
10
12
14
16
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

evento prec8
858 277,494098 5,942856 0,066547 1,972394 59,390288 2,554204 0,00133
1035 89,199429 1,440082 0,321092 2,011844 20,163966 2,515399 0,00034
2141 200,099475 7,620280 0,469423 2,024582 34,091478 2,462230 0,00020
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

Los valores de los parmetros obtenidos son diferentes a los valores de los
parmetros con los que fue obtenida la serie de caudal, difieren entre s, a pesar de esto,
se obtuvieron los mejores valores de la funcin objetivo.
obtenidos, segn tabla anterior.
2 2 2 2 2 2 2 2 2 2 2
0
50
100
150
200
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
1
2
3
4
5
C
a
u
d
a
l

[
m
3
/
s
]

automtica
Pg. 162
DATOS GENERALES
Para un evento
Nro Iteraciones
112101769
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
15630495
13.94
15628479
% Veces que pas:
13.94
Veces que cambi:
31258974
% Veces que cambi:
27.88

alcanzan valores prximos a 370, luego decrece rpidamente encontrndose valores
menores a las dcimas en el paso 260, llegando al mnimo de la funcin objetivo en el
paso 2349 con un valor de 0,00129.
0
,
0
0
1
2
9
0
40
80
120
160
200
240
280
320
360
400
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

En la Tabla 6.10 se muestran los ltimos tres juegos de parmetros obtenidos y
el paso en que fue obtenido y el valor de la funcin objetivo FOI correspondiente.
Tabla 6.10: Valores obtenidos con la calibracin automtica de los parmetros del Modelo IPH II para
el evento prec9
1152 89,199429 1,440082 0,321092 2,011844 20,163966 2,515399 0,00233
1540 14,840734 6,705749 0,915852 2,007353 45,290221 2,392057 0,00175
2349 96,927128 3,124317 0,550219 1,999489 21,434354 2,585107 0,00129
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

parmetros con los que fue obtenida la serie de caudal, difieren entre s, se obtuvieron
los mejores valores de la funcin objetivo. El juego de parmetros correspondiente al
paso 1152 con un valor de FOI de 0,00233, es coincidente con el juego de parmetros
obtenido en el evento prec8 en el paso 1035 con un valor de FOI de 0.00034.
Pg. 164
1 1 2 3
15
2
4
6
2 2
9
0
50
100
150
200
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
C
a
u
d
a
l

[
m
3
/
s
]

automtica
6.1.6. Resultados correspondientes a la calibracin automtica simultnea de los
once eventos
referida a los once eventos simultneamente contenidos en el archivo de salida sal11.txt.
En dicha figura se puede ver que el tiempo de clculo para esta corrida es de 42947
segundos, es decir, aproximadamente 12 horas, para realizar 163196735 iteraciones. Se
produjeron 23769797 cambios de juegos de parmetros, casi el 15%, de los cuales un
porcentaje mayor a la mitad de las veces fueron cambios que mejoraron los valores de la
funcin objetivo.
Tabla 6.11: Datos generales correspondiente a la salida de los once eventos simultneamente
DATOS GENERALES
Usando los siguientes archivos txt: prec0.txt al prec11.txt hta.txt data.txt qt0.txt al qt11.txt
Para multi eventos
Nro Iteraciones
163196735
1000000.0 0.00000000
0.970000 3000 1.000000 100000
12646521
7,75
11123276
% Veces que pas:
6,82
Veces que cambi:
23769797
% Veces que cambi:
14,57

Para esta corrida se mantuvieron casi todos los parmetros de Metrpolis Monte
Carlo iguales que en los casos de la calibracin de los eventos individuales, slo se
modific la longitud de la cadena de Marcov, de 30000 iteraciones mximas por
temperatura cambi a 50000 iteraciones.
En la Figura 6-11 se presenta la evolucin de la funcin objetivo FOI en los
3000 pasos en que se dividi el proceso de enfriamiento, es decir, desde que la
temperatura descendi desde los 1000000 grados a 0 grados. En la figura se puede ver
Pg. 166
que se encuentra el valor mnimo de la funcin objetivo antes de los 500 pasos. En el
paso 404 se obtiene un valor de la funcin objetivo igual a 9,869. Los valores de la
funcin fueron oscilando en el orden de miles hasta el de las decenas llegando a un
valor prximo a 10. El mnimo valor de la funcin objetivo es de un orden mayor que el
alcanzado para los casos de eventos individuales, pero esto se considera aceptable.
9
,
8
6
9
1
0
,
7
4
6
1
0
,
6
5
6
1
0
,
4
9
3
0
500
1000
1500
2000
2500
3000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

Figura 6-11: Evolucin de la funcin objetivo FOI para los once eventos simultneamente
En la grfica anterior se puede ver que la evolucin de los valores de la funcin
objetivo FOI es la esperada en la estrategia de Metropolis, cuando la temperatura
todava es alta, se aceptan valores mayores de FOI, a medida que el proceso de
enfriamiento avanza, slo se aceptan los valores menores de FOI, disminuyendo as las
veces de aceptacin de los nuevos parmetros.
En la Tabla 6.12 se muestra el juego de parmetros obtenidos y el paso en que
fue obtenido y el valor de la funcin objetivo FOI correspondiente.
Tabla 6.12: Valores obtenidos con la calibracin automtica de los parmetros del Modelo IPH II
404 29,608835 8,001987 0,612592 2,137337 489,223965 1,145950 9,869
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

los valores de los parmetros con los que fueron obtenidas las once series de caudal. Por
esa razn se decidi verificar qu hidrogramas resultaban al utilizar los valores de los
parmetros obtenidos y compararlos con el original de cada evento.
En la Tabla 6.13 se muestra el juego de parmetros obtenidos como el valor
medio de los mejores once juegos de parmetros correspondientes a cada evento.
Tambin se presentan los mejores juegos de parmetros correspondiente a cada evento,
el desvo standard de los mismos y se resaltan los valores extremos de cada parmetro.
Tabla 6.13: Valores medios utilizando los mejores juegos de parmetros obtenidos para cada evento con
la calibracin automtica
Evento I0 Ib H Ksup Ksub Rmax
0 48,68974 1,40224 0,29269 2,01248 41,02800 2,67160
1 43,51618 3,13906 0,41297 1,99629 68,68070 3,08980
2 43,51618 3,13906 0,41297 1,99629 68,68070 3,08980
3 40,06331 5,02194 0,42032 1,98120 83,63630 2,96800
4 14,84073 6,70575 0,91585 2,00735 45,29020 2,39200
5 96,92712 3,12432 0,55022 1,99949 21,43440 2,58510
6 25,46725 6,87782 0,75002 1,99419 80,20310 2,72230
7 26,28666 4,99374 0,78984 2,00558 52,09100 1,43710
8 200,0994 7,62028 0,46942 2,02458 34,09150 2,46220
9 96,92712 3,12432 0,55022 1,99949 21,43440 2,58510
10 96,92712 3,12432 0,55022 1,99949 21,43440 2,58510
Desvo Standard 53,54255 1,99030 0,18923 0,01112 23,53000 0,45283
Valores medios 66,66007 4,38844 0,55589 2,00149 48,90950 2,59892
En la siguiente sucesin de figuras se muestran los resultados obtenidos al
utilizar el juego parmetros con la calibracin automtica simultnea y el juego de
parmetros medio de la calibracin individual de los once eventos.
Pg. 168
En la Figura 6-12 se presentan el hidrograma qt0 calculado con el juego de
parmetros original del evento prec0, el hidrograma qtme0 obtenido con el juego de
parmetros obtenido para los once eventos simultneamente y el hidrograma
qtm0obtenido con el valor medio de los once mejores juegos de parmetros de cada
evento. El eje de absisas en la parte superior se representan los intervalos de tiempo t
equivalentes a 60 [min].
50
12
2
0
50
100
150
200
250
300
350
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
5
10
15
20
25
30
35
C
a
u
d
a
l

[
m
3
/
s
]
prec0 qt0 qtme0 qtm0

Figura 6-12: Hidrograma original del evento prec0, hidrograma obtenido con la calibracin
automtica para multiples eventos e hidrograma obtenido con el juego de parmetros medio
Como se puede ver en la figura anterior el ajuste del hidrograma con el juego de
parmetros obtenido en forma simultnea es bastante bueno teniendo en cuenta que
respeta la forma y la posicin del pico (t = 4, es decir 4 [hs]), slo se presentan dos
diferencias, el valor del pico es levemente menor (qt0
pico
es igual a 34,25 m
3
/s, mientras
que qtme0
pico
es igual a 32,63 m
3
/s con una diferencia de 1,62 m
3
/s), la diferencia en la
parte descendente del hidrograma y una prdida de volumen con respecto al original del
6,9%. Se puede decir que desde el punto de vista prctico, este juego de parmetros es
tan vlido como el juego original para representar el evento prec0.
No sucede lo mismo cuando se utiliza el juego de parmetros obtenido como el
valor medio de los mejores juegos de parmetros de cada evento, a pesar que el
hidrograma tiende a mantener la forma del hidrograma y la posicin del pico, el
volumen resulta ser un 41,0% menor al hidrograma qt0, con un caudal en el pico
qtm0
pico
igual a 16,64 m
3
/s, es decir con una diferencia de 17,61 m
3
/s.
parmetros obtenido para los once eventos simultneamente y el hidrograma qtm1
resultante de utilizar el juego de parmetros medios.
80
22
2
5
0
50
100
150
200
250
300
350
400
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
10
20
30
40
50
60
70
80
C
a
u
d
a
l

[
m
3
/
s
]

Pg. 170
El ajuste del hidrograma para el evento prec1 calculado con el juego de
parmetros obtenido en forma simultnea es bueno, con las mismas consideraciones que
se realizaron para el caso anterior. La diferencia entre los caudales en el pico de ambos
hidrogramas es igual a 1,92 m
3
/s, siendo el qt1
pico
igual a 72,22 m
3
/s. La prdida de
volumen con respecto al hidrograma original es del 3,1%. Este juego de parmetros es
tan vlido como el juego original para representar el evento prec1.
Para el caso del juego de parmetros obtenido con la media, a pesar que
mantiene la forma y la posicin del pico, el valor qtm1
pico
es igual a 45,70 m
3
/s, es decir
alrededor de dos tercios menor que del pico del hidrograma original. Ya la diferencia de
volumen es notable y alcanza a una prdida del 30,5% y como en los casos anteriores
esta diferencia se encuentra concentrada en la zona del pico del hidrograma.
En la Figura 6-14 se presentan tres hidrogramas correspondientes al evento
prec2, el qt2 obtenido con el juego de parmetros original, el qtme2 resultante del
juego de parmetros obtenido para los once eventos simultneamente y qtm2
correspondiente al juego de valores medios de los parmetros.

1
10
2
22
60
0
50
100
150
200
250
300
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
10
20
30
40
50
60
C
a
u
d
a
l

[
m
3
/
s
]

El ajuste del hidrograma para el evento prec2 calculado con el juego de
parmetros obtenido en forma simultnea es bueno, como ocurri con los casos
anteriores, se observa una pequea diferencia entre los valores de caudales en el pico
(qt2
pico
es igual a 50,29 m
3
/s, mientras que qtme2
pico
es igual a 49,20 m
3
/s con una
diferencia de 1,09 m
3
/s).
Tambin presenta un buen ajuste con respecto a la forma, teniendo en cuenta
que la diferencia volumtrica muestra una disminucin del volumen del 4,8%, permite
considerar a este juego de parmetros tan vlido como al juego original para representar
el evento prec2.
Para el caso del juego de parmetros obtenido con la media se obtiene un
hidrograma con una diferencia notable con respecto al valor del pico, qtm2
pico
es igual a
26,05 m
3
/s, es decir, un 50% menor con respecto al hidrograma original, a pesar que
Pg. 172
mantiene la forma y la posicin del pico, la prdida del volumen es bien evidente,
alcanzando un porcentaje de 37,5.
En la Figura 6-15 se presentan los hidrogramas qt3, qtme3 y qtm3
correspondientes al evento prec3, correspondientes a los distintos juegos de
parmetros: original, obtenidos considerando todos los eventos en forma simultnea y
los calculados con los valores medios de los mismos.
1
5
22
42
10
0
50
100
150
200
250
300
350
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
5
10
15
20
25
30
35
C
a
u
d
a
l

[
m
3
/
s
]

El ajuste del hidrograma para el evento prec3 correspondiente al juego de
parmetros calibrado simultneamente es mejor en el pico y desmejora en la rama
descendente comparando el mismo con el logrado en los casos anteriores. El valor del
caudal correspondiente al pico del hidrograma original qt3
pico
es igual a 29,19 m
3
/s,
mientras que qtme3
pico
es igual a 28,76 m
3
/s con una diferencia de 0,43 m
3
/s.
La posicin del pico del hidrograma corresponde al t = 3, es decir 3[hs] para
los tres hidrogramas. Este juego de parmetros se puede considerar tan vlido como el
juego original para representar el evento prec3 ya que logra un buen ajuste teniendo
en cuenta tanto valor del pico y forma, presentando una prdida de volumen del 8,8%.
El hidrograma obtenido con el juego de parmetros calculado con los valores
medios ya no presenta un buen ajuste, teniendo en cuenta que el valor de qtm3
pico
es
igual a 17,55 m
3
/s, a pesar que mantiene la forma presenta prdida en el volumen del
27,0%.
En la Figura 6-16 se presentan el hidrograma qt4 obtenido con el juego de
parmetros original del evento prec4, el hidrograma qtme4 calculado con el juego
de parmetros obtenido para los once eventos simultneamente y el hidrograma qtm4
1 1
2
10
12
15
12
0
20
40
60
80
100
120
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
12
C
a
u
d
a
l

[
m
3
/
s
]

Pg. 174
Para este evento se observa que el ajuste obtenido con el juego de parmetros
correspondiente a los valores medios ha resultado mejor con respecto al calibrado
simultneamente tanto al valor del pico como a la la forma del hidrograma, con una
prdida de volumen del 2,0%.
El valor de qtm3
pico
es igual a 9,16 m
3
/s, mientras que el valor de qt3
pico
es igual
a 9,20 m
3
/s y el valor de qtme3
pico
es igual a 8,98 m
3
/s.
A pesar que el ajuste obtenido con el juego de parmetros calculado en forma
simultnea no es mejor al obtenido con el juego de parmetros medios, se puede
considerar tan vlido este hidrograma como el que resulta del juego original para
representar el evento prec4, ya que mantiene la forma del hidrograma, la posicin del
pico y la diferencia de volumen con respecto al original es del 14,7% concentrado en la
parte final del tramo descendiente de dicho hidrograma.
parmetros original del evento prec5, el hidrograma qtme5 con el juego de
parmetros obtenido para los once eventos simultneamente y el hidrograma qtn5
2
10
2
10
5
9
12
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
C
a
u
d
a
l

[
m
3
/
s
]

El ajuste logrado para el evento prec5 es bueno tanto con el juego de
parmetros obtenidos con los valores medios como con el calculado en forma
simultnea. A pesar que con el primer juego se logra un mejor ajuste, ambos consiguen
reproducir los dos picos que tiene el hidrograma original, respetando los tiempos a los
picos y la forma del mismo.
Los dos presentan prdidas de volumen con respecto al hidrograma original, un
1,9% para el caso del juego obtenido con los valores medios y un 13,2% con el juego
obtenido con la calibracin simultnea, pero concentrada en el final del tramo
descendente. Esto nos permite expresar que el juego de parmetros calibrado de forma
simultnea sigue siendo tan vlido como el juego original para representar el evento
prec5.
Pg. 176
parmetros obtenido para los once eventos simultneamente y el hidrograma qtm6
15
90
0
50
100
150
200
250
300
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
15
30
45
60
75
90
C
a
u
d
a
l

[
m
3
/
s
]

Cuando se analizan los hidrogramas obtenidos para el evento prec6 con los
distintos juegos de parmetros, se pueden realizar las mismas consideraciones que para
los eventos anteriores al evento prec4, donde el hidrograma obtenido con el juego de
parmetros calculado como la media presenta un peor ajuste teniendo en cuenta el
hidrograma resultante de utilizar el juego de parmetros calibrado simultneamente.
El valor de qtm6
pico
es igual a 44,72 m
3
pico
es
igual a 76,46 m
3
/s y el valor de qtme3
pico
es igual a 72,86 m
3
/s.
Las prdidas de volumen para el juego de parmetros obtenidos en forma
simultnea alcanzan el 4,4%, mientras que para el caso del juego de parmetros
obtenidos con el valor promedio el 34,1%.
En la Figura 6-19 se presentan el hidrograma qt7 obtenido con el juego de
1
8
40
15
0
50
100
150
200
250
300
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
5
10
15
20
25
30
C
a
u
d
a
l

[
m
3
/
s
]

El ajuste del hidrograma para el evento prec7 correspondiente al juego de
parmetros calibrado simultneamente es mejor en el pico y desmejora en la rama
descendente, presentando una prdida de volumen del 9,1%. Este juego de parmetros
se puede considerar tan vlido como el juego original para representar el evento
prec7.
Pg. 178
El hidrograma obtenido con el juego de parmetros calculado como la media ya
presenta una prdida de volumen del 27,6%, teniendo en cuenta el valor del pico
qtm7
pico
es igual a 15,36 m
3
pico
es igual a 24,54 m
3
/s, a
pesar que mantiene la forma y posicin del pico.
En la Figura 6-20 se presentan el hidrograma qt8 correspondiente al juego de
2 2 2 2 2 2 2 2 2 2 2
0
50
100
150
200
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
1
2
3
4
5
C
a
u
d
a
l

[
m
3
/
s
]

Al analizar este evento se pueden realizar las mismas consideraciones que para
los hidrogramas obtenidos para los eventos prec4 y prec5 con los distintos juegos
de parmetros, el hidrograma obtenido con el juego de parmetros calculado como la
media presenta un mejor ajuste teniendo en cuenta el hidrograma resultante de utilizar el
juego de parmetros calibrado simultneamente, asimismo, el juego de parmetros
calibrado de forma simultnea sigue siendo tan vlido como el juego original para
representar el evento prec8. Las prdidas de volumen representan un 1,6% y 5,%
respectivamente con respecto al hidrograma original.
1 1 2 3
15
2
4
6
2 2
9
0
50
100
150
200
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
C
a
u
d
a
l

[
m
3
/
s
]

Para el evento prec9 se pueden realizar las mismas consideraciones que para
el evento prec5, donde el hidrograma obtenido con el juego de parmetros calculado
como la media presenta un mejor ajuste comparando ste con el hidrograma obtenido
utilizando el juego de parmetros calibrado simultneamente. A pesar de ello el juego
Pg. 180
de parmetros calibrado de forma simultnea sigue siendo tan vlido como el juego
original para representar el evento prec9, ambos ajusten presentan los dos pico del
hidrograma original, respetan los tiempos respectivos al pico y no existe una gran
prdida de volumen, siendo estas del 1,7% para el caso de los valores medios y del
10,5% para el caso de la calibracin simultnea.
En la Figura 6-22 se presentan los siguientes hidrogramas: qt10 calculado con
el juego de parmetros original del evento prec10, el hidrograma qtme10
correspondiente al juego de parmetros obtenido para los once eventos simultneamente
y el hidrograma qtm10 resultante de utilizar el juego de parmetros medios.
11
25
8
6
4
23
4
3
2
1 1
0
25
50
75
100
125
150
175
200
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
12
14
16
C
a
u
d
a
l

[
m
3
/
s
]

Los ajustes obtenidos para el evento prec10 resultan buenos para los dos
juegos de parmetros, ya que respetan forma y posicin de los dos picos. Aunque el
juego obtenida corriendo a todos eventos a la vez, no copia muy bien la parte
descendente del hidrograma, presentando una diferencia de volumen con respecto al
hidrograma original de 12,9%, el mismo sigue siendo tan vlido como el juego original
para representar el evento prec10.
Por ejemplo, el valor del segundo pico qtme10
pico
es igual a 12,90 m
3
/s,
levemente mayor al valor de qt10
pico
igual a 12,75 m
3
/s.
6.1.7. Resumen de resultados correspondientes a la calibracin automtica de
eventos sintticos
Del anlisis de los resultados obtenido con la calibracin automtica de los
eventos individuales se puede decir lo siguiente:
El algoritmo de Metropolis Monte Carlo no encuentra un nico juego de
parmetros (mnimo global);
Se logr un excelente ajuste al utilizar cualquiera de los tres mejores juegos de
parmetros para cada uno de los eventos;
Los hidrogramas resultantes de los tres mejores juegos de parmetros son tan
vlidos para representar el evento como el juego original de parmetros utilizado
para generar el mismo.
Para la calibracin automtica de los eventos en forma simultnea se puede
decir lo siguiente:
Como para el caso de la calibracin automtica individual, el algoritmo de
Metropolis Monte Carlo no encuentra un nico juego de parmetros (mnimo
global);
Se obtiene un muy buen ajuste al utilizar para cada uno de los eventos el mejor
juego de parmetros;
El hidrograma resultante del juego de parmetros es tan vlido para representar
el evento como el juego original de parmetros utilizado para generar el mismo;
En algunos eventos se logr un mejor ajuste utilizando el juego de parmetros
medio de los eventos individuales que el logrado al utilizar el juego de
parmetros en forma simultnea. En estos ltimos eventos la diferencia entre
Pg. 182
ambos ajustes fue mayor, es decir, el ajuste obtenido al utilizar el juego de
parmetros calibrado simultneamente resulta ms robusto que en el caso del
juego de parmetros promedio.
Como resumen del anlisis de los once casos se puede expresar los siguiente:
o De los 11 casos analizados 6 veces se present una magnitud menor
del pico para los hidrogramas obtenidos con los valores medios de los
parmetros con respecto al hidrograma del juego de parmetros
original. En esos eventos se presentaron prdidas de volmenes de
hasta un 41% (para el evento denominado prec0) tornando algunos
de los juegos de parmetros no aceptables. No ocurri lo mismo con
los hidrogramas obtenidos con el juego de parmetros calculados con
la calibracin simultnea que no presentaron grandes diferencias de
volmenes, con valores que varian de 3,1% hasta un 14,7% y
concentrados en la parte final del tramo descendiente del hidrograma.
o Para todos los eventos los dos juegos de parmetros respetaron el
tiempo de respuesta y la forma de los hidrogramas originales. A pesar
de que para el caso del juego de parmetros obtenido en forma
simultnea mostr una mayor dificultad para copiar la parte
descente del hidrograma.
o En los casos en que el evento es de mayor duracin, los resultados
con el juego de parmetros obtenido como la media de los mismos
mejoran y siendo mejores que los de calibracin simultnea (en los
eventos que tienen ms de 7 periodos de tiempo t, es decir 7 [hs]).
6.1.8. Prueba de calibracin automtica de un evento sinttico manteniendo
constante 3 parmetros del modelo
Para verificar si el algoritmo de Metropolis Monte Carlo depende del nmero de
parmetros para obtener el ptimo global, se ide el siguiente ensayo: se mantuvo
constante 3 de los 6 parmetros del modelo, en este caso se mantuvieron los parmetros
H, Ksup y Rmax constantes y se calibraron I0, Ib y Ksub. Se modific el algoritmo para
que realizara 10 repeticiones del algoritmo de Metropolis con 50000 iteraciones en cada
bsqueda.
En la Tabla 6.14 se presentan los resultatos obtenidos en dicho ensayo.
Tabla 6.14: Resultados obtenidos en el ensayo de 3 parmetros constantes
Nro Repeticiones Nro Iteraciones
10 50000
100000.00 0.01000000
I0 Ib H Ksup Ksub Rmax
24.303228 8.107756 0.850000 2.000000 56.406258 2.500000
24.465466 4.828105 0.850000 2.000000 39.965420 2.500000
23.706097 9.919435 0.850000 2.000000 63.901485 2.500000
24.173462 9.130288 0.850000 2.000000 61.293392 2.500000
24.323809 7.810106 0.850000 2.000000 52.239716 2.500000
24.206060 8.454090 0.850000 2.000000 63.413738 2.500000
24.187857 9.289647 0.850000 2.000000 57.563393 2.500000
24.594372 5.323672 0.850000 2.000000 48.604877 2.500000
24.113649 8.494595 0.850000 2.000000 67.485512 2.500000
24.055178 8.313316 0.850000 2.000000 65.455795 2.500000
Los valores de medios de los parametros y sus desvios standard son:
Media Desvio
I0 24.21292 0.22882
Ib 7.96710 1.56315
H 0.85000 0.00000
Ksup 2.00000 0.00000
Ksub 57.63296 8.17695
Rmax 2.50000 0.00000
Los valores de los parametros con que se obtuvo el Qo son:

Los resultados presentados en la tabla anterior muestra que no se logra el ptimo
global, que se alcanza un valor cercano para el parmetro I0, pero valores bastantes
distintos para los parmetros Ib y Ksub. Siendo los 10 juegos de parmetros vlidos
para representar el hidrograma original tanto como el original.
En resumen, a pesar de disminuirse el nmero de parmetros, el algoritmo de
Metropolis Monte Carlo no encuentra un nico juego de parmetros (mnimo global),
Pg. 184
aunque sigue obteniendo hidrogramas con un buen ajuste. De todos modos cabe
consignar que la disminucin del nmero de parmetros a ajustar produce una
disminucin del tiempo de clculo (sin embargo, esta reduccin no es lineal en relacin
al nmero de parmetros).
Con respecto a la posibilidad de reducir el nmero de parmetros a ajustar
teniendo en cuenta alguna relacin o dependencia entre ellos (como, por ejemplo,
podria ser el caso de I0, Ib y H), cabe citar el trabajo de Tucci (1979), en el cual se
demuestra la interrelacin que existe entre estos parmetros del algoritmo de
infiltracin. Es decir, aunque para determinados tipos de suelos podrian fijarse algunos
valores tpicos del factor de decaimiento del porcentaje humedad, H (por ejemplo, en
valores promedio), la realidad indica que los tres estn intimamente relacionados. As,
cuando se mantiene constante H los resultados muestran cierta convergencia, pero al
variar el mismo se presentan distintos juegos de parmetros posibles. La interrelacin es
de tipo no lineal, hecho que dificult la adopcin de criterios dentro de los alcances de
esta Tesis para reducir del nmero de parmetros a ser utilizados en la calibracin
automtica.
6.2. RESULTADOS DE LA CALIBRACIN AUTOMTICA
APLICADA A UNA CUENCA REAL
Como se mencionara en el captulo anterior se escogi la cuenca del ro San
Antonio ubicada en la provincia de Crdoba para realizar la calibracin automtica
utilizando el algoritmo de Metropolis Monte Carlo.
Se realizaron algunas corridas para ajustar los parmetros de Metropolis Monte
Carlo y se adoptaron los siguientes valores:
Temperatura inicial = 10000000 C;
Nmero de pasos = 3000;
Nmero de iteraciones = 90000;
Nmero mximo de iteraciones sin mejora en la FOI = 30000;
Coeficiente de control de enfriamiento = 0,97 a 0,99 (segn cada caso)
6.2.1. Resultados correspondientes a la calibracin automtica del evento p170197
referidas al evento llamado p170194 contenido en el archivo de salida
170194salsa.txt. Se puede ver que el tiempo de clculo para esta corrida es de 11629
segundos, casi 194 minutos y se realizaron 96640328 iteraciones, de las cuales se
cambi el juego de parmetros unas 8712981 de veces, el 9,02% y slo la mitad de este
porcentaje la funcin objetivo mejor. El coeficiente de control del enfriamiento para
este evento fue 0,97.

Pg. 186
Tabla 6.15: Datos generales correspondiente a la salida de evento p170194
DATOS GENERALES
Usando los siguientes archivos txt: p170194.txt htasa.txt data.txt q170194.txt
Para un evento
Nro Iteraciones
96640328
10000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
4356608
4.51
4356373
% Veces que pas:
4.51
Veces que cambi:
8712981
% Veces que cambi:
9.02

3000 pasos en que se dividi el proceso de enfriamiento, es decir, desde que la
temperatura descendi desde los 10000000 grados a 0 grado. En la figura se puede ver
que los valores de la funcin objetivo en los primeros 200 pasos oscilan entre valores
cercanos a 170000 y 50000, ya en el paso 300 el valor de la funcin objetivo se
estabiliza en valores de 33000 alcanzando el mnimo valor de la funcin objetivo se en
el paso 1787 y es 31348.
3
1
3
4
8
0
200000
400000
600000
800000
1000000
1200000
1400000
1600000
1800000
2000000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

Figura 6-23: Evolucin de la funcin objetivo FOI para el evento p170194
En la grfica anterior se puede ver como evoluciona los valores de la funcin
objetivo FOI, se destaca que en los primeros pasos los valores de FOI oscilan, como es
de esperar en la estrategia de Metropolis, cuando la temperatura todava es alta, se
aceptan valores mayores de FOI, a medida que el proceso de enfriamiento avanza, slo
se aceptan los valores menores de FOI, disminuyendo as las veces de aceptacin de los
nuevos parmetros.
el evento p170194
400 10,380077 0,192871 0,295283 7,036928 47,318534 1,841098 31755
882 13,117987 0,310789 0,162811 6,541935 45,430480 3,138213 31475
1787 13,228859 0,204731 0,184855 6,611502 23,170282 3,510084 31348
Pg. 188
Como se puede apreciar, los valores de los parmetros obtenidos son diferentes
entre s y se obtuvieron valores de la funcin objetivo cercanos a 30000, si
consideramos que partimos de valores prximos a 1700000, estamos consiguiendo una
disminucin de la FOI del orden del 98%. Para verificar el grado de ajuste conseguido
con la calibracin automtica se corri el modelo IPH II con estos juegos de parmetros
y se los compara con el hidrograma medido en la cuenca.
En la Figura 6-24 se presentan el hidrograma medido en la cuenca y los
hidrogramas con los tres mejores juegos de parmetros obtenidos, ver Tabla 6.16.
0
5
10
15
20
25
30
35
40
45
50
55
60
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Intervalos de tiempo: t = 15 [mim]
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
50
100
150
200
250
300
350
400
450
500
550
600
C
a
u
d
a
l

[
m
3
/
s
]
p170194 q170194 qta170194 qtb170194 qtc170194

Figura 6-24: Hidrograma original del evento p170194 e hidrogramas obtenidos con la calibracin
automtica
Como se puede ver en la figura anterior los hidrogramas ajustan bastante bien,
es decir, desde el punto de vista prctico, estos tres juegos de parmetros son aceptables
para representar el evento p170194.
Otro punto a destacar en la figura anterior es que no hay prdida de masa, esto
denota congruencia en el modelo. Los aumentos de volumen con respecto al hidrograma
observado son del 1,6%, 2,4% y 0,3% para los casos a, b y c respectivamente.
El valor del pico del hidrograma medido es alrededor de los 450 m
3
/s en periodo
de tiempo t = 16, es decir 4 [hs], mientras que los picos de los hidrogramas calibrados
alcanzan valores cercanos a los 420 m
3
/s correspondiente al t = 19, es decir 4 horas
con 45 minutos.
Los mismos respetan la forma del hidrograma medido inclusive en la rama
descendente del hidrograma. Se observa una diferencia en la pendiente de la rama
ascendiente con respecto al hidrograma medido que eventualmente podria deberse a
cierta dificultad del modelo hidrolgico (IPH II) de simular hidrogramas con pendientes
muy abruptas. En relacin al pico del evento, que se manifiesta como un
empuntamiento sobre una tendencia general creciente, es probable (aunque no
confirmado) que se deba a algn aguacero de lluvia no registrado por el sistema de
monitoreo (ya sea porque ocurri en la cuenca baja o bien en los sectores
interestaciones).
referidas al evento llamado p081203 contenido en el archivo de salida
081203salsa.txt. Se puede ver que el tiempo de clculo para esta corrida es de 14040
segundos, es decir unos 234 minutos y se realizaron 100927668 iteraciones, de las
cuales se cambi el juego de parmetros unas 8712981 de veces, el 14,68% y slo la
mitad de este porcentaje la funcin objetivo mejor. El coeficiente de control del
enfriamiento para este evento fue 0,97.
Pg. 190
DATOS GENERALES
Para un evento
Nro Iteraciones
100927668
10000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
7411030
7.34
7408231
% Veces que pas:
7.34
Veces que cambi:
14819261
% Veces que cambi:
14.68

3000 pasos en que se dividi el proceso de enfriamiento. En la figura se puede ver que
los valores de la funcin objetivo en los primeros 200 pasos oscilan entre valores
cercanos a 250000 y 25000, ya en el paso 270 el valor de la funcin objetivo se
estabiliza en valores de 7000 alcanzando el mnimo valor de la funcin objetivo en el
paso 2191 y es 6081.
6
0
8
1
0
25000
50000
75000
100000
125000
150000
175000
200000
225000
250000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

En la grfica anterior se puede que la evolucin los valores de la funcin
objetivo FOI, cumple con la estrategia de Metropolis.
el evento p081203
612 11,943942 0,213666 0,156553 6,252921 118,792334 7,337125 6251
1199 10,727825 0,290532 0,071034 6,713981 129,422257 8,801919 6144
2191 11,957484 0,249923 0,110498 6,984821 129,976658 8,000792 6081
Se consiguieron tres juegos de parmetros diferentes entre s y se obtuvieron
valores de la funcin objetivo cercanos a 6000, si consideramos que partimos de valores
prximos a 225000, estamos consiguiendo una disminucin de la FOI del orden del
97%. Para verificar el grado de ajuste conseguido con la calibracin automtica se
Pg. 192
corri el modelo IPH II con estos juegos de parmetros y se los compara con el
hidrograma medido en la cuenca.
hidrogramas con los tres mejores juegos de parmetros obtenidos, ver tabla anterior.
0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
30
60
90
120
150
180
210
240
C
a
u
d
a
l

[
m
3
/
s
]
p081203 q081203 qta081203 qtb081203 qtc081203

automtica
Como se puede ver en la figura anterior los hidrogramas ajustan bastante bien,
es decir, desde el punto de vista prctico, estos tres juegos de parmetros son aceptables
El valor del pico del hidrograma medido es alrededor de los 170 m
3
/s en periodo
de tiempo t = 24, es decir 6 [hs], mientras que los picos de los hidrogramas calibrados
varian entre los valores de 165 y 160 m
3
/s para el mismo t.
Presentan aumentos de volumen con respecto al observado del 1,4%, 2,1% y
2,4% para los casoa a, b y c respectivamente.
Se destaca la forma de serrucho que presenta el hidrograma medido en su
rama ascendente. Es probable que este comportamiento se deba a la accin de tormentas
espacialmente concentradas sobre sectores donde existen falencias en el monitoreo
hidrometeorolgico (por ejemplo, la cuenca baja), o bien al hecho de haberse
representado, dentro de la modelacin, las lluvias reales como lluvias promedio de una
vasta rea. Posiblemente, una discretizacin mayor de la cuenca en subcuencas y la
aplicacin recurrente del modelo en cada una de ellas podra haber tendido a un mejor
resultado de modelacin. Sin embargo, de haberse ejecutado tal tarea ello se habra
realizado a expensas del aumento del nmero de parmetros (un nuevo conjunto por
cada nueva subcuenca), sin disponerse de nuevas informaciones de campo, por lo que la
robustez de los resultados habria decaido notoriamente. En aras de la simplicidad de la
modelacin se destaca, entonces, la adecuada representacin de la tendencia media
global de la rama ascende de este hidrograma. Por lo tanto, se desprende la ventaja que
en este caso ofrece la modelacin concentrada a nivel de toda la cuenca.
referidas al evento p101193 contenido en el archivo de salida 101193salsa.txt. Esta
corrida demand un tiempo de clculo de 12437 segundos, un poco ms de 207 minutos
y se realizaron 100209867 iteraciones, de las cuales se cambi el juego de parmetros
unas 12156697 de veces, el 12,13% y slo la mitad de este porcentaje la funcin
objetivo mejor. El coeficiente de control del enfriamiento adoptado para este evento
fue 0,99.
Pg. 194
Tabla 6.19: Datos generales correspondiente a la salida de eventop101193
DATOS GENERALES
Para un evento
Nro Iteraciones
100209867
10000000.0 0.00000081
0.990000 3000 1.000000 90000

RESULTADOS
6078612
6.07
6078085
% Veces que pas:
6.07
Veces que cambi:
12156697
% Veces que cambi:
12.13

3000 pasos que consta el proceso de enfriamiento. En la figura se puede ver que los
valores de la funcin objetivo en los primeros 250 pasos oscilan entre valores cercanos
a 11500000 y 2100000, alcanzando el mnimo valor de la funcin objetivo en el paso
2527 y es 2071246.
2
0
7
1
2
4
6
0
1000000
2000000
3000000
4000000
5000000
6000000
7000000
8000000
9000000
10000000
11000000
12000000
0 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000
NPAS
F
O
I

En la grfica anterior se puede ver que la evolucin los valores de la funcin
objetivo FOI, cumple con la estrategia de Metropolis.
el evento p101193
1082 11,885731 0,959608 0,476526 0,170327 103,458520 3,498202 2071995
1734 10,788167 1,344803 0,322905 0,091723 107,712042 6,810502 2071448
2527 12,179384 0,578243 0,536504 0,099144 102,664373 1,821585 2071246
Pg. 196
Se obtuvieron tres juegos de parmetros diferentes entre s y con valores de la
funcin objetivo cercanos a 207140, alcanzando valores prximos a 11500000 y
consiguiendo una disminucin de la FOI del orden del 98%. Para verificar el grado de
ajuste conseguido con la calibracin automtica se corri el modelo IPH II con estos
juegos de parmetros y se los compara con el hidrograma medido en la cuenca.
0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
200
400
600
800
1000
1200
1400
1600
C
a
u
d
a
l

[
m
3
/
s
]
p101193 q101193 qta101193
qtb101193 qtc101193

automtica
En la figura anterior se puede ver que los hidrogramas no consiguen reproducir
los dos picos que presenta el hidrograma medido y la pendiente abrupta de la rama
ascendente del mismo, a pesar de ello, se puede decir, que ajustan bastante bien
teniendo en cuenta los porcentajes en los aumentos de volumen con respecto al
hidrograma observado (4,8% para el caso a y 6,2% casos b y c) y que desde el punto de
vista prctico y que estos tres juegos de parmetros son aceptables para representar el
evento p101193.
El valor del primer pico del hidrograma medido es cercano a los 1500 m
3
/s
mientras que el del segundo pico ronda los 1150 m
3
/s; los valores de los picos de los
hidrogramas calibrados alcanzan valores de 1050 m
3
/s y la posicin de los mismos se
encuentra entre los dos picos del hidrograma medido. A pesar de la diferencia de los
valores de los picos y de las pendientes la diferencia de volumen del hidrograma
observado y el calculado es pequea. Una posible explicacin del hecho que los
hidrogramas obtenidos a travs de la modelacin slo presentan un pico resulten de la
combinacin de las posibles causas presentados en los dos eventos anteriores donde se
argumentaron los casos del pico empuntado en primer lugar y el caso de la pendiente
con forma de serrucho. La posible ocurrencia de algn aguacero no registrado por el
sistema de monitoreamiento explicara la forma del primer pico con un empinamiento.
Ya a lo que se refiere al segundo pico se lo podra atribuir a la discretizacin adoptada
en la modelacin.
corrida demand un tiempo de clculo de 17501 segundos, casi 292 minutos y se
realizaron 126554476 iteraciones, de las cuales se cambi el juego de parmetros unas
50044831 de veces, el 39,54% y slo la mitad de este porcentaje la funcin objetivo
mejor. El coeficiente de control del enfriamiento adoptado para este evento fue 0,99.
Pg. 198
DATOS GENERALES
Para un evento
Nro Iteraciones
126554476
10000000.0 0.00000081
0.990000 3000 1.000000 90000

RESULTADOS
25019684
19.77
25025147
% Veces que pas:
19.77
Veces que cambi:
50044831
% Veces que cambi:
39.54

3000 pasos que consta el proceso de enfriamiento. En la figura se puede ver claramente
una zona de oscilacin de los valores de la funcin objetivo hasta el paso 920 entre
valores cercanos a 154000 y 27500, alcanzando el mnimo valor de la funcin objetivo
en el paso 2167 y es 20142. Manteniendo el esquema segn la estrategia de Metropolis.
2
0
1
4
2
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
100000
110000
120000
130000
140000
150000
160000
170000
180000
0 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000
NPAS
F
O
I

el evento p261293
921 10,289177 0,116952 0,167757 9,165391 48,193952 6,086081 20810
982 15,952329 0,234678 0,042632 9,314862 27,215117 7,498201 20602
2167 12,782641 0,129535 0,113911 8,868111 16,659453 7,044306 20142
Se obtuvieron tres juegos de parmetros diferentes entre s y con valores de la
funcin objetivo cercanos a 20140, alcanzando valores prximos a 154000 y
consiguiendo una disminucin de la FOI del orden del 87%. Para verificar el grado de
ajuste conseguido con la calibracin automtica se corri el modelo IPH II con estos
juegos de parmetros y se los compara con el hidrograma medido en la cuenca.
Pg. 200
0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
20
40
60
80
100
120
140
160
C
a
u
d
a
l

[
m
3
/
s
]
p261293 q261293 qta261293 qtb261293 qtc261293

automtica
En la figura anterior se puede ver que los hidrogramas ajustan bastante bien, a
pesar de la forma escalonada y empinada de la rama ascendente del hidrograma medido,
que merecen comentarios semejantes a los realizados para el evento p081203. Se
puede observar que se conserva el volumen (las diferencias porcentuales de volumen
son del 3,9% para el caso a, del 9,4% para el caso b, siendo estas prdidas y un aumento
del 0,7% para el caso c) debido al cambio de pendiente en la rama ascendiente del
hidrograma y as compensan la diferencia en el valor del pico. El hidrograma medido
posee un pico que alcanza los 126 m
3
/s, mientras que los calculados con los parmetros
ajustados sus picos tienen valores cercanos a los 92 m
3
/s, con un tiempo al pico similar
al del hidrograma medido. Esto nos permite decir que desde el punto de vista prctico,
estos tres juegos de parmetros son aceptables para representar el evento p261293.

corrida demand un tiempo de clculo de 12540 segundos, unos 209 minutos y se
realizaron 105388647 iteraciones, de las cuales se cambi el juego de parmetros unas
mejor. El coeficiente de control del enfriamiento adoptado para este evento fue 0,98.
DATOS GENERALES
Para un evento
Nro Iteraciones
105388647
10000000.0 0.00000000
0.980000 3000 1.000000 90000

RESULTADOS
10497187
9.96
10500720
% Veces que pas:
9.96
Veces que cambi:
20997907
% Veces que cambi:
19.92

3000 pasos que consta el proceso de enfriamiento. En la figura se puede ver una zona de
oscilacin de los valores de la funcin objetivo hasta el paso 500 entre valores cercanos
Pg. 202
a 290000 y 25000, alcanzando el mnimo valor de la funcin objetivo en el paso 2725 y
es 24829. Manteniendo el esquema segn la estrategia de Metropolis.
2
4
8
2
9
0
30000
60000
90000
120000
150000
180000
210000
240000
270000
300000
0 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000
NPAS
F
O
I

el evento p111295
1468 16,887956 8,283457 0,011093 9,553089 38,645654 1,238632 24952
2374 15,589554 9,363459 0,019830 9,225781 38,271188 1,686520 24871
2725 10,402235 8,346631 0,047795 9,158663 41,253880 1,104626 24829
Se obtuvieron tres juegos de parmetros diferentes y con valores de la funcin
objetivo cercanos a 24800, alcanzando valores prximos a 290000 y consiguiendo una
disminucin de la FOI del orden del 91%. Para verificar el grado de ajuste conseguido
con la calibracin automtica se corri el modelo IPH II con estos juegos de parmetros
y se los compara con el hidrograma medido en la cuenca.
0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
25
50
75
100
125
150
175
200
C
a
u
d
a
l

[
m
3
/
s
]
p111295 q111295 qta111295 qtb111295 qtc111295

automtica
En la figura anterior nuevamente se observar que los ajustes con el mtodo de
calibracin consiguen resultados tales que no presentan grandes diferencias de volumen
(con aumentos de volumen con respecto al observado del 2,1%, 0,8% y 3,5% para los
casos a, b y c respectivamente), teniendo en cuenta la forma del hidrograma medido con
pendientes abruptas y dos picos. Los hidrogramas calculados presentan picos con
valores cercanos a los 125 m
3
/s con un tiempo al pico intermedio a los tiempos de cada
uno del los dos picos del hidrograma medido, cuyo valores son iguales a 109 m
3
/s para
el primero y a 149 m
3
/s para el segundo. Para este evento se pueden mencionar como
posibles causas de la falta de representacin del doble pico por el modelo aquellas que
mencionadas en el evento p101193, es decir, la discretizacin adoptada en la
Pg. 204
modelacin y las falencias en el sistema de monitoreo con respecto a la deteccin de
ciertas eventos espacialmente concentrados.
Por lo expresado anteriormente se puede decir que desde el punto de vista
prctico, estos tres juegos de parmetros son aceptables para representar el evento
p111295.
6.2.6. Resultados correspondientes a la calibracin automtica simultnea de los
cinco eventos
referida a los cinco eventos simultneamente contenidos en el archivo de salida
salmesa2.txt. Esta corrida demand un de tiempo de clculo de 116594 segundos, casi
33 horas, para realizar 159857992 iteraciones, donde se produjeron 17951095 cambios
de juegos de parmetros, el 11,23%, de los cuales un porcentaje del 70% de las veces
fueron cambios que mejoraron los valores de la funcin objetivo.
Tabla 6.25: Datos generales correspondiente a la salida de los cinco eventos simultneamente
DATOS GENERALES
Usando los siguientes archivos txt: prec#.txt hta.txt data.txt qt#.txt
Para multi eventos
Nro Iteraciones
159857992
100000000 0.00000000
0.970000 3000 1.000000 100000

RESULTADOS
12494176
7.82
5456919
% Veces que pas:
3.41
Veces que cambi:
17951095
% Veces que cambi:
11.23

Para esta corrida se ajustaron algunos de los parmetros de Metrpolis Monte
Carlo con respecto a los casos de la calibracin de los eventos individuales, se modific
la longitud de la cadena de Marcov a 100000 iteraciones, con un mximo de iteraciones
sin cambio de la FOI de 50000 iteraciones, se adopt un valor para la temperatura de
inicio de 100000000 grados y un coeficiente de control del enfriamiento de 0,97.
3000 pasos del proceso de enfriamiento, donde la temperatura descendi desde los
10000000 grados a 0 grados. En la figura se puede ver que se encuentra el valor mnimo
de la funcin objetivo en el paso 324 se obtiene igual a 579411. Los valores de la
funcin fueron oscilando desde valores prximos a los 2760000 y los 600000,
Pg. 206
consiguiendo una disminucin de la FOI del orden del 78%. El mnimo valor de la
funcin objetivo es del mismo orden alcanzado para los casos de eventos individuales.
Se mantiene el esquema esperado segn la estrategia de Metropolis.
5
7
9
4
1
1
0
500000
1000000
1500000
2000000
2500000
3000000
0 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000
NPAS
F
O
I

Figura 6-33: Evolucin de la funcin objetivo FOI para los cinco eventos simultneamente
En la Tabla 6.26 se muestra el juego de parmetros obtenidos, el paso en que fue
obtenido y el valor de la funcin objetivo FOI correspondiente.
Tabla 6.26: Valores obtenidos con la calibracin automtica de los parmetros del Modelo IPH II
324 17,948176 1,866175 0,061483 0,847139 53,038817 8,338760 579411
los valores de los parmetros con los que fueron obtenidas las cinco series de caudal
obtenidas individualmente. Por esa razn se decidi verificar que hidrogramas
resultaban al utilizar los valores de los parmetros obtenidos y compararlos con el
original de cada evento.
En la Tabla 6.27 se muestra el juego de parmetros obtenidos como el valor
medio de los mejores cinco juegos de parmetros correspondientes a cada evento, el
desvo standard de los mismos y se resaltan los valores extremos de cada parmetro.
Tabla 6.27: Valores medios utilizando los mejores juegos de parmetros obtenidos para cada evento con
la calibracin automtica
Evento I0 Ib H Ksup Ksub Rmax
170194 13,22885 0,20473 0,18485 6,61150 23,17028 3,51008
81203 11,95748 0,24992 0,11050 6,98482 129,97659 8,00079
101193 12,17938 0,57824 0,53650 0,09914 102,66430 1,82158
261293 12,78264 0,12954 0,11391 8,86811 16,65940 7,04430
111295 10,40223 8,34663 0,04780 9,15866 41,25380 1,10462
Desvo Standad 1,07806 3,60684 0,19496 3,66654 50,65952 3,09047
Valores Medios 12,11012 1,90181 0,19871 6,34445 62,74487 4,29627

En la siguiente sucesin de figuras se muestran los resultados obtenidos al
utilizar el juego parmetros con la calibracin automtica simultnea y el juego de
parmetros medio de la calibracin individual de los cinco eventos.
En la Figura 6-34 se presentan el hidrograma medido del evento p170194, el
hidrogramas con el juego de parmetros obtenido para los cinco eventos
simultneamente y el hidrograma obtenido con el valor medio de los cinco mejores
juegos de parmetros de cada evento.
Pg. 208
0
5
10
15
20
25
30
35
40
45
50
55
60
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
50
100
150
200
250
300
350
400
450
500
550
600
C
a
u
d
a
l

[
m
3
/
s
]
p170194 q170194 qm170194 qme170194

Figura 6-34: Hidrograma medido del evento p170194, hidrograma obtenido con la calibracin
Como se puede ver en la figura anterior el ajuste del hidrograma con el juego de
parmetros obtenido en forma simultnea es bastante bueno teniendo en cuenta que
respeta la forma y empeora con respecto a la posicin del pico, el valor del pico y en la
parte descendente del hidrograma. Cuando se utiliza el juego de parmetros obtenido
como el valor medio de los mejores juegos de parmetros de cada evento, mejora el
ajuste teniendo en cuenta la forma del hidrograma y la posicin del pico, aunque el
valor del pico resulte un poco menor. Las diferencias de volumen porcentuales con
respecto al hidrograma observado corresponden a prdidas del 9,6% para el caso de
utilizar los valores medios y del 18,0% para el caso de utilizar la calibracin simultnea.
Se puede decir que desde el punto de vista prctico, ambos juegos de parmetros
se pueden considerar aceptables para representar el evento p170194.
hidrograma con el juego de parmetros obtenido para los cinco eventos
0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
30
60
90
120
150
180
210
240
C
a
u
d
a
l

[
m
3
/
s
]
p081203 q081203 qm081203 qme081203

En la figura anterior se puede ver que tanto el hidrograma resultante de utilizar
el juego de parmetros obtenido en forma simultnea como el hidrograma obtenido con
el juego de parmetros obtenido como el valor medio de los mejores juegos de
parmetros de cada evento son similares, con un mejor ajuste del ltimo juego
mencionado. Las diferencias de ambos con respecto al hidrograma observado radican en
la parte ascendente y descendente del hidrograma, con valores de pico menores. Las
diferencias de volumen porcentuales con respecto al hidrograma observado
Pg. 210
corresponden a aumentos del volumen del 22,0% para el caso de utilizar los valores
medios y del 10,7% para el caso de utilizar la calibracin simultnea.
hidrogramas con el juego de parmetros obtenido para los cinco eventos
0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
200
400
600
800
1000
1200
1400
1600
C
a
u
d
a
l

[
m
3
/
s
]
p101193 q101193 qm101193 qme101193

En la figura anterior se puede ver que el hidrograma resultante de utilizar el
juego de parmetros obtenido en forma simultnea ajusta de mejor manera que el
hidrograma obtenido con el juego de parmetros obtenido como el valor medio de los
mejores juegos de parmetros de cada evento son similares, sobre todo al tener en
cuenta la forma del mismo. Las diferencias de ambos con respecto al hidrograma
observado se centralizan en el valor de sus picos, que resultan menores y que sus
volmenes presentan un aumento del 13,5% para el caso de utilizar valores medios y del
12,5% para el caso de utilizar la calibracin simultnea .
0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
20
40
60
80
100
120
140
160
C
a
u
d
a
l

[
m
3
/
s
]
p261293 q261293 qm261293 qme261293

Pg. 212
En la figura anterior se puede ver que el hidrograma resultante de utilizar el
juego de parmetros obtenido en forma simultnea ajusta de peor manera que el
hidrograma obtenido con el juego de parmetros obtenido como el valor medio de los
mejores juegos de parmetros de cada evento son similares, contrariamente a lo que
ocurri con el evento p101193. Las diferencias de ambos con respecto al hidrograma
observado se centralizan en el valor de sus picos, que resultan menores y en la posicin
de los mismos. Las diferencias de volumen porcentuales con respecto al hidrograma
observado corresponden a un aumento del volumen del 15,4% para el caso de utilizar
los valores medios y una prdida del 8,7% para el caso de utilizar la calibracin
simultnea. Se puede decir que desde el punto de vista prctico, ambos juegos de
parmetros se pueden considerar aceptables para representar el evento p261293.

0
5
10
15
20
25
30
35
40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
25
50
75
100
125
150
175
200
C
a
u
d
a
l

[
m
3
/
s
]
p111295 q111295 qm111295 qme111295

Para este evento se repite lo ocurrido con el evento p261293 donde el
hidrograma resultante de utilizar el juego de parmetros obtenido en forma simultnea
tiene un ajuste peor que el hidrograma obtenido con el juego de parmetros obtenido
como el valor medio de los mejores juegos de parmetros de cada evento son similares.
Las diferencias de ambos con respecto al hidrograma observado se centralizan en el
valor de sus picos. Las diferencias de volumen porcentuales con respecto al hidrograma
observado corresponden a grandes prdidas del volumen del 37,3% para el caso de
utilizar los valores medios y del 51,5% para el caso de utilizar la calibracin simultnea.
En este caso, ambos juegos de parmetros se no pueden considerar aceptables
Pg. 214
Al realizar el anlisis de los cinco casos se puede decir decirse que la utilidad
prctica de estos ajustes sera para fines tales como planificacin, no siendo
aconsejables para el pronstico de crecidas en tiempo real.
6.2.7. Resumen de resultados correspondientes a la calibracin automtica de
eventos de la cuenca del ro San Antonio
Del anlisis de los resultados obtenido con la calibracin automtica de los
eventos individuales se puede decir lo siguiente:
El algoritmo de Metropolis Monte Carlo no encuentra un nico juego de
parmetros (mnimo global);
Se logr un muy buen ajuste al utilizar cualquiera de los tres mejores juegos de
parmetros para cada uno de los eventos;
Los hidrogramas resultantes de los tres mejores juegos de parmetros son
aceptables para representar el evento.
Para la calibracin automtica de los eventos en forma simultnea se puede
decir lo siguiente:
Como para el caso de la calibracin automtica individual, el algoritmo de
Metropolis Monte Carlo no encuentra un nico juego de parmetros (mnimo
global);
No siempre se obtiene un buen ajuste al utilizar para cada uno de los eventos el
mejor juego de parmetros, se presenta diferencias con respecto al valor del
pico, de la posicin del mismo y en la diferencia de volumen con respecto al
hidrograma observado;
El hidrograma resultante del juego de parmetros calculado no siempre es
aceptable para representar el evento, como por ejemplo, el caso del evento
p111295 se presenta una diferencia entre el volumen observado y el calculado
con calibracin simultnea del 51,5% y del 37,3% con los valores promedios;
En algunos eventos se logr un mejor ajuste utilizando el juego de parmetros
medios de los eventos individuales que el logrado al utilizar el juego de
parmetros en forma simultnea..
En sntesis, como era de esperar, la calibracin de los eventos de la cuenca
hidrolgica del ro San Antonio result ms dificultosa que aquella de los eventos
sintticos. En efecto, los valores de la funcin objetivo fueron muy superiores y, en
trminos generales, se estima que se arrib a valores de juegos de parmetros
aceptables, pero no ptimos. Existen diversas causas que podran explicar este
comportamiento, entre ellas:
a) falencias en las informaciones hidrolgicas de campo, como ser:
errores en los datos de lluvia y/o caudal, falta de representatividad de
las estaciones de medicin de la lluvia en funcin de las distintas
distribuciones espaciales de las tormentas registradas, errores en la
estimacin de los caudales (en funcin de incertidumbres en la curva
h-Q), simplificaciones prcticas (lluvia media en la cuenca; estado de
humedad promedio en toda la cuenca, etc.);
b) inadecuada representacin del modelo de aquellos mecanismos
hidrolgicos que se presentan en la cuenca, habida cuenta de que
buena parte de la misma presenta suelos poco profundos y con
afloramientos rocosos.
c) empleo del modelo en un rango excesivamente amplio de caudales,
hecho que podra conducir ya no a un nico ajuste para todo el
espectro de caudales sino al ajuste diferenciado, en funcin de rangos
de diferentes magnitudes de caudales mximos y/o volmenes de
respuesta.

Pg. 216

CAPTULO 7
7. CONCLUSIONES Y RECOMENDACIONES
7.1. CONCLUSIONES
En la elaboracin de las conclusiones de esta Tesis se han analizado dos
aspectos distintos. En primer lugar, el referido a los aspectos de implementacin de la
metodologa ensayada. En segundo lugar, el concerniente a los resultados obtenidos al
aplicar dicha metodologa sobre un modelo hidrolgico.
A su vez, se han incluido en este Captulo una serie de recomendaciones que
deberan ser tenidas en cuenta a los fines de darle continuidad a este trabajo, o bien para
implementar esta metodologa en estudios relacionados.
7.1.1. Referidas a la Implementacin del Algoritmo de Metropolis Monte Carlo
A pesar que existe un sinnmero de trabajos publicados utilizando el
algoritmo metaheurstico Metropolis Monte Carlo, la literatura no es prdiga
en trabajos en que la aplicacin se haya realizado sobre modelos
hidrolgicos. Por otro lado, en los trabajos en que se implement esta
metodologa a un modelo hidrolgico, no se han hecho referencias a
aspectos de la implementacin en s misma, tales como la exposicin de
reglas o recomendaciones al respecto. Los trabajos slo se han limitado a
presentar los resultados de la calibracin del modelo acompaados de una
somera explicacin referida a la implementacin del algoritmo.
Tambin es de destacar la inmensa cantidad de versiones o variantes del
algoritmo que se encuentran en la bibliografa, desde variaciones en la
evolucin de proceso de enfriamiento (funcin de temperatura de
Metropolis) hasta modificaciones en el muestreo. Por ltimo, cabe sealar
que la mayora de los trabajos publicados se refieren a implementaciones
sobre problemas de asignacin, discretos, o que poseen pocos nmeros de
parmetros.
La puesta a punto de los parmetros del algoritmo, la definicin de la
temperatura de inicio, de la velocidad de enfriamiento y de longitud de la
cadena de Markov no resultan tareas triviales y demandan sucesivas pruebas
de ajuste, consumiendo tiempo extra que debe sumarse al tiempo de clculo
utilizado por el algoritmo.
Todas las conclusiones presentadas previamente denotan cierta dificultad en
la aplicacin de esta metodologa con fines hidrolgicos, aunque es menester
destacar que desde el punto de vista prctico la puesta en marcha de esta
metodologa no es compleja, permitiendo realizar interesantes experiencias
con una tcnica novedosa para el pas en el campo de la calibracin
automtica hidrolgica.
7.1.2. Referidas a los resultados de la aplicacin del algoritmo
La Tesis se refiri a diversos ensayos de ajuste del valor de los parmetros
ante situaciones diversas, pero sin extender el trabajo a las tareas de
verificacin del modelo. La justificacin de ello radic en que el esfuerzo de
la Tesis ha estado centrado en el estudio, anlisis detallado e implementacin
computacional mediante cdigo propios desarrollados para tal fin, tanto del
algoritmo de Metropolis Monte Carlo como del modelo IPH II.
Pg. 218
La adopcin de una programacin en mdulos torna al programa
desarrollado en una verdadera herramienta prctica que podr viabilizar
futuros trabajos para explorar alternativas fuera del alcance de esta Tesis.
Por ejemplo, si se tiene en cuenta al modelo hidrolgico, realizar
modificaciones y/o adaptaciones del mismo para ser utilizado en las cuencas
del tipo de las sierras de la provincia de Crdoba, para la utilizacin de series
de tiempo (no simplemente a eventos), etc; y si se tiene en cuenta al
algoritmo de Metropolis Monte Carlo, realizar modificaciones en la funcin
objetivo, en el proceso de enfriamiento y/o en la funcin generadora de
nmeros aleatorios.
En la etapa de ajuste del modelo fueron consideradas las siguientes
alternativas: (a) empleo de eventos aislados y (b) empleo simultneo de
varios eventos independientes entre s. Este ltimo aspecto merece ser
destacado pues podra constituirse en un enfoque de utilidad para la realidad
nacional, al tiempo de no registrarse en la bibliografa nacional antecedentes
de calibracin automtica de varios eventos en simultneo.
Cabe consignar que si bien los ajustes obtenidos por el algoritmo de
Metropolis Monte Carlo implementado en esta Tesis fueron de muy buena
calidad prctica (ello fue as para el caso de eventos sintticos), no fue
posible encontrar un nico juego de parmetros del modelo IPH II, es decir,
el algoritmo no arrib a un mnimo global. Esta caracterstica ensambla bien
con la descripcin dada por diversos autores en el sentido de que, en
realidad, es ms lgico considerar una regin del hiperespacio donde
diversas combinaciones de valores de los parmetros son igualmente
aceptables.
Los juegos de parmetros obtenidos utilizando el algoritmo de Metropolis
Monte Carlo generaron hidrogramas con muy buenos ajustes en el caso de
eventos sintticos, tanto para los casos individuales como el caso de los
eventos optimizados en forma simultnea.
Cuando el algoritmo fue ensayado sobre datos de una cuenca real los ajustes
vieron reducida su calidad en relacin a los anteriormente citados. Se estima
que ello es resultante de una combinacin de factores, entre los que se
destacan eventuales falencias en las informaciones de campo referidas a la
ocurrencia de lluvias serranas en sectores no monitoreados de la cuenca y/o
cierta incapacidad del modelo para representar los procesos hidrolgicos de
una cuenca serrana, donde los suelos son muy poco profundos. Tambin
podra atribuirse a cierta falta de capacidad del mtodo de calibracin
implementado en esta Tesis.
Las pruebas realizadas, en especial en los casos de series sintticas, muestran
una tendencia a que es ms apropiado utilizar el juego de valores de los
parmetros obtenidos utilizando la calibracin simultnea que el juego de
parmetros resultante de aplicar el valor promedio de los parmetros
calibrados de los eventos individuales.
El resultado del ensayo donde se dejaron variar tres de los seis parmetros
del modelo IPH II fue que, a pesar de que los juegos de parmetros
obtenidos presentaron buenos ajustes, no se obtuvo el ptimo global, aunque
si se disminuy el tiempo de clculo. Tambin se constat que la
interrelacin de los parmetros es del tipo no lineal, especialmente con
respecto a los parmetros del algoritmo de infiltracin, lo cual tiende a
dificultar la adopcin de algn criterio para reducir el nmero de parmetros
a calibrar.
En sntesis, puede afirmarse que el algoritmo ensayado se mostr como una
buena herramienta de trabajo que podra emplearse para algunos fines
especficos de la ingenieria hidrolgica, como por el ejemplo, la estimacin
Pg. 220
de la respuesta global de una cuenca con fines de planificacin del recurso o
bien la estimacin de volmenes de aporte a un embalse. En cualquier caso
ser necesario adaptar la Funcin Objetivo al fin especfico perseguido. En
esta Tesis se han realizado ensayos que desde el punto de vista prctico
podran servir a uno u otro objetivo, segn la modalidad de la aplicacin
ensayada.
7.2. RECOMENDACIONES
Se recomienda investigar, previa a la aplicacin, cul de las funciones
objetivos mencionadas en el captulo de Estado del arte en mtodos de
optimizacin, es la que mejor representar el objeto de estudio del trabajo.
Del mismo modo, analizar cul se comporta mejor para la cuenca en
cuestin.
Se recomienda, a su vez, realizar anlisis sobre la calidad de los datos
disponibles, fundamentalmente con vistas a eliminar errores groseros
generales, de falta de coherencia entre volmenes precipitados y escurridos,
magnitud de caudales mximos en relacin a intensidades de lluvia y estado
de humedad de la cuenca, tiempos de traslado, etc.
Se deber estudiar la aplicabilidad del modelo hidrolgico segn el objetivo
del estudio a realizar.
Se sugiere combinar la calibracin automtica con la manual, analizando el
rango de valores de los parmetros del modelo hidrolgico implementado,
tendencias observadas, etc., de modo de reducir el rango viable de valores de
los parmetros.
8. BIBLIOGRAFA
8.1. REFERENCIAS
Abdulla, F.A., Lettenmaier, D.P., Liang, X. (1999). Estimation of the ARNO model
baseflow parameters using daily streamflow data. Journal of Hydrology, Vol.222
pp.37-54. EEUU.
Abebe, A.J., Solomatine, D.P. (1998). Application of global optimization to the design
of pipe networks. Proc. 3rd International Conference on Hydroinformatics,
Copenhagen, August 1998. Balkema, Rotterdam. Holanda.
Alonso, F. (2008). Calibracin Automtica de un Modelo Hidrolgico Basada en
Algoritmos Genticos, Aplicacin a Dos Cuencas Tpicas Argentinas. Tesis de
Maestra Mencin en Recursos Hdricos. FCEF y N UNC. Argentina.
Beard, L. (1966). Optimization Techniques for Hydrologic Engineering. Technical
Paper N.2, Hydrologic Engineer Center, Davis Ca. EEUU.
Bertoni, J.C., Chevallier, P., Bouvier, Ch., Desbordes, M. (2000). Anlisis relativo a la
estimacin del tiempo de concentracin: aplicacin a tres cuencas
semiurbanizadas de la Regin Central de Argentina. XIX Congreso
Latinoamericano de Hidrulica, Crdoba. Argentina.
Bertoni, J.C. (2001). Etude hydrologique et analyse des incertitudes sur trois bassins
versants semi urbaniss de la rgion centrale dArgentine. These de Doctorat.
Univ.Montpellier II, 303 p. Francia.
Pg. 222
Bertoni, J.C. (2003). Hidrologa Avanzada. Notas de clases. Curso de Postgrado.
Maestra en Ciencias de la Ingeniera Mencin en Recursos Hdricos. FCEF y
N. Universidad Nacional de Crdoba. Argentina.
Beven, K., Binley, A. (1992). The future of distributed models: model calibration and
uncertainty prediction. Hydrological Process., pp. 6, 279-298. Inglaterra.
Boughton WC, (1993). A hydrograph-based model for estimating water yield of
ungauged catchments. Institute of Engineers Australia National Conference. Publ.
93/14, pp. 317-324. Australia.
Boyle, D.P., Gupta, H.V., Sorooshian, S. (2000). Toward improved calibration of
hydrologic models: Combining the strengths of manual and automatic methods.
Water Resources Research. Vol. 36. N12. pp. 3663-3674. EEUU.
Bravo, J. M. (2006). Otimizao da operao de um reservatrio com base na previso
de vazo. Dissertao Mestrado em Recursos Hdricos e Saneamento Ambiental.
Instituto de Pesquisas Hidrulicas, Universidade Federal do Rio Grande do Sul.
Porto Alegre. 134 p. Brasil.
Bravo, J.M., Allasia, D.G., Collischonn, W., Tassi, R., Meller, A., Tucci, C.E.M.
(2006). Manual de conceitos, WIN_IPH2 Modelo IPH2 para Windows. IPH-
UFRGS. Brasil.
Brazil, L.E. (1988). Multilevel calibration strategy for complex hydrologic simulation
models. PhD Dissertation Colorado State University, Fort Collins. EEUU.
Burnash, R.J.C. (1995). The NWS river forecast system catchment modelling. In: Singh,
V. J. (editor) Computer models of watershed hydrology. Water Resources
Publications, Highlands Ranch. 1130 p. EEUU.
Campana, N., Tucci, C.E.M. (1994). Estimativa da rea Impermevel de Macrobacias
Urbanas. RBE Caderno de Recursos Hdricos, V12 n2 pp. 79-94. Brasil.
Castillo, E., Conejo, A., Pedregal, P., Garca, R., Alguacil, N. (2002). Formulacin y
Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia.
Universidad de Castilla-La Mancha. Espaa.
Chocat, B. (1997). Encyclopdie de lhydrologie urbaine et de lassainissement.
Eurydice 92, Ed. Lavoisier, Paris, 1124 p. Francia.
Chow, V.T., Maidment, D.R., Mays, L.W. (1994). Hidrologa Aplicada. Mc Graw Hill.
Colombia.
Clarke, R.T. (1973). A review of some mathematical models used in hydrology, with
observations on their calibration and use. Journal of Hydrology, 19, pp. 1-20.
EEUU.
Collischonn, W., Tucci, C.E.M. (2001). Calibrao automtica global do modelo IPH-
2. In: Simpsio Brasileiro de Recursos Hdricos, Aracaju SE. Anais do Simpsio
Brasileiro de Recursos Hdricos. Brasil.
Collischonn, W., Tucci, C.E.M. (2003). Ajuste multiobjetivo dos parmetros de um
modelo hidrolgico. Revista Brasileira de Recursos Hdricos, Porto Alegre, v. 8,
n. 3, pp. 27-39. Brasil.
Cooper, V.A., Nguyen, V.T.V., Nicell, J.A. (1997). Evaluation of global optimization
methods for conceptual rainfallrunoff model calibration. Water Sci. Technol., 36
(5), pp. 5360. Inglaterra.
Coutinho K. (2000). Mtodo Monte Carlo Aplicado Simulao de Lquidos. Livro de
resumos da VII Escola Brasileira de Estrutura Eletrnica. pp. 48-73. Brasil
Crawford, M., Linsley, R. (1966). Digital Simulation in Hidrology. Technical Report
n.39, Department of Civil Engineer, Stanford University. EEUU.
Pg. 224
da Silva R., Drugowich de Felicio J. R. (2002). Simulao de Monte Carlo com
Repesagem Aplicada ao Calor Especfico de Slidos. Revista Brasileira de Ensino
de Fsica. Vol. 24 N 2. Brasil.
Dowsland K. A, Daz B. A. (2003). Heuristic design and fundamentals of the Simulated
Annealing. Inteligencia Artificial, Revista Iberoamericana de Inteligencia
Artificial, N 19 pp. 93-102. Espaa.
Duan, Q., Sorooshian, S., Gupta, V. (1992). Effective and efficient global optimization
for conceptual rainfall-runoff models. Water Resources Research Vol. 28, N 4
pp. 1015-1031. EEUU.
Duan, Q., Sorooshian, S., Gupta, V. (1994). Optimal use of de SCE-UA global
optimization method for calibrating watershed models. Journal of Hydrology,
Vol. 158, pp. 265-284. EEUU.
Eckhardt, K., Arnold, J. G. (2001). Automatic calibration of a distributed catchment
model. Journal of Hidrology. Vol. 251. pp. 103-109. EEUU.
Fang, X., Cleveland, T., Garcia, C.A., Thompson, D., Malla, R. (2005). Literature
Review on Timing Parameters for Hydrographs. Department of Civil
Engineering. Lamar University. Beaumont, Texas. EEUU.
Fitch, W., Hartigan, J.P., Ywanki, M. (1976). Urban Flooding Response to Land Use
Change. In: Anais National Symposium in Urban Hydrology Hydraulic and
Sediment Control. Kentucky. EEUU.
Franchini, M., Galeati, G., Berra, S. (1998). Global optimization techiques for the
calibration of conceptual rainfall-runoff models. Journal of Hidrological Sciences.
Vol. 43. N 3. pp. 443-458. EEUU.
Freedman, V. L., V. L. Lopes, M. Hernandez. (1998). Parameter identifiability for
catchment-scale erosion modeling: A comparison of optimization algorithms.
Journal Hydrol., 207 (12), pp. 8397. EEUU.
Fuentes Yage, J.L. (1996). Tcnicas de riego. Ministerio de Agricultura, Pesca y
Alimentacin. Madrid. Ed. Mundi Prensa. Espaa.
Gan, T.Y., Biftu, G.F. (1996). Automatic calibration of conceptual rainfall-runoff
models: Optimization algorithms, catchment conditions, and model structure.
Water Resources Research. Vol. 32. N 12. pp. 3513-3524. EEUU.
Ganancias, F., Fontana, M. (2004). Aplicacin del Modelo IPH II para el Pronstico de
Crecidas en Tiempo Real en la cuenca del Ro San Antonio. Trabajo Final de la
Carrera de Ingeniera Civil. FCEF y N UNC. Argentina.
Gay, A. (2005). La Tecnologa, el Ingeniero y la Cultura. EdicionesTEC Centro de
Cultura Tecnolgica. Pags. 145-169. Crdoba. Argentina.
Germano A., Tucci C.E.M., Da Silveira A.L.L. (1998). Estimativa dos parmetros do
modelo IPH II para algumas bacias urbanas brasileiras. Revista Brasileira de
Recursos Hdricos, v.3, n.4, pp. 103-120. Porto Alegre. Brasil.
Gupta, V., Sorooshian, S., Yapo, P.O. (1998). Toward improved calibration of
hydrologic models: Multiple and noncommensurable measures of information.
Water Resources Research. Vol. 34. N4. pp. 751-763. EEUU.
Gupta, H.V., Sorooshian, S., Yapo, P.O. (1999). Status of Automatic Calibration for
Hydrologic Models: Comparison with Multilevel Expert Calibration. Journal
Hydrologic Engrg., Volume 4, Issue 2, pp. 135-143. EEUU.
HEC. (1974). Trainning Course of Urban Hydrology, U.S.Army, Hydrologic
Engineering. EEUU.
Pg. 226
HEC-HMS. (2000). Hydrologic Modeling System. Technical Reference Manual. EEUU.
Hendrichson, J.D., Sorooshian, S., Brazil, L.E. (1988). Comparison of Newton-Type and
Direct Search Algorithms for Calibration of Conceptual Rainfall-Runoff Models.
Water Resources Research. Vol. 24. N5, pp. 691-700. EEUU.
Holland, J.H. (1975). Adaptation in natural and artificial systems. Ann Arbor: The
University of Michigan Press. EEUU.
Horners, J., Wijens, M. (1942). Surface Runoff Determinations from Rainfall without
coefficient. ASCE Transactions. Vol. 107 pp 1039-1075. EEUU.
Ibbit, R.P. (1970). Systematic parameter fitting for conceptual models of catchment
hydrology. Ph.D. dissertation, Imperial College of Science and Technology,
University of London. Inglaterra.
Ingber, L. (1993). Simulated annealing: Practice versus Theory. J. Math. Comput.
Modelling. Vol. 18, N 11, pp 29-57. EEUU.
Johnston, P.R., Pilgrim, D.H. (1976). Parameter optimization for watershed model.
Water Resources Research Vol. 12, N 3 pp. 477-486. EEUU.
Kirkpatrick, S., Gelatt C. D., Vecchi, M. P. (1983). Optimization by Simulated
Annealing. Science. Vol. 220, N 4598 pp. 671-681. EEUU.
Kuczera, G., (1997). Efficient subspace probabilistic parameter optimization for
catchment models. Water Resources Research. Vol. 33. N 1. pp. 177-185. EEUU.
Kuri, A., Galaviz, J. (2002). Algoritmos Genticos. Fondo de Cultura Econmica,
UNAM, IPN. Mxico.
Madsen. H. (2000). Automatic calibration of a conceptual rainfall-runoff model using
multiple objectives. Journal of Hidrology. Vol. 235. pp. 276-288. EEUU.
Marshall, A.C., Morgan, J.S., Schonfelder, J.L. (1997). Fortran 90 Course Notes the
University of Liverpool. Inglaterra.
Moles, C.G., Gutierrez, G., Alonso, A.A., Banga, J. R. (2003). Integrated Process
Design And Control Via Global Optimization. A Wastewater Treatment Plant
Case Study. Institution of Chemical Engineers. Vol 81, Part A. Inglaterra.
Munoz, R.H., Tucci, C.E.M. (1974). Modelo matemtico do Arroio Chasqueiro.
Relatrio IPH, UFRGS. Brasil
Nash, J.E., Sutcliffe, J.V. (1970). River flow forecasting through conceptual models
part I A discussion of principles. Journal of Hydrology, 10 (3), 282290.
EEUU.
Neal R. M. (1993). Probabilistic Inference Using Markov Chain Monte Carlo Methods.
Technical Report CRG-TR-93-1. Department of Computer Science University of
Toronto. Canad.
Press, W.H., Teukolsky, S.A., Vetterling, W.T., Flannery, B.P. (1995). Numerical
Recipes in FORTRAN. Cambridge: Cambridge University. Inglaterra.
Palah M., Pukkala T. (2004). Mtodos de optimizacin Heurstica para la resolucin
de modelos de planificacin forestal. Cuadernos de S.E.C.F. 18:103-108. I
Reunin del grupo de trabajo sobre modelizacin forestal. Valencia, marzo, 2004.
Espaa.
Pompilio Tabares E., John Fredy Franco B. (2005). Aplicacin del Simulated Annealing
al Problema de las N Reinas. Scientia et Technica. Ao XI, N 19. UTP. ISSN
0122-1701. Colombia.
Refsgaard, J.C., Havno, K., Ammentorp, H.C., Verwey, A. (1988). Application of
Hydrological Models for Flood Forecasting and Flood Control in India and
Bangladesh. Advances in Water Resources, 11, pp. 101-105. Inglaterra.
Pg. 228
Rosenbrock, H.H. (1960). An Automatic Method for Finding the Greatest or Least
Value of a Function. Computer J. 3, pp. 175-184. Inglaterra.
Sanchez, J. (1972). Previso de Crescidas no rio Cauca atravs de um modelo
determinstico. Tese de mestrado. IPH/UFRGS. Brasil.
Sherali, H.D., Smith, E.P. (1997). A Global Optimization Approach to a Water
Distribution Network Design Problem. Journal of Global Optimization, V11(2),
pp. 107-132. EEUU.
Shoemaker, C.A., Regis, R., Mugunthan, P. (2006). Function approximation global
optimization algorithms for calibration of expensive simulations with applications
to water resources. European Geosciences Union, Geophysical Research
Abstracts, Vol. 8. U.E.
Singh, V.P., Woolhiser, D.A. (2002). Mathematical Modeling of Watershed Hydrology.
Journal of Hydrologic Engineering 7(4): pp.270-292. EEUU.
Sorooshian, S., Dracup, J. A. (1980). Stochastic parameter estimation procedures for
hydrologic rainfall-runoff models. Correlated and Heteroscedastic error cases,
Water Resources Research. 16(2), pp. 430442. EEUU
Sorooshian, S., Farid, A. (1982). Response Surface Parameter Sensitivity Analysis
Methods for Postcalibration Studies. Water Resources Research. EEUU.
Sorooshian, S., Gupta, K. (1983). Automatic Calibration of Conceptual Rainfall-Runoff
Models: The Question of Parameter Observability and Uniqueness. Water
Resources Research. Vol. 19. N1, pp. 260-268. EEUU.
Sorooshian, S., Gupta, V.K., Fulton, J.L. (1983). Evaluation of Maximum Likelihood
Parameter Estimation Techniques for Conceptual Rainfall-Runoff Models:
Influence of Calibration. Water Resources Research. Vol. 19. N1, pp. 251-259.
EEUU.
Sorooshian, S., Gupta, V.K. (1985). The Analysis of Structural Identifiability: Theory
and Application to Conceptual Rainfall-Runoff Models. Water Resources
Research. Vol. 21. N 4, pp. 487-495. EEUU.
Sorooshian, S., Duan, Q., Gupta, V.K. (1993). Calibration of Rainfall-Runoff Models:
Application of Global Optimization to the Sacramento Soil Moisture Accounting
Model. Water Resources Research. Vol. 29. N 4, pp. 1185-1194. EEUU.
Sorooshian, S., Gupta V.K. (1995). Model calibration. In: Ch.2, Computer models of
watershed hydrology, V. P. Singh, ed. Water Resources Publications, Littleton,
Colo., pp. 2368. EEUU.
Srikanthan, R., Elliott, J.F., Adams, G.A. (1994). A Review of Real Time Flood
Forecasting Methods. Cooperartive Research Centre for Catchment Hydrology.
Australia.
Tapia Olvera R. (2002). Un criterio ptimo para coordinar estabilizadores enfocado
mediante una tcnica global heurstica. Tesis de Maestra en Ciencias de
Ingeniera Elctrica. Instituto Tecnolgico de Pachuca. Mxico.
Tassi, R., Bravo, J. M., Meller, A., Collischonn, W. (2006). Avaliao do impacto de
diferentes funes-objetivo na calibrao automtica do modelo hidrolgico
IPH2. In: XXII Congreso Latinoamericano de Hidrulica, Ciudad Guayana. Anais
del XXII Congreso Latinoamericano de Hidrulica.
Thiemann, M. Trosset, M., Gupta, H., Sorooshian, S. (2001). Bayesian recursive
parameter estimation for hydrologic models. Water Resources Research. Vol. 37.
N10. pp. 2521-2535. EEUU.
Thyer, M., Kuczera, G., Bates, B. (1999). Probabilistic optimization for conceptual
rainfall-runoff models: A comparison of the shuffled complex evolution and
Pg. 230
simulated annealing algorithms. Water Resources Research Vol. 35, N 3 pp. 767-
773. EEUU.
Tomasella, J., Tucci, C. (1993). Avaliao do mtodo simplificado de Horton. In: Anais.
X Simpsio Brasileiro de Recursos Hdricos e I Simpsio de Recursos Hdricos
do Conesul, ABRH, Gramado, V.2, pp. 417-425. Brasil.
Toro Ocampo, E. M., Granada M. (2005). Mtodo Hbrido entre el Algoritmo Gentico
de Chu-Beasley y Simulated Annealing para la Solucin del Problema de
Asignacin Generalizada. Scientia et Technica. Ao XI, N 28. UTP. ISSN 0122-
1701. Colombia.
Troutman, B.M. (1985). Errors and Parameter Estimation in Precipitation-Runoff
Modeling. 1. Theory. Water Resources Research. Vol. 21. N 8. pp. 1195-1213.
EEUU.
Tucci, C.E.M. (1979). Anlise de sensibilidade dos parmetros do algoritmo de
infiltrao. Anais III Simpsio Brasileiro de Hidrologia, Braslia. Brasil.
Tucci, C.E.M., Ordonez, J.S., Simes, M.L. (1981). Modelo Matemtico Precipitaso-
Vazo IPH II. Alguns Resultados. Anais IV Simpsio Brasileiro de Recursos
Hdricos. ABRH Fortaleza. Brasil.
Tucci, C.E.M. (1991). International studies on climate change impacts Uruguay river
basin. In: Workshop on Analysis of Potential Climate Changes in the Uruguay
River Basin. Porto Alegre : IPH/UFRGS. Brasil.
Tucci, C., Campana, N. (1993). Simulao distribuda com IPH II, nova verso. In:
Anais X Simpsio Brasileiro de Recursos Hdricos e I Simpsio de Recursos
Hdricos do Conesul, ABRH, Gramado, V.3, pp. 495-494. Brasil.
Tucci, C.E.M. (1996). Estudos hidrolgicos - hidrodinmicos do rio Iguau na Regio
Metropolitana de Curitiba. Curitiba: Secretaria de Estado do Planejamento e
Coordenao Geral do Parana,. 2v. Brasil.
Tucci, C.E.M., Clarke, R.T. (1998). Environmental issues in the La Plata Basin. Water
Resources Development, 14, pp. 157-174. EEUU.
Tucci, C.E.M. (2005). Modelos Hidrolgicos. ABRH Editora da UFRGS. Porto Alegre.
Brasil.
Villanueva, A.O.N., Tucci, C.E.M., Allasia D.G., Viegas, J.S., Fraga Dam, R., Tassi,
R. (2005). Manual de Fundamentos del Modelo Hidrolgico IPHS1. UFRGS,
UFPel y FURG. Brasil.
Viveros, E.R.C., Barn, B., Almirn, M. (1998). Optimizacin Basada en Colonias de
Hormigas con Heurstica de Inicializacin. In: IX Panel de Informtica, 1998,
Asuncin. EXPOMTICA98. Paraguay.
Vrugt, J.A., Gupta, H.V., Bastidas, L.A., Bouten, W. and Sorooshian, S. (2003).
Effective and efficient algorithm for multiobjective optimization of hydrologic
models. Water Resources Research. Vol. 39. N 8. pp. 5-1 a 5-19. EEUU.
Vrugt, J.A., Gupta, H.V., Bouten, W., Sorooshian, S. (2003). A Shuffled Complex
Evolution Metropolis algorithm for optimization and uncertainty assessment of
hydrologic model parameters. Water Resources Research. Vol. 39. N 8. pp. 1-1 a
5-16. EEUU.
Wang, Q.J. (1991). The Genetic Algorithm and Its Application to Calibrating
Conceptual Rainfall-Runoff Models. Water Resources Research. Vol. 27. N 9. pp.
2467-2471. EEUU.
Pg. 232
Wang, T. (2001). Global Optimization for Constrained Nonlinear Programming. PhD
Thesis in Computer Science, in the Graduate College of the University of Illinois
at Urbana-Champaign. EEUU.
Xiong, L., OConnor, K. M. (2000). Analysis of the response surface of the objective
function by the optimum parameter curve: how good can the optimum parameter
values be?. Journal of Hidrology. Vol. 234. pp. 187-207. EEUU.
Yapo, P.O., Gupta, H. V., Sorooshian, S. (1998). Multi-objective global optimization for
hydrologic models. Journal of Hydrology. Vol. 204. pp. 83-97. EEUU.
Yapo, P.O., Sorooshian, S, Gupta, H.V. (1993). A Markov chain flow model for flood
forecasting. Water Resources Research, Vol.29, N 7, pp. 2427-2436. EEUU.
Zoraida Omaa G. (2006). Introduccin a la Investigacin de Operaciones. Universidad
de Carabobo, Venezuela.
8.2. BIBLIOGRAFA CONSULTADA
Allasia, D.G. (2002). Impacto das incertezas no custo de uma rede de macrodrenagem
urbana. Disertaao de Mestrado. IPH-UFRGS. Porto Alegre. Brasil.
Alonso, F.J., Alonso, C.W., Weber, J.F. (2002). Caracterizacin Hidrolgica de la
Cuenca del Lago La Quebrada, Provincia de Crdoba. XIX Congreso Nacional
del Agua. Villa Carlos Paz, Crdoba, Argentina.
Alonso, F., Del Prete, P., Bertoni, J.C. (2005). Aplicacin del mtodo de Montecarlo en
el anlisis de sensibilidad de un modelo hidrolgico a variaciones en sus
parmetros. Proceedings of the XXVI Iberian Latin-American Congress on
Computational Methods in Engineering CILAMCE. Espritu Santo, Brasil.
Alonso, F., Bertoni, J.C. (2005). Tcnicas de Calibracin Global de Modelos
Hidrolgicos: Estado del Arte. XX Congreso Nacional del Agua y III Simposio
de Recursos Hdricos del Cono Sur, Mendoza. Argentina.
Alonso, F., Bertoni, J.C. (2007). Calibracin Automtica del Modelo Hidrolgico IPH-
II en dos cuencas tpicas argentinas. XVII Simpsio Brasileiro de Recursos
Hdricos e VIII Simpsio de Hidrulica e Recursos Hdricos dos pases de lngua
oficial portuguesa. ABRH. Brasil.
Aparicio Mijares, F. (1999). Fundamentos de hidrologa de superficie. Limusa.
Argentina.
Bernier, J., Parent, E., Boreux, J. J. (2000). Statistique pour lenvironnement.
Traitement baysien de lincertitude. Ed. Technique & Documentation. Paris.
Francia.
Berthelot, R. (1970). Curso de Hidrologia Sinttica. Mestrado em Hidrologia Aplicada
IPH-UFRGS. Brasil.
Berthelot, R., Muoz, H.R., Semmelman, F., Tucci, C. (1972). Inventrio dos Recursos
Hdricos Superficiais na Regio de Imbituba Relatrio Tcnico. IPH, UFRGS.
Brasil.
Bertoni, J.C., Caamao Nelli, G.E. (1984). Modelos Matemticos en Hidrologa e
Hidrulica - El Hidrograma Unitario Instantneo, Enfoque Determinstico.
Publicacin docente en curso de postgrado. FCEF y N. Universidad Nacional de
Crdoba. Argentina.
Bertoni, J.C. (1989). Modelos de Previso de Cheias em Tempo Atual com Base na
Precipitao. Tese de Mestrado. Instituto de Pesquisas Hidrulicas (IPH).
Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre. 218 p.
Brasil.
Pg. 234
Bertoni, J.C., Tucci, C.M., Clarke, R.T. (1992). Rainfall based real time forecasting.
Journal of Hydrology, 131. pp. 313-339. EEUU.
Bertoni, J.C., Chevallier, P. (2002). Anlisis de Incertidumbres en la Modelacin
Matemtica: un ejemplo empleando un Modelo Hidrolgico Simplificado. First
South-American Congress on Computational Mechanics. MECOM 2002,
Argentina.
Bertoni, J.C., Chevallier, P. (2002). Anlisis de incertidumbres sobre modelos
hidrolgicos: un ejemplo simplificado empleando transformadas integrales de
Mellin. XIX Congreso Nacional del Agua de Argentina, CPCNA. Anales en CD.
Argentina.
Bertoni, J.C., Tucci, C.E.M. (2004). Curso sobre gestin de Inundaciones en reas
Urbanas. Programa de Capacitacin para Gestores y Tomadores de Decisin
Pblicos en el Campo de los Recursos Hdricos - Global Water Partnership
SAMTAC.CEPAL. Santiago de Chile, Chile.
Beven, K. (1996). The limits of splitting: Hydrology. The Science of the Total
Environment., 183 pp. 89-97. EEUU.
Beven K. (2004). Robert E Hortons perceptual model of infiltration processes.
Hydrological Processes, 18: pp. 3447-3460. EEUU.
Beveridge, G., Schechter, R. (1979). Optimization Theory and Practice. MacGraw-Hill
Book Co. EEUU.
Blank, L.T., Tarquin, A.J. (1999). Muestreo de Monte Carlo y Anlisis de Simulacin.
En: Ingeniera Econmica. Cap. 20-5. Ed. Mc Graw Hill. Mxico.
Bonabeau, E., Dorigo, M., Theraulaz, G. (2000). Inspiration for optimization from
social insect behaviour. Nature. Vol. 406. pp. 39-42. Inglaterra.
Box, G.P. and Jenkins, G.M. (1976). Time series analysis, forecasting and control.
Holden-Day, San Francisco. EEUU.
Bravo, J.M., Collischonn, W., Pilar, J.V. (2005). Otimizao da operao de
reservatrios: Estado da Arte. In: XVI Simpsio Brasileiro de Recursos Hdricos,
Joo Pessoa. Anais do XVI Simpsio Brasileiro de Recursos Hdricos. Brasil
Caamao Nelli, G.E. (2003). Hidrometeorologa y precipitacin. Publicacin docente.
Maestra en Ciencias de la Ingeniera Mencin en Recursos Hdricos. FCEF y
N. Universidad Nacional de Crdoba. Argentina.
Caamao Nelli, G.E. (2003). Infiltracin, percolacin y almacenamiento de agua en el
suelo. Publicacin docente. Maestra en Ciencias de la Ingeniera Mencin en
Recursos Hdricos. FCEF y N. Universidad Nacional de Crdoba. Argentina.
Caamao Nelli, G.E., Colladon, L.E., Dasso, C.M., Pazos, R.I. (2001). Prediccin de
Crecidas Severas en Villa Carlos Paz, cuenca del Ro San Antonio, Argentina.
Seminario Internacional sobre Manejo Integral de Cuencas Hidrogrficas.
Rosario, Argentina.
Campbell, E.P., Fox, D.R. (1999). A bayesian approach to parameter estimation and
pooling in nonlinear flood event models. Water Resources Res., 35, 1, pp. 211-
220. EEUU.
Chander S., Shanker H. (1984). Unit Hydrograph Based Forecast Model. Hydrol. Sci.
J., 29: pp. 279-291. Inglaterra.
Chapman, J. (1998). Fortran 90/95 for Scientists and Engineers. Ed. Mc Graw-Hill.
EEUU.
Clarke, R.T. (1994). Statistical modeling in hydrology. John Wiley & Sons Ltd. 412 p.
Inglaterra.
Pg. 236
Clarke, R.T. (1999). Uncertainty in the estimation of mean annual flood due to rating-
curve indefinition. Journal of Hydrology 222, pp. 185-190. EEUU.
Collischonn, W. (2001). Simulao hidrolgica de grandes bacias. Tesis Doctoral.
UFRGS IPH. Brasil.
Collischonn, W., Haas, R., Andreolli, I., Tucci, C. E. (2005). Forecasting River
Uruguay flow using rainfall forecasts from a regional weather-prediction model.
Journal of Hidrology. Vol. 305. pp. 87-98. Brasil.
Cruz, J.C. (1987). Estudo de Previso de cheias em tempo real com modelos empricos
e semi-conceituais. Tesis de Maestria, UFRJ, Rio de Janeiro, Brasil.
Desbordes, M. (1985). Les incertitudes associes la mtrologie en hydrologie
urbaine; leurs incidences sur l'estimation des coefficients de ruissellement. LHM
17/85, Sciences and Technical Languedoc University, Montpellier. 123 p. Francia.
Diniz, L.S. (1999). Calibraso de modelos hidrolgicos. In Galvo, C. O.; Valencia, M.
J. S. 1999 Sistemas inteligentes. Porto Alegre: Editora da Universidade da
UFRGS-ABRH. Brasil.
dos Santos, I., Fill, H.D., Sugai, M.R., Buba, H., Kishi, R.T., Marone, E., Lautert, L.F.
(2001). Hidrometria Aplicada. Ed. LACTEC. Brasil.
Eckhardt, R. (1987). Stan Ulam, John Von Neumann, and The Monte Carlo Method.
Los Alamos Science Special Issue. EEUU.
Fattorelli, S., Nardin, D., Fernandez, P.C. (1985). Estudio de Factibilidad de la
Correccin de la Cuenca del Divisadero Largo. Mendoza, INCYTH IIILA.
Argentina.
Friedman, M., Savage, L. (1947). Selected Techniques of Statistical Analysis.
MacGraw-Hill Book Co. of Water Resources Systems IFIP Amsterdam. Holanda.
Galvao, C., Silva Valena, M.J. (1999). Sistemas Inteligentes: aplicaes a recursos
hdricos e sistemas ambientais. Editorial Universidade/UFGRS/ABRH. Porto
Alegre. 246p. Brasil.
Goldberg, D.E. (1989). Genetic Algorithms in Search, Optimization and Machine
Learning. Addison-Wesley Pub. Co. EEUU.
Gomez Rocha, H., Acosta, J., Velez-Langs, O. (2006). Utilizacin de la Computacin
Evolutiva y la Teora de Juegos para la Automatizacin en Sistemas de Soporte a
la Negociacin. Cap.3. Trabajo Final de la Carrera de Ingeniero de Sistemas.
Universidad de Magadalena, Santa Marta. Colombia.
Hastings, W.K. (1970). Monte Carlo sampling methods using Markov chains and their
applications. Biometrika, 57, pp. 97-109. Canad.
Hines, W.W., Montgomery, D.C. (1998). Probabilidad y estadstica para ingeniera.
Compaa editorial continental. Mxico.
Hogue, T.S., Sorooshian, S., Gupta, H., Holz, A., Braatz, D. (2000). A Multistep
Automatic Calibration Scheme for River Forecasting Models. Journal of
Hydrometeorology. V.1. Issue 6. pp. 524-542. EEUU.
Ibbit, R.P. (1972). Effects of Random Data Errors of the Parameter Values for a
Conceptual Model. Water Resources Research. Vol. 8. N 1. pp. 70-78. EEUU.
Klemes, V. (1986). Dilettantism in Hydrology: Transition or Destiny?. Water
Resources Research Vol. 22, N 9 pp. 177-188. EEUU.
Kuczera, G. (1983). Improved Parameter Inference in Catchment Models. 1. Evaluating
Parameter Uncertainty. Water Resources Research. Vol. 19. N 5. pp. 1151-1162.
EEUU.
Pg. 238
Kuczera, G. (1988). On the Validity of First-Order Prediction Limits for Conceptual
Hydrological Models. Journal of Hydrology, 103, pp. 229-247. EEUU.
Kuczera, G., Mroczkowski, M. (1998). Assessment of hydrologic parameter uncertainty
and the worth of multiresponse data. Water Resources Research. Vol. 34. N 6.
pp. 1481-1489. EEUU.
Kuczera, G., Parent, E. (1998). Monte Carlo assessment of parameter uncertainty in
conceptual catchment models: the Metropoli algorithm. Journal of Hidrology.
Vol. 211. pp. 69-85. EEUU.
Linsley, R., Kohler, M., Paulhus, J. (1988). Hidrologa para ingenieros. McGRAW-
HILL.
Mendenhall, W., Sincich, T. (1997). Probabilidad y Estadstica para Ingeniera y
Ciencias. Ed. Prentice&Hill. Mxico.
Monsalve Senz, G. (1999). Hidrologa en la ingeniera. Alfaomega. ISBN: 97015
04046. Colombia.
Montgomery, D.C., Runger, G.C. (1996). Probabilidad y Estadsticas aplicadas a la
ingeniera. Ed. Mc Graw Hill. Mxico.
OConnell, P.E., Nash, J.E., Farrell, J.P. (1970). River Flow Forecasting Through
Conceptual Models. Part II The Brosna Catchment at Ferbane. Journal of
Hidrology. Vol. 10, pp. 317-329. EEUU.
Paoli, C.U. (2004). Inundaciones ribereas del tramo del Paran Medio. Cap.4 de
Inundaciones Urbanas en Argentina. Argentina.
Pedrolo, O. (2000). Previso em tempo atual de cheias com uso de Sistema Especialista
Difuso. Tesis Doctoral. UFRGS IPH. Brasil.
Pilgrim, D.H. (1975). Model Evaluation, Testing and Parameter Estimation in
Hydrology. Edited by T.G. Chapman and F.X. Dunin, pp 305-333.Australia
Academy of Sciences. Australia.
Protassov K. (1999). Probabilits et incertitudes. Dans lanalyse ds donnes
exprimentales. Presses Universitaires de Grenoble. Grenoble. Francia.
Robert C. (1996). Mthodes de Monte Carlo par chanes de Markov Statique
mathematique et probabilit. Ed. Economica. Paris. Francia.
Rodrguez, R.M. (2004). Estimacin de umbrales de inundacin a partir de las lluvias
de diseo. Desarrollo metodolgico y aplicacin en el ro San Antonio. Trabajo
Final de la Carrera de Ingeniera Civil. FCEF y N UNC. Argentina.
Scheid, F., Di Constanzo, R.E. (1991). Mtodos Numricos. Serie Schaum. Cap. 30:
Mtodo de Monte Carlo. Ed. Mc Graw Hill. Mxico.
Spiegel, M.R. (1991). Estadstica. Shawn. Mc.Graw Hill. Mxico.
Sugawara, M. (1979). Automatic calibration of the tank model. Hydrological Science
Bulletin, 24(3).
Todini, E. (1978a). Mutually Interactive State Parameter (MISP) Estimation.
American Geophysical Union. Chapman Conference on Applications to Kalman
Filter to Hydrology, Hydraulic and Water Resources. Pittsburgh, May, 1978.
EEUU.
Todini, E. (1996). The ARNO rainfall-runoff model. Journal of Hydrology, Vol. 175
pp.293-338. EEUU.
Tucci, C.E.M., Clarke, R.T. (1980). Adaptative forecasting with a conceptual rainfall-
runoff model, Hydrological forecasting. Proc. Of the Oxford Symposium, IAHS-
AISH, Publ. N 129. internacional.
Pg. 240
Tucci, C.E.M. (1993). Hidrologa: cincia e aplicao. ABRH Editora da UFRGS.
Porto Alegre. Brasil.
Wood, E.F., Szollosi-Nagy, A. (1978). An Adaptative Algorithm for Analyzing Short-
Term Structural and Parameter Changes in Hydrologic Prediction Models. Water
Resources Research, Vol 14, N4. EEUU.
Xu, C.-Y. (2001). Statistical Analysis of Parameters and Residuals of a Conceptual
Water Balance Model Methodology and Case Study. Water Resources
Management 15: pp. 7592. Suecia.
Yu, P. Sh., Yang, T. Ch. (2000). Fuzzy multi-objective function for rainfall-runoff
model calibration. Journal of Hidrology. Vol. 238. pp. 1-14. EEUU.
8.3. PGINAS DE INTERNET
Ingber Lester Adaptative Simulated Anneling (ASA).
http://www.ingber.com. Consultada en 2006.

Mathematical Programming Society - Optimization Technology Center.
http://www.optimization-online.org/. Consultada en Diciembre de 2006.

USACH (Universidad de Santiago de Chile).
http://optimos.usach.cl/PH.htm. Pgina de Mtodos Heursticos de Optimizacin.
Consultada en Noviembre de 2006.

University of Vienna - Faculty of Mathematics.
http://www.mat.univie.ac.at/ ~neum/glopt/people.html. Consultada en Enero de
2007.
UROU, Facultad de Ingeniera, Universidad Repblica Oriental del Uruguay.
Introduccin a la investigacin de operaciones. Apuntes de clases.
http://www.fing.edu.uy/inco/cursos/io/. Uruguay. Consultada en Enero de 2007.

Pg. 242
9. ANEXOS
9.1. ANEXO I - CDIGOS FUENTE
Se presentan los cdigos fuente correspondientes a los mdulos y funciones
utilizados en esta tesis.
9.1.1. Mdulo main.f90
En la Figura 9-1 se presenta el programa en Fortram 90 correspondiente al
algoritmo del mdulo main.90, que es el encargado de llamar los datos en los
archivos .txt y dems mdulos y funciones, tambin de permitir el ingresos de datos por
pantalla y de generar los archivos de salida .txt. Aqu se presenta su versin para
mltiples eventos.


Pg. 244


Pg. 246


Pg. 248


Figura 9-1: Algoritmo del mduloprincipal main.90
9.1.2. Mdulo iph2.f90
algoritmo del modelo IPH II en su versin para eventos, solicitado por el mdulo
main.90.
Pg. 250


Figura 9-2: Algoritmo del mdulo IPH II

Pg. 252
9.1.3. Funcin fn_objetivo.f90
algoritmo que calcula la funcin objetivo FO para multiples evento, solicitada por el
mdulo main.90.

Figura 9-3: Algoritmo de la funcin objetivo
9.1.4. Funcin fn_tk.f90
algoritmo de la funcin temperatura, responsable del clculo del descenso de la
temperatura del algoritmo Metropolis Monte Carlo, solicitada por el mdulo main.90.

Figura 9-4: Algoritmo de la funcin de enfriamiento de Metropolis
9.1.5. Funcin fn_rand.f90
algoritmo de la funcin generadora de nmeros aleatorios, el mismo fue tomado de
Numerical Recipes in Fortram 90, solicitada por el mdulo main.90.
Pg. 254

Figura 9-5: Algoritmo de la funcin que genera los nmeros aleatorios
9.1.6. Funcin perdidas.f90
algoritmo de prdidas utilizado en el modelo hidrolgico IPH II.

Figura 9-6: Algoritmo de la funcin que estima las prdidas
9.1.7. Funcin separacion.f90
algoritmo de separacin de volmenes utilizado en el modelo hidrolgico IPH II.
Pg. 256

Figura 9-7: Algoritmo de la funcin que realiza la separacin de volmenes
9.1.8. Funcin propagacion.f90
algoritmo de propagacin utilizado en el modelo hidrolgico IPH II.

Figura 9-8: Algoritmo de la funcin que realiza la propagacin

Pg. 258
9.2. ANEXO II EJEMPLOS DE ARCHIVOS DE ENTRADA Y DE
SALIDA
A continuacin se presentan algunos ejemplos de los archivos de entrada y de
salida que se utilizaron en esta tesis.
9.2.1. Archivo de Entrada data.txt
En la Figura 9-9 se presenta un caso correspondiente a la simulacin de los
eventos de la cuenca del ro San Antonio.

Figura 9-9: Ejemplo del archivo data.txt
9.2.2. Archivo de Entrada prec#.txt
A continuacin se presenta en la Figura 9-10 a modo de ejemplo el archivo
correspondiente a la lluvia llamada p081203, referido al evento producido el 08/12/03
en la cuenca del ro San Antonio, con un nmero de 70 pasos de tiempo (aqu reducida).

Figura 9-10: Ejemplo de un archivo prec#.txt
9.2.3. Archivo de Entrada qt#.txt
Los valores observados de caudal correspondientes al evento producido el
08/12/03 en la cuenca del ro San Antonio se cargaron en un archivo qt# como se
presenta en la Figura 9-11 a continuacin, como el un nmero de pasos de tiempo era de
70, demasiado extenso, aqu se redujo.
Pg. 260

Figura 9-11: Ejemplo de un archivo qt#.txt
9.2.4. Archivo de Entrada hta#.txt
En al Figura 9-12 se presenta el archivo correspondiente al HTA calculado con
el programa realizado en Fortram 90, utilizado en la simulacin de los eventos del ro
San Antonio.

Figura 9-12: Ejemplo de un archivo hta.txt
9.2.5. Archivo de Salida sal#.txt
En al Figura 9-13 se presenta el archivo de salida 081203salasa.txt
correspondiente a la corrida para el evento 08/12/03 perteneciente a los eventos de la
cuenca del ro San Antonio realizada con el algoritmo principal main.f90 programado
para esta tesis que busca el mejor juego de parmetros para la modelacin de la cuenca
utilizando el modelo IPH II.
Pg. 262

Figura 9-13: Ejemplo de un archivo de salida sal.txt

9.3. ANEXO III RESTO DE RESULTADOS DE LA
CALIBRACIN AUTOMTICA UTILIZANDO LAS SERIES
SINTTICAS DE CAUDALES
En el presente anexo se presentan las restantes seis series de caudal generadas en
forma sinttica.
referida al evento llamado prec1 contenidos en el archivo de salida sal1.txt. Se puede
ver que el tiempo de clculo para esta corrida es de 2288 segundos, es decir, un poco
ms de 38 minutos y se realizaron 102299557 iteraciones, de las cuales cambi
mejor. Estos resultados son similares al evento prec0.
Pg. 264
DATOS GENERALES
Para un evento
Nro Iteraciones
102299557
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
8444654
8.25
8442655
% Veces que pas:
8.25
Veces que cambi:
16887309
% Veces que cambi:
16.51

3000 pasos en que se dividi el proceso de enfriamiento. En la figura se puede ver que
los valores de la funcin objetivo en los primeros 300 pasos oscilan entre los cientos
hasta los miles, alcanzando un valor prximo a 14000, ya en el paso 500 el valor de la
funcin objetivo est en el orden de la unidad. El mnimo valor de la funcin objetivo se
encuentra en el paso 604 y es 0,14.
0
,
1
4
0
0
0
0
1500
3000
4500
6000
7500
9000
10500
12000
13500
15000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

Para este evento se alcanza el valor mnimo de FOI ms rpidamente
comparando con el evento prec0, pero se sigue cumpliendo con la estrategia de
Metropolis.
evento prec1
512 74,018979 8,842434 0,088406 1,979825 150,187087 1,899617 0,86
546 34,085819 3,090015 0,607440 1,996009 41,244841 1,737271 0,67
604 43,516184 3,139057 0,412971 1,996289 68,680676 3,089859 0,14
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

Pg. 266
Como para el caso del evento prec0, los valores de los parmetros obtenidos
son diferentes a los valores de los parmetros con los que fue obtenida la serie de
caudal, e incluso son diferentes entre s y se obtuvieron valores de la funcin objetivo
bien pequeos.
obtenidos, ver Tabla 9.2.
5
2
22
80
0
50
100
150
200
250
300
350
400
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.

0
10
20
30
40
50
60
70
80
C
a
u
d
a
l

[
m
3
/
s
]

automtica
Nuevamente, tal como para el caso del evento prec0, los hidrogramas vuelven
a ajustar casi a la perfeccin, estos tres juegos de parmetros son tan vlidos como el
juego original para representar el evento prec1.
ver que el tiempo de clculo para esta corrida es de 2234 segundos, es decir, 38 minutos
y se realizaron 103882061 iteraciones, de las cuales cambi 19223897 de veces, el
18,5% y slo la mitad de este porcentaje la funcin objetivo mejor. Estos resultados
son similares a los eventos anteriores.
DATOS GENERALES
Para un evento
Nro Iteraciones
103882061
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
9613530
9.25
9610367
% Veces que pas:
9.25
Veces que cambi:
19223897
% Veces que cambi:
18.51

3000 pasos en que se dividi el proceso de enfriamiento, donde se puede ver que los
Pg. 268
valores de la funcin objetivo en los primeros 250 pasos oscilan entre los cientos hasta
los miles, alcanzando un valor prximo a 8200, ya en el paso 350 el valor de la funcin
objetivo est en el orden de la unidad. El mnimo valor de la funcin objetivo se
encuentra en el paso 551 y es 0,16.
0
,
1
6
0
0
0
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

Para este evento, como ocurri con el evento prec1, se alcanza el valor
mnimo de FOI rpidamente comparando con el evento prec0, pero se sigue
cumpliendo con la estrategia de Metropolis.
evento prec2
493 34,085819 3,090015 0,607440 1,996009 41,244841 1,737271 0,79
524 39,135833 6,478162 0,399947 2,006015 117,757504 3,724440 0,80
551 43,516184 3,139057 0,412971 1,996289 68,680676 3,089859 0,16
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

pequeos. Con la diferencia que los ltimos dos juegos de parmetros obtenidos para el
evento prec1 se repiten para este evento, en distintos pasos y con valores de FOI
diferentes. Para el evento prec1 el juego de parmetros correspondiente al paso 604 es
igual al juego de parmetros que se obtuvo para el evento prec2 en el paso 551, con
valores de FOI de 0,14 y 0,16 respectivamente. Lo mismo ocurre con los juegos de
parmetros obtenidos en el paso 546 para el evento prec1 con un valor de FOI de 0,67
y el juego de parmetros resultante en el paso 493 del evento prec2 con un valor de
FOI de 0,79.
Pg. 270
1
10
2
22
60
0
50
100
150
200
250
300
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
10
20
30
40
50
60
C
a
u
d
a
l

[
m
3
/
s
]

automtica
Igualmente, como ocurri en los eventos anteriores, los hidrogramas vuelven a
ajustar casi a la perfeccin, estos tres juegos de parmetros son tan vlidos como el
ver que el tiempo de clculo para esta corrida es de 2294 segundos, aproximadamente
38 minutos y se realizaron 106230280 iteraciones, de las cuales cambi 22625789 de
veces, el 21,3% y como en los casos anteriores el 50% de ese porcentaje la funcin
objetivo mejor. Estos resultados son similares a los eventos anteriores.
DATOS GENERALES
Para un evento
Nro Iteraciones
106230280
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
11314228
10.65
11311561
% Veces que pas:
10.65
Veces que cambi:
22625789
% Veces que cambi:
21.30

sta oscila en los primeros 300 pasos entre un valor prximo a 3800 y valores del orden
de las decenas, llegando al mnimo de la funcin objetivo en el paso 2853 con un valor
de 0,16494.
Pg. 272
0
,
1
6
3
9
4
0
500
1000
1500
2000
2500
3000
3500
4000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

Para este evento, como ocurri con el evento prec0, se alcanza el valor
mnimo de FOI casi al final del proceso de enfriamiento, cumpliendo con la estrategia
de Metropolis.
evento prec3
1733 59,198376 4,581983 0,216430 1,952440 91,477215 1,785442 0,211
2078 34,162672 6,535001 0,514530 1,983802 98,175558 3,184482 0,168
2853 40,063311 5,021936 0,420317 1,981200 83,636301 2,968022 0,164
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

pequeos.
1
5
22
42
10
0
50
100
150
200
250
300
350
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
5
10
15
20
25
30
35
C
a
u
d
a
l

[
m
3
/
s
]

automtica
Se consigue un muy buen ajuste de los hidrogramas como en los casos
anteriores, por consiguiente, estos tres juegos de parmetros son tan vlidos como el
Pg. 274
DATOS GENERALES
Para un evento
Nro Iteraciones
102030257
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
8254248
8.09
8251199
% Veces que pas:
8.09
Veces que cambi:
16505447
% Veces que cambi:
16.18

3000 pasos referido a la funcin objetivo FOI correspondiente al evento prec6,
valores prximos a 10000 son alcanzados, luego decrece rpidamente encontrndose
valores menores a la unidad en el paso 500, llegando al mnimo de la funcin objetivo
en el paso 1085 con un valor de 0,09502.
0
,
0
9
5
0
2
0
2000
4000
6000
8000
10000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

evento prec6
749 30,462322 9,997839 0,269226 1,969068 119,670384 4,978508 0,31077
1040 23,013767 9,988186 0,671134 1,978103 107,804882 5,238953 0,30365
2085 25,467257 6,877819 0,750025 1,994191 80,203082 2,722320 0,09502
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

parmetros con los que fue obtenida la serie de caudal, difieren entre s, as mismo, se
obtuvieron valores de la funcin objetivo bien pequeos.
Pg. 276
15
90
0
50
100
150
200
250
300
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
15
30
45
60
75
90
C
a
u
d
a
l

[
m
3
/
s
]

automtica
DATOS GENERALES
Para un evento
Nro Iteraciones
107028075
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
11910723
11.13
11907523
% Veces que pas:
11.13
Veces que cambi:
23818246
% Veces que cambi:
22.25

se alcanzan valores prximos a 2800, luego decrece rpidamente encontrndose valores
menores a la unidad en el paso 500, llegando al mnimo de la funcin objetivo en el
paso 1561 con un valor de 0,07604.
Pg. 278
0
,
0
7
6
0
4
0
500
1000
1500
2000
2500
3000
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

el evento prec7
900 27,906238 7,659947 0,677632 1,971388 81,930085 2,609555 0,11657
1399 31,370734 3,347076 0,615343 2,039177 57,228582 1,979094 0,10872
1561 26,286664 4,993736 0,789839 2,005580 52,091044 1,437184 0,07604
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

parmetros con los que fue obtenida la serie de caudal, difieren entre s, as mismo, se
obtuvieron valores de la funcin objetivo pequeos.
1
8
40
15
0
50
100
150
200
250
300
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
5
10
15
20
25
30
C
a
u
d
a
l

[
m
3
/
s
]

automtica
alrededor de 39 minutos y se realizaron 109551284 iteraciones, de las cuales cambi
27305779 de veces, el 24,9% y la funcin objetivo mejor slo en la mitad de este
porcentaje.
Pg. 280
DATOS GENERALES
Para un evento
Nro Iteraciones
109551284
1000000.0 0.00000000
0.970000 3000 1.000000 90000

RESULTADOS
13653015
12.46
13652764
% Veces que pas:
12.46
Veces que cambi:
27305779
% Veces que cambi:
24.93

3000 pasos para la funcin objetivo FOI correspondiente al evento prec10, oscila
valores prximos a los 1700 y la unidad hasta el paso280, luego decrece rpidamente
encontrndose valores menores a las dcimas en el paso 500, llegando al mnimo de la
funcin objetivo en el paso 2434 con un valor de 0,0029.
0
,
0
0
2
9
0
0
200
400
600
800
1000
1200
1400
1600
1800
0 500 1000 1500 2000 2500 3000
NPAS
F
O
I

el evento prec10
794 211,225241 2,994813 0,174084 2,024729 28,645672 2,361803 0,00815
2017 121,744825 6,137546 0,389562 2,015231 52,930732 2,378318 0,00793
2434 96,927128 3,124317 0,550219 1,999489 21,434354 2,585107 0,00290
Valores * 25,00 4,00 0,85 2,00 30,00 2,50 0,00

0

parmetros con los que fue obtenida la serie de caudal, difieren entre s, se obtuvieron
buenos valores de la funcin objetivo. El juego de parmetros correspondiente al paso
2434 con un valor de FOI de 0,0029, es coincidente con el juego de parmetros
obtenido en el evento prec9 en el paso 2349 con un valor de FOI de 0.00129.
Pg. 282
11
25
8
6
4
23
4
3
2
1 1
0
25
50
75
100
125
150
175
200
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
P
r
e
c
i
p
i
t
a
c
i
n

[
m
m
]

.
0
2
4
6
8
10
12
14
16
C
a
u
d
a
l

[
m
3
/
s
]

automtica

Del Prete

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Del Prete

Caricato da

Copyright:

Formati disponibili

UN!vERS!DAD NAC!

Potrebbero piacerti anche