Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PRESENTADO POR:
Bach. PINEDA PARIAMACHI, Alex Hessler
INGENIERO AGRÍCOLA
HUARAZ, PERÚ
UNIVERSIDAD NACIONAL
SANTIAGO ANTÚNEZ DE MAYOLO
FACULTAD DE CIENCIAS AGRARIAS
INGENIERO AGRÍCOLA
PRESENTADO POR:
Bach. PINEDA PARIAMACHI, Alex Hessler
Dr. Fidel Gregorio Aparicio Roque Ing. M.Sc. Luis Alberto, Orbegoso Navarro
Presidente del Jurado Secretario del Jurado
HUARAZ, PERÚ
INDICE
DEDICATORIA 1
AGRADECIMIENTO 2
ÍNDICE DE TABLAS 3
ÍNDICE DE FIGURAS 4
INDICE DE ANEXOS 5
RESUMEN 6
I. INTRODUCCION 8
1.1 Generalidades 8
1.2 Objetivo General 9
1.2.1 Objetivo general 9
1.2.2 Objetivos específicos 9
II. REVISION BIBLIOGRAFICO 10
2.1 Antecedentes 10
2.1.1 Antecedentes bibliográficos internacionales 10
2.1.2 Antecedentes bibliográficos nacionales 11
2.2 Marco Teórico 12
2.2.1 Precipitación 12
2.2.2 Caudal 13
2.2.3 Análisis de consistencia 13
A. Análisis de saltos 13
B. Análisis de tendencias 17
2.2.4 Red neuronal 20
2.2.4.1 Estructura de una red neuronal 21
A. Niveles o capas de neuronas 22
B. Estado de activación y función de activación 23
C. Función de Salida o transferencia 24
D. Regla de aprendizaje 26
2.2.4.2 La red backpropagation 26
A. Ejecución del modelo backpropagation 28
2.2.5 Tipos de redes neuronales a probarse 31
A. Cascade forward – backpropagation 31
B. Elman backpropagation 33
C. Feed forward backpropagation 36
2.2.6 Modelos estadísticos para la validación de la simulación 37
A. Raíz del error cuadrático medio (RMSE) 37
B. Eficiencia de Nash-Sutcliffe (NSE) 38
C. Error cuadrático medio normalizado (ECMN) 39
D. Coeficiente de determinación (R2) 40
E. Coeficientes de análisis provenientes del Excel 2016 40
III. MATERIALES Y METODOS 42
VI. RECOMENDACIONES 70
VII. BIBLIOGRAFIA 71
VIII. ANEXOS 74
DEDICATORIA
1
AGRADECIMIENTO
Quiero agradecer a Dios por bendecirme con el regalo de la vida, por guiarme a lo largo de mi
existencia, ser el apoyo y fortaleza en aquellos momentos de dificultad y de debilidad.
Gracias a mi madre Clarita Luisa Pariamachi García y mi padre Alex Feliz Pineda Pariamachi,
por ser los principales promotores de mis sueños, por confiar y creer en mis expectativas, por
los consejos, valores y principios que me han inculcado.
2
ÍNDICE DE TABLAS
Tabla 1. Características geomorfométricas de la cuenca 43
precipitaciones Grupo B. 56
Tabla 12. Estructura de las redes neuronales, Elman backpropagation generación de caudales
Grupo B. 61
mensuales Grupo A. 65
mensuales Grupo B. 66
mensuales Grupo A 67
Tabla 19. Resumen de los coeficientes de validación para caudales mensuales Grupo B 68
3
Tabla 20. Resumen de los coeficientes de validación. Grupo C 68
ÍNDICE DE FIGURAS
Figura 1. Ejemplo de una red Neuronal totalmente conectada 23
Grupo A. 54
backpropagation, Grupo B. 57
backpropagation, Grupo A. 59
backpropagation, Grupo B. 61
Figura 16. Generación de caudales mensuales Grupo B por la Red Neurona Artificial N° 7_1
62
4
Figura 17. Generación de datos de caudales mensuales con el modelo Elman
backpropagation, Grupo C 64
INDICE DE ANEXOS
Anexo 1. Carta Nacional Recuay 20-i 74
Anexo 8. Mejor validación para generación de datos de precipitación mensual por el modelo
Elman backpropagation. 79
Anexo 9. Mejor validación para la generación de datos de caudales mensuales por el modelo
Elman backpropagation. 79
5
RESUMEN
El objetivo principal de la investigación fue generar caudales mensuales a partir de
precipitaciones mensuales en la sub cuenca Querococha ubicada en la provincia de Recuay. La
tipificación del estudio es aplicada de nivel predictivo, según el diseño de la investigación es
no experimental y según la naturaleza de los datos manejados es cuantitativo. El método
consistió en la aplicación de redes neuronales artificiales, específicamente, del modelo
backpropagation, de este se probaron tres tipos de red neuronal artificial: Cascade forward
backpropagation, Elman backpropagation y Feed forward backpropagation. Para definir la
estructura más eficiente, se realizaron iteraciones en las funciones fundamentales basados en
tres procesos principales: entrenamiento, validación y generación para cada tipo de red, se
priorizo la generación de caudales mensuales, analizando previamente estos procesos en las
precipitaciones mensuales; estos procesos se especifican en el contenido de la investigación.
Se obtuvo un resultado satisfactorio en el uso de los tres tipos de red, resaltando de los tres el
tipo Elman backpropagation, el cual presenta un coeficiente de correlación de 0.90 y un error
máximo de 0.60 m3/seg. Desde esta perspectiva una de las conclusiones más importantes es la
viabilidad de la generación de caudales mensuales mediante la aplicación de las redes
neuronales artificiales solo con una variable de apoyo en este caso las precipitaciones
mensuales.
The main objective of the research was to generate monthly flows from monthly rainfall in the
Querococha sub-basin located in the province of Recuay. The typification of the study is applied
at the predictive level, according to the design of the research it is non-experimental and
according to the nature of the data handled, it is quantitative. The method consisted of the
application of artificial neural networks, specifically, of the backpropagation model, of which
three types of artificial neural network were tested: Cascade forward backpropagation, Elman
backpropagation and Feed forward backpropagation. To define the most efficient structure,
iterations were made in the fundamental functions based on three main processes: training,
validation and generation for each type of network, the generation of monthly flows was
prioritized, previously analyzing these processes in the monthly rainfall; these processes are
specified in the content of the investigation.
A satisfactory result was obtained in the use of the three types of network, highlighting of the
three the Elman backpropagation type, which has a correlation coefficient of 0.90 and a
maximum error of 0.60 m3 / sec. From this perspective, one of the most important conclusions
is the feasibility of generating monthly flows through the application of artificial neural
networks with only one supporting variable in this case, monthly rainfall.
7
I. INTRODUCCION
1.1 Generalidades
suficiente en sus lagos, lagunas, bojedales y manantiales gracias a los glaciares, sin embargo,
parece que la abundancia de agua tendrá un fin cercano al ritmo de retroceso de los glaciares.
Desde el pueblo vecino de Cátac han ido surgiendo historias de escasez de agua por varios años
durante la temporada seca. Son noticias que incluso han llegado a la prensa limeña (Borg, 2011,
pág. 6).
Los reportes de una crisis de agua venidera también han llegado a la puna, y aquí tenemos una
interacción interesante entre las experiencias propias de los pobladores y la información que
llega desde afuera. Entre otras cosas, ha significado una mayor politización del agua. A medida
parciales entre los usuarios individuales y la organización mayor del agua. Estas conexiones
son las que influyen en el hecho de que “menos agua” lleva una experiencia de escasez de agua.
El agua en el río viene de la laguna Querococha. Aparte del Canal Querococha 3 Bases, el río
también es inicio de tres canales más que van para los comuneros de Catac, el caserío Buenos
Aires y la Mina Toma la Mano. Significa que es necesario coordinar a mayor escala entre
tendencia de escasez es notoria y cíclica cada año, y muestra un aumento debido al incremento
Centrados en el problema que afecta mi sector de estudio se puede ver la necesidad de una
distribución correcta de caudales para los cuatro sectores mencionados teniendo este problema
8
una justificación académica por el uso de un modelo novedoso, una implicancia social ya que
“El análisis y la predicción de series de tiempo permiten obtener información básica para la
los recursos hídricos para el bienestar social” (Alvarez, Gomez, & Obregon, 2012).
Entonces podemos mencionar que la creciente escasez de agua conjuntamente con un sistema
de distribución con poco control, la necesidad de un manejo más estable y basado en estudios
de caudales que favorezcan el planeamiento y repartición de los mismos, son los problemas
c. Verificar la relación que existe entre los caudales mensuales y la precipitación mensual
9
II. REVISION BIBLIOGRAFICO
2.1 Antecedentes
autorregresivo de media móvil con variable exógena ARMAX, una red neuronal
artificial tipo perceptrón multicapa y un modelo modular con una red neuronal auto-
que las redes utilizadas presentan un menor desfase respecto al modelo autor
capas ocultas y tipo de salida esto para la predicción de caudales y el análisis posterior
de la robustez de sus modelos. Concluye con resultados satisfactorios para los tres
modelos de las redes neuronales considerando el mejor a la red tipo MLP con 25
neuronas, función de activación sigmoidal, una capa de salida con activación lineal
ANFIS y las redes neuronales tipo perceptrón multicapa utilizando para estos
aceptables para ambos métodos siendo superior por mayor flexibilidad en este caso
10
el modelo ANFIS, además recomienda utilizar estructuras y topologías sencillas al
implementar la red.
de predicción eficiente en los meses que se presentan mayor cantidad de datos y a los
modelos estadísticos tanto como el clustering cuando existen pocos datos esto solo
Herrera , Luque , Tupac, & Yari, (2013). Basan su artículo científico en la generación
programa Network Neural 4.0, ello llegan a una conclusión satisfactoria respecto a
estadístico dejando claro que no se puede definir las características que deben ser
reproducidas por el modelo o la interpretación de las mismas ya que sus muestras son
11
Laqui & Sanchez (2009). Prueban en su artículo científico la predicción de caudales
uso de 06 modelos de redes neuronales artificiales del tipo perceptrón multicapa los
2.2.1 Precipitación
Es toda forma de humedad que se origina en las nubes para llegar a la superficie
estudios relacionados al uso y control del agua. (Ledesma , 2006, pág. 26).
lluvia, llovizna, nieve, aguanieve, granizo. Para nuestro caso he tomado datos de
12
precipitación mensual la cual se puede describir como la suma de las alturas de
2.2.2 Caudal
También conocido como gasto o escurrimiento, el cual es otro elemento del ciclo
Las referencias a continuación se han tomado del libro del Hidrología Estadística del
A. Análisis de saltos
1
𝑛1 𝑛1 2
1 1
𝑥1 =
̅̅̅ ∑ 𝑥𝑖 ; 𝑆1 (𝑥) = [ 𝑥1 2 ]
∑(𝑥𝑖 − ̅̅̅) ( 1)
𝑛1 𝑛1 − 1
𝑖=1 𝑖=1
13
1
𝑛2 𝑛1 2
1 1
𝑥2 =
̅̅̅ ∑ 𝑥𝑖 ; 𝑆2 (𝑥) = [ 𝑥2 2 ]
∑(𝑥𝑗 − ̅̅̅) ( 2)
𝑛2 𝑛2 − 1
𝑗=1 𝑗=1
Donde:
𝑥1 ̅̅̅
̅̅̅, 𝑥2 = media de los periodos 1 y 2 respectivamente
𝑛 = tamaño de la muestra
𝑛 = 𝑛1 + 𝑛2
(𝑥
̅̅̅1 − ̅̅̅)
𝑥2 − (𝜇1 − 𝜇2 )
𝑡𝑐 = ( 3)
𝑆𝑑̅
Donde: 𝜇1 − 𝜇2 = 0 (por hipótesis, la hipótesis es que las medias son iguales)
Quedando:
𝑥1 − ̅̅̅
̅̅̅ 𝑥2
𝑡𝑐 = ( 4)
𝑆𝑑̅
Además:
1
1 1 2
𝑆𝑑̅ = 𝑆𝑝 [ + ] ( 5)
𝑛1 𝑛2
1
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22 2
𝑆𝑝 = [ ] ( 6)
𝑛1 + 𝑛2 − 2
14
Siendo:
95% o con un nivel de significación del 5%, es decir con /2 = 0.025 y con grados
de libertad v= 𝑛1 + 𝑛2 − 2.
proceso de corrección.
de corrección.
la siguiente forma:
15
𝑛1
1
𝑆12 (𝑥) = 𝑥1 2
∑(𝑥𝑖 − ̅̅̅) ( 7)
𝑛1 − 1
𝑖=1
𝑛1
1 2
𝑆22 (𝑥) = ∑(𝑥𝑗 − ̅̅̅)
𝑥2 ( 8)
𝑛2 − 1
𝑗=1
𝑆12 (𝑥)
𝐹𝑐 = , 𝑠𝑖 𝑆12 (𝑥) > 𝑆22 (𝑥) ( 9)
𝑆22 (𝑥)
𝑆22 (𝑥)
𝐹𝑐 = , 𝑠𝑖 𝑆22 (𝑥) > 𝑆12 (𝑥) ( 10)
𝑆12 (𝑥)
Calculo del F tabular (valor critico de F o 𝐹𝑡 ), se obtiene de las tablas F para una
libertad:
𝐺. 𝐿. 𝑁 = 𝑛1 − 1
} , 𝑠𝑖 𝑆12 (𝑥) > 𝑆22 (𝑥)
𝐺. 𝐿. 𝐷 = 𝑛2 − 1
𝐺. 𝐿. 𝑁 = 𝑛2 − 1
} , 𝑠𝑖 𝑆22 (𝑥) > 𝑆12 (𝑥)
𝐺. 𝐿. 𝐷 = 𝑛1 − 1
Donde:
corregir.
16
A.3 Corrección de los datos
En los casos en que los parámetros media y desviación estándar de las submuestras
doble masa se observe quiebres. En caso contrario, se corrigen los valores de las
𝑥𝑡 − ̅̅̅
𝑥1
𝑋′(𝑡) = . 𝑆 (𝑥) + ̅̅̅
𝑥2 ( 11)
𝑆1 (𝑥) 2
𝑥𝑡 − ̅̅̅
𝑥1
𝑋′(𝑡) = . 𝑆 (𝑥) + ̅̅̅
𝑥1 ( 12)
𝑆2 (𝑥) 1
Donde:
B. Análisis de tendencias
desviación estándar.
ecuación polinómica:
𝑇𝑚 = 𝐴𝑚 + 𝐵𝑚 𝑡 + 𝐶𝑚 𝑡 2 + 𝐷𝑚 𝑡 3 + ⋯ ( 13)
17
Y en forma particular por la ecuación de regresión lineal simple:
𝑇𝑚 = 𝐴𝑚 + 𝐵𝑚 𝑡 ( 14)
Donde:
T=1,2,3, …, n
Tm= 𝑋′(𝑡) valor corregido de saltos, es decir, datos a usarse para el cálculo de los
parámetros.
Evaluación de la tendencia Tm
𝑅√𝑛 − 2
𝑡𝑐 = ( 15)
√1 − 𝑅 2
Donde:
Calculo de 𝑡𝑡 :
/2 = 0.025
G.L = n-2
𝑌𝑡 = 𝑋′(𝑡) − 𝑇𝑚 ( 16)
Donde:
19
Para que el proceso 𝑋𝑡 preserve la media constante, se devuelve el promedio de
̅̅̅̅
las 𝑋′(𝑡) o 𝑇 𝑚 , luego las ecuaciones (16) y (17) toman la forma :
̅̅̅̅
𝑌𝑡 = 𝑋′(𝑡) − 𝑇𝑚 + 𝑇 𝑚 ( 18)
̅̅̅̅
𝑌𝑡 = 𝑋′(𝑡) − (𝐴𝑚 + 𝐵𝑚 𝑡) + 𝑇 𝑚 ( 19)
̅̅̅̅
Donde 𝑇 𝑚 es el promedio de la tendencia en la media o promedio de los valores
corregidos de saltos.
Se puede definir de muchas formas lo que son las redes neuronales, desde las formas
generales y abreviadas hasta las que se basan en explicar al detalle lo que significa
Las redes neuronales son más que otra forma de emular ciertas características propias
para su uso. Se parece al cerebro en dos aspectos, por una parte, la red adquiere
20
interneuronales, conocidas como cargas sinápticas presentan una gran solidez de se
Podemos definir utilizando estas perspectivas a una red neuronal como un sistema
En todos los modelos de redes existe una parte elemental la cual es generadora
de los procesos, en este caso las neuronas, por lo que ya vimos lleva ese nombre
elemental que recibe una serie de entradas con ponderaciones diferentes que al
entrada; (Correa, 2009) afirma que “Las entradas pueden ser binarias o
(𝑤1 , 𝑤2 , … … … , 𝑤𝑛 )” .
La empresa IBM menciona que “Las capas ocultas de una red neuronal
tipo de red.”
22
De salida: Transfieren información de la red hacia el exterior.
decir:
Donde:
23
En muchos modelos de Redes neuronales artificiales se considera que el
24
función de salida determina qué valor se transfiere a las neuronas
debe considerar que de acuerdo al modelo esta puede ser binaria, el cual es
Tenemos que recordar que las neuronas que forman una red neural artificial
transmite señales a aquellas que están conectadas con su salida. Desde una
salida 𝑓𝑖 (𝑎𝑖 (𝑡)), que trasforma el estado que tenga la neurona en una señal
Existen cuatro funciones de transferencia que son de uso común las cuales
Función Escalón
Sigmoidal
Función Gaussiana
25
De estas podemos decir que la función escalón se utiliza cuando las salidas
son binarias, es decir cuando son dos posibles valores. La función lineal
una salida de información una serie analógica. (Hilera & Victor, 2000)
D. Regla de aprendizaje
está más relacionada con los valores sinápticos de las conexiones entre las
de las que disponga y de cómo estén conectadas entre sí, cada modelo
presentado se propaga hacia adelante a través de la red, capa por capa, hasta
26
que llega a la capa de salida. Los datos de salida se comparan entonces con la
calcula para cada una de las neuronas en la capa de salida. Los valores de error
responderán con una salida activa, esto claro si la nueva entrada contiene un
patrón que se asemeja a una característica que las neuronas individuales han
Este modelo requiere una salida conocida deseado para cada valor de entrada
27
generalmente se considera que es un aprendizaje supervisado; Sin embargo,
salida requerida, en nuestro caso no será binario serán caudales por lo que
la nomenclatura será Q.
28
Figura 2. Funcionamiento general backpropagation.
Fuente. Elaboración propia.
Para esto se presentan las entradas a la red que serán 𝑃𝑝1 , 𝑃𝑝2 , 𝑃𝑝𝑚 y se
van calculando las salidas que presenta cada capa hasta llegar a la capa de
Donde:
𝑄1 = 𝐶𝑎𝑢𝑑𝑎𝑙 𝑟𝑒𝑎𝑙
29
Ahora el peso para ese error el cual no brinda la importancia del dato
Donde:
𝐿 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑎𝑝𝑟𝑒𝑛𝑑𝑖𝑧𝑎𝑗𝑒
Donde:
30
𝑊𝑖𝑗 = 𝑃𝑒𝑠𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑎 𝑙𝑎 𝑐𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎
Este proceso se realiza para cada entrada para todas las capas ocultas para
generar datos.
similar a las redes de avance directo, pero incluyen una conexión de peso
desde la entrada a cada capa y desde cada capa a las capas sucesivas. Mientras
relación de salida y entrada, feed-forward, las redes con más capas pueden
propagación trasera en cascada (Dheeraj, Anil, & Vinayak, 2013, pág. 2).
31
Las redes de conexión en cascada son similares a las redes de feed-forward,
pero incluyen una conexión desde la entrada y cada capa anterior a las capas
siguientes.
“Al igual que con las redes feed-forward, una red en cascada de dos o más
1994-2018).
Podemos describir para el modelo usado que cumple con las características
… (16)
𝐹𝑚 = 𝑊 𝑡 × 𝐷𝑔 − 𝑏 ( 28)
Donde:
32
𝐹𝑚 = 𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜
𝑊 𝑡 = 𝑃𝑒𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
𝐷𝑔 = 𝐷𝑎𝑡𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑎
𝑏 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑠𝑒𝑠𝑔𝑜
B. Elman backpropagation
neuronales, que consiste en una red de propagación posterior de dos capas con
entrada.
predicción e identificación del sistema, etc. Sin embargo, dado que el ENN
33
señales, se ha demostrado que sufre frecuentemente de una solución problema
34
Figura 4. Red básica de Elman.
Fuente. Phamt y Liut, 1196, p.221
Donde:
𝑏 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑠𝑒𝑠𝑔𝑜
A diferencia del modelo de cascada la salida tiene relación individual con cada
entrada priorizando el orden de ingreso para su análisis, es por tal fin que la
relaciona con filas anteriores que mejoren el resultado ajustando el peso desde
35
la capa oculta con el coeficiente de aprendizaje, este sesgo es ajustable y se
propagarlo de nuevo a las capas anteriores. Así que, para ser exactos, forward-
propagarse de nuevo.
entonces un modelo de red neuronal que sintetiza sistemas que realizan una
neuronas se ajustan de tal manera que ante cada entrada la red responda de una
manera preestablecida.
aproximaciones que nos ofrecen esta serie de modelos, en este caso ligado a
otro.
Para este modelo tenemos que la función modelo para una salida seria la
siguiente:
𝑄
1
𝐹𝑚 = ∑ 𝑊𝑖𝑗 × ( 30)
− ∑𝑖𝑗=0 𝑊𝑖𝑗 ×𝑋𝑗
𝑗=1 1+𝑒
Donde:
modelos estadísticos para el análisis de los datos generados en todas las etapas de
trabajo.
ilustrando así el grado con el que los puntos se distribuyen sobre la recta 1:1
37
o de ajuste perfecto, para este caso se trabajaron generando datos de
∑𝑁 ̂𝑖 )2
𝑖=1(𝑦𝑖 − 𝑦
𝑅𝑀𝑆𝐸 = √ ( 31)
𝑁
Donde:
N= Número de observaciones
𝑦𝑖 = Valor observado
hidrológicos.
las observaciones con el valor promedio entonces NSE = 0. Para este criterio
38
∑𝑁 ̂𝑖 )2
𝑖=1(𝑦𝑖 − 𝑦
𝑁𝑆𝐸 = ( 32)
∑𝑁 ̅𝑖 )2
𝑖=1(𝑦𝑖 − 𝑦
Donde:
N= Número de observaciones
𝑦𝑖 = Valor observado
𝑛 − 1 ∑𝑁 ̂𝑖 )2
𝑖=1(𝑦𝑖 − 𝑦
𝑁𝑆𝐸 = 𝑁
( 33)
𝑛 ∑𝑖=1(𝑦𝑖 − 𝑦̅𝑖 )2
Donde:
N, n = Número de observaciones
𝑦𝑖 = Valor observado
39
D. Coeficiente de determinación (R2)
𝑅 2 = 1 − 𝐸𝐶𝑀𝑁 ( 34)
En el caso de un predictor perfecto el coeficiente debiera ser 1. Si se obtiene
(2010)
Microsoft.
40
Si el argumento matriz1 o matriz2 está vacío, o si s (la desviación
de error # ¡DIV/0!
Donde
PROMEDIO(matriz2).
41
III. MATERIALES Y METODOS
y no desarrolla teorías.
puesto que no se van a ver afectadas las variables de la investigación, se utilizan los
instrumentos o técnicas utilizadas para la realización del mismo, como las Redes
42
Información básica
Los datos precipitaciones y caudales mensuales de los años del 1953 a 1996 se
el 2006 a 2015.
En el Anexo 03, 04, 05 y 06, se muestran los datos hidrológicos obtenidos y aplicados
en la tesis.
43
Cotas
Cota Mínima msnm 3950
Cota Máxima msnm 5300
Centroide
X centroide m 2480008.036
Y centroide m 8927374.282
Z centroide msnm 4723
Índices representativos
Factor de forma 0.603088803
Índice de Compacidad 1.325933742
3.3 Materiales
Hojas Bond A4
Útiles de escritorio.
Cámara fotográfica
Computadora e impresora
Plotter.
3.4 Métodos
44
información se obtuvo de libros de hidrología e hidráulica, tesis, manuales
mostrado en la Figura 5.
45
3.4.2.1 Completación de datos y análisis de consistencia.
Para poder empezar con la selección del tipo de red los datos primarios del
la Unidad de Glaciología.
entre los datos del Senamhi y los datos brindados por la Unidad de Glaciología.
Este vacío se completó por correlación con la estación de Recuay para las
A. Agrupación
46
Para incluir los valores en el programa de acuerdo al tipo de red, se
consideraron matrices con igual número de filas, ya que son 12 meses, pero
ve en la Tabla 2.
Grupo
Proceso Tipo de datos Años Variable
general
Precipitación 1953-1967 Imput
Precipitación Precipitación 1968-1982 Tarjet
I
Precipitación 1983-1989 Sample
Precipitación 1990-1996 Verificación
47
Precipitación 1953-1985 Imput
Caudal 1953-1985 Tarjet
I
Precipitación 1986-1996 Sample
Caudal
Caudal 1986-1996 Verificación
Precipitación 1953-2006 Imput
Caudal 1953-2006 Tarjet
II
Precipitación 2006-2016 Sample
Caudal
Caudal generado 2006-2016 Verificación
Tabla 4.
48
periodo de validación respecto a los coeficientes de los modelos de
Función de
Nominación Función de adaptación Función de Función de
de la red entrenamiento de rendimiento Transferencia
aprendizaje
RNA01 TRAINBFG LEARNGD MSE LOGSIG
RNA02 TRAINBR LEARNGD MSE LOGSIG
RNA03 TRAINCGB LEARNGD MSE LOGSIG
RNA04 TRAINCGF LEARNGD MSE LOGSIG
RNA05 TRAINCGP LEARNGD MSE LOGSIG
RNA06 TRAINGD LEARNGD MSE LOGSIG
RNA07 TRAINGDM LEARNGD MSE LOGSIG
RNA08 TRAINGDA LEARNGD MSE LOGSIG
RNA09 TRAINGDX LEARNGD MSE LOGSIG
RNA10 TRAINLM LEARNGD MSE LOGSIG
RNA11 TRAINOSS LEARNGD MSE LOGSIG
RNA12 TRAINR LEARNGD MSE LOGSIG
RNA13 TRAINRP LEARNGD MSE LOGSIG
RNA14 TRAINSCG LEARNGD MSE LOGSIG
Funciones Descripción
Función de adaptación de aprendizaje LEARNGD
Numero de Capas 2
Numero de Neuronas 12
49
Para la fase de iteración del Grupo B se partió de las dos funciones de
La estructura de la red neuronal artificial para los tres tipos de red a probar,
de capas las cuales para todos los modelos serán 2 un numero de neuronas (NN)
50
una variación entre 12 y 24 analizando el progreso de acuerdo al periodo de
evaluación.
Para que la estructura de una red neuronal sea funcional se debe saber cuál es
aplicación.
modelos, en los métodos para tal fin tenemos la raíz del error cuadrático medio
desde los años de 1990 a 1996 para las precipitaciones mensuales y desde 1986
51
Figura 7. Diagrama de flujo para el proceso II
Fuente. Elaboración propia
52
IV. RESULTADOS Y DISCUSIONES
4.1 Selección del tipo de red que se adecue a los datos generados
La selección del tipo de red se dio luego de haber optado por la mejor estructura y haber
mensuales totales.
Para este fin se realizó una agrupación de los datos referida en la Tabla 03, en la cual se
pueden ver 3 grupos de análisis, el grupo A que se presenta en la etapa inicial para evaluar
Por ultimo está el grupo C, en el cual se generó los datos de caudales mensuales.
Se realizó este proceso para las precipitaciones y así ver el efecto de la generación y el tipo
de estructura.
53
4.2.1 Elman backpropagation, Precipitaciones mensuales
Diagrama de flujo adjuntado en el Anexo 7. Los datos generados para cada red
350.00
300.00
REAL
RNA01
250.00 RNA02
Precipitaciones (m3/seg)
RNA03
200.00 RNA04
RNA05
RNA06
150.00
RNA07
RNA08
100.00 RNA09
RNA10
RNA11
50.00
RNA12
RNA13
0.00 RNA14
1990:01
1990:05
1990:09
1991:01
1991:05
1991:09
1992:01
1992:05
1992:09
1993:01
1993:05
1993:09
1994:01
1994:05
1994:09
1995:01
1995:05
1995:09
1996:01
1996:05
1996:09
Periodo (años)
54
Tabla 8. Datos generados por la RNA N°02. Precipitaciones mensuales
1990 1991 1992 1993 1994 1995 1996
167.9287 167.9292 167.9227 167.9267 167.9332 167.9281 167.9329
186.7906 186.7907 186.7896 186.7903 186.7914 186.7905 186.7913
175.2679 175.2681 175.2655 175.2671 175.2697 175.2677 175.2695
84.6121 84.6121 84.6123 84.6122 84.6120 84.6122 84.6120
43.5363 43.5364 43.5353 43.5360 43.5371 43.5362 43.5370
14.4877 14.4877 14.4876 14.4877 14.4878 14.4877 14.4878
11.0715 11.0715 11.0714 11.0715 11.0715 11.0715 11.0715
25.2155 25.2155 25.2150 25.2153 25.2158 25.2154 25.2158
53.4423 53.4426 53.4392 53.4413 53.4448 53.4421 53.4446
88.5864 88.5868 88.5821 88.5850 88.5897 88.5860 88.5895
125.6705 125.6712 125.6630 125.6681 125.6763 125.6698 125.6759
145.4658 145.4662 145.4608 145.4642 145.4695 145.4653 145.4692
350.00
REAL RNA02
300.00
250.00
Precipitaciones (mm)
200.00
150.00
100.00
50.00
0.00
1990:01
1990:04
1990:07
1990:10
1991:01
1991:04
1991:07
1991:10
1992:01
1992:04
1992:07
1992:10
1993:01
1993:04
1993:07
1993:10
1994:01
1994:04
1994:07
1994:10
1995:01
1995:04
1995:07
1995:10
1996:01
1996:04
1996:07
1996:10
Años:meses
55
B. Precipitaciones mensuales grupo B.
cada red están representados en la Figura 11, los datos específicos de la red más
precipitaciones Grupo B.
56
350.00
REAL
300.00
RNA02_1
RNA02_2
250.00
RNA02_3
Precipitaciones (mm)
RNA02_4
200.00
RNA02_5
RNA02_6
150.00
RNA02_7
RNA14_1
100.00
RNA14_2
RNA14_3
50.00
RNA14_4
RNA14_5
0.00
RNA14_6
1990:01
1990:05
1990:09
1991:01
1991:05
1991:09
1992:01
1992:05
1992:09
1993:01
1993:05
1993:09
1994:01
1994:05
1994:09
1995:01
1995:05
1995:09
1996:01
1996:05
1996:09
RNA14_7
Periodo (años)
57
350.00
REAL RNA02_4
300.00
250.00
Precipitaciones (mm)
200.00
150.00
100.00
50.00
0.00
1990:01
1990:04
1990:07
1990:10
1991:01
1991:04
1991:07
1991:10
1992:01
1992:04
1992:07
1992:10
1993:01
1993:04
1993:07
1993:10
1994:01
1994:04
1994:07
1994:10
1995:01
1995:04
1995:07
1995:10
1996:01
1996:04
1996:07
1996:10
Año:meses
Diagrama de flujo adjuntado en el Anexo 7. Los datos generados para cada red
están representados en la Figura 13, los datos específicos de la red más eficiente se
directamente
58
8.00
REAL
7.00
RNAQ1
6.00 RNAQ2
RNAQ3
Caudales (m3/seg)
5.00 RNAQ4
RNAQ5
4.00
RNAQ6
RNAQ7
3.00
RNAQ8
2.00 RNAQ9
RNAQ10
1.00 RNAQ11
RNAQ12
0.00
RNAQ13
1986:1
1986:7
1987:1
1987:7
1988:1
1988:7
1989:1
1989:7
1990:1
1990:7
1991:1
1991:7
1992:1
1992:7
1993:1
1993:7
1994:1
1994:7
1995:1
1995:7
1996:1
1996:7
RNAQ14
Periodo (años)
1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
3.0554 2.7791 3.7556 2.7703 3.4710 1.5003 1.6177 3.5118 3.7116 2.0094 2.9850
2.9242 3.2249 4.9673 4.1506 3.4807 2.2575 2.7159 3.9233 5.2411 2.2758 4.6631
3.7428 2.8363 2.3728 3.1142 2.7449 3.1081 3.0358 3.7238 5.1084 4.2076 4.5466
2.6604 2.4436 1.6338 2.4881 3.0337 2.5932 3.2894 3.2863 2.3754 2.6217 2.7502
0.8880 0.9180 1.4255 1.7588 2.0660 0.8891 1.7765 1.6395 1.5882 1.2754 1.2279
0.6506 0.5732 0.4575 0.5136 0.7304 0.7437 0.8021 0.7919 0.5754 0.9131 0.6072
0.3327 0.4155 0.5058 0.3418 0.2721 0.3275 0.3014 0.3624 0.3533 0.2940 0.4325
0.4109 0.4481 0.4142 0.2798 0.3131 0.3695 0.2887 0.6285 0.4390 0.5202 0.4318
0.5206 0.5517 0.8577 0.7691 0.4664 0.4764 0.4594 0.5699 0.8316 0.5248 0.7531
1.4424 1.3906 1.3545 1.4860 1.4977 1.2579 1.2589 0.8766 1.0352 1.3038 1.2854
1.6680 1.8426 1.5487 1.3956 2.4258 1.7148 2.3220 2.9389 1.1976 1.3246 1.1758
2.2493 1.8977 1.6318 1.4366 1.9822 1.8041 1.2996 3.5673 2.7754 2.7084 1.9610
59
8.00
REAL
7.00
RNAQ7
6.00
Caudales mensuales (m3/s)
5.00
4.00
3.00
2.00
1.00
0.00
1986:1
1986:6
1987:4
1987:9
1988:2
1988:7
1989:5
1990:3
1990:8
1991:1
1991:6
1992:4
1992:9
1993:2
1993:7
1994:5
1995:3
1995:8
1996:1
1996:6
1986:11
1988:12
1989:10
1991:11
1993:12
1994:10
1996:11
Año:mes
inicial utilizada para cada red se muestra en la Tabla 12, y la generación se dio
cada red están representados en la Figura 15, los datos específicos de la red más
60
Tabla 12. Estructura de las redes neuronales, Elman backpropagation generación de
caudales Grupo B.
Función de Numero
Nominación Función de Función de Función de
adaptación de de
de la red entrenamiento rendimiento Transferencia
aprendizaje Neuronas
RNA07_1 LEARNGDM MSE 12 LOGSIG
RNA07_2 LEARNGDM MSEREG 12 LOGSIG
TRAINGDM
8.00
REAL
7.00
RNAQ7_1
6.00 RNAQ7_2
Caudal (m3/seg)
5.00 RNAQ7_3
RNAQ7_4
4.00
RNAQ7_5
3.00 RNAQ7_6
RNAQ7_7
2.00
RNAQ09_1
1.00
RNAQ09_2
0.00 RNAQ09_3
1986:1
1986:7
1987:1
1987:7
1988:1
1988:7
1989:1
1989:7
1990:1
1990:7
1991:1
1991:7
1992:1
1992:7
1993:1
1993:7
1994:1
1994:7
1995:1
1995:7
1996:1
1996:7
RNAQ09_4
RNAQ09_5
Periodo (años)
61
Tabla 13. Datos generados por la RNA N°Q7_1. Caudales mensuales
1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
2.784 2.734 3.711 2.771 3.235 1.512 1.625 3.294 3.652 2.006 3.150
2.740 3.197 5.208 4.752 3.551 2.185 2.785 3.513 5.331 2.242 5.090
3.572 2.952 2.460 2.974 2.369 3.020 2.540 4.436 5.387 4.403 4.842
2.541 2.430 1.703 2.478 2.647 2.467 2.846 3.453 2.667 2.523 2.841
0.909 0.934 1.440 1.794 2.010 0.881 1.787 1.515 1.595 1.305 1.291
0.628 0.557 0.456 0.496 0.607 0.713 0.644 0.831 0.582 0.836 0.572
0.356 0.450 0.561 0.396 0.296 0.336 0.338 0.389 0.395 0.323 0.488
0.415 0.443 0.416 0.282 0.311 0.354 0.286 0.648 0.445 0.522 0.419
0.512 0.548 0.833 0.767 0.491 0.479 0.509 0.525 0.798 0.541 0.764
1.267 1.229 1.153 1.289 1.385 1.206 1.183 0.833 0.890 1.141 1.113
1.742 1.904 1.750 1.505 2.381 1.603 2.120 2.872 1.277 1.371 1.260
2.446 2.061 1.675 1.429 2.140 1.953 1.326 3.618 2.521 2.477 1.892
8.00
7.00
REAL RNAQ7_1
6.00
Caudales mensuales (m3/s)
5.00
4.00
3.00
2.00
1.00
0.00
1986:1
1986:6
1987:4
1987:9
1988:2
1988:7
1989:5
1990:3
1990:8
1991:1
1991:6
1992:4
1992:9
1993:2
1993:7
1994:5
1995:3
1995:8
1996:1
1996:6
1986:11
1988:12
1989:10
1991:11
1993:12
1994:10
1996:11
Año : mes
62
C. Generación de caudales mensuales grupo C.
Diagrama de flujo mostrado en la Figura 7. Los datos generados para la red están
Función Descripción
Función de entrenamiento TRAINGDM
Función de adaptación de aprendizaje LEARNGDM
Función de rendimiento MSE
Numero de Capas 2
Numero de Neuronas 12
Función de Transferencia LOGSIG
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
2.858 3.115 3.848 1.736 4.150 1.228 1.242 3.639 2.865 1.104
2.127 4.385 5.382 1.520 5.797 1.503 1.536 4.827 3.303 1.656
3.267 2.175 2.160 3.213 3.569 4.409 4.314 4.134 4.351 4.405
2.054 1.741 1.409 3.169 1.642 3.315 3.589 2.313 2.242 3.228
2.076 1.815 1.814 1.443 1.318 1.184 1.354 1.494 2.154 1.627
0.912 0.397 0.273 1.133 0.235 0.939 1.169 0.507 0.370 1.033
0.182 0.357 0.382 0.163 0.417 0.136 0.181 0.330 0.345 0.175
0.532 0.459 0.330 0.472 0.253 0.153 0.256 0.438 0.198 0.278
0.455 0.596 0.881 0.411 1.165 0.464 0.470 0.711 1.323 0.411
0.983 0.990 1.074 1.630 1.421 1.922 1.423 1.066 1.416 1.145
2.599 2.618 1.963 2.204 1.070 1.220 1.850 1.625 1.136 1.655
63
3.068 2.403 2.171 3.802 1.706 1.196 2.341 2.512 0.933 1.564
9.00
REAL
8.00
RNAGC
7.00
6.00
Caudales (m3/s)
5.00
4.00
3.00
2.00
1.00
0.00
2007:01
2007:06
2007:11
2008:04
2008:09
2009:02
2009:07
2009:12
2010:05
2010:10
2011:03
2011:08
2012:01
2012:06
2012:11
2013:04
2013:09
2014:02
2014:07
2014:12
2015:05
2015:10
2016:03
2016:08
Año : mes
V.4.3 Análisis de la validez de las generaciones Formatted: Heading 2, Justified, Indent: Left: 0", Line
spacing: single
Para este fin se aplicaron los modelos definidos en la sección 3.6.2.4 Verificación de la
inicial con la que se evaluó el tipo de entrenamiento más eficiente, en el grupo B se verifico
64
5.1.14.3.1 Elman backpropagation, Precipitaciones mensuales.
66
Tabla 18. Resumen de los coeficientes de validación. Elman backpropagation,
67
Tabla 19. Resumen de los coeficientes de validación para caudales mensuales
Grupo B
68
VI.V. CONCLUSIONES
6.15.1 Se tomaron en prueba tres tipos de red Cascade forward backpropagation, Elman
coeficiente de correlación de 0.74 con un error máximo de 1.02 m3/seg para la generación
final.
6.25.2 La estructura de red que presento un mayor ajuste en la etapa de entrenamiento y por
gradient descent with momentum weight and bias learning function), la función de
6.35.3 En la etapa de validación se verifico la validez de la mayor parte de las redes haciendo
análisis del coeficiente de relación tanto lineal como el brindado por el Matlab, por lo tanto,
las redes neuronales artificiales son un método viable para la generación y adaptación de
zona de estudio.
69
VII.VI. RECOMENDACIONES
7.16.1 Se debería realizar el análisis con los tipos de redes considerados aislando las estructuras
7.26.2 La aplicación de este método de análisis podría aplicarse en otras estaciones, llevar una
esto no solo podría generar una predicción de los mismos también podría alternarse con la
ubicación o planos con otras variables relativas a la cuenca y así crear una red neuronal
7.36.3 Para completar el análisis estadístico se podría estudiar los modelos de validación del
mismo programa y llevar este análisis en comparación con otros como los generados por
el programa Spss o el Eviews así se vería las cualidades del modelo para plantear
70
VIII.VII. BIBLIOGRAFIA
Alvarez, L., Gomez, E., & Obregon, N. (2012). Predicción De Caudales De Ríos Aplicando El
9(1).
Andina.
Predicción de Caudales en la cuenca alta del río Paute. (tesis de maestria), Universidad
Chow, V., Maidment, D., & Mays, L. (1994). Hidrologia Aplicada. Santafe de Bogota:
McGram - Hill.
España.
Dheeraj, B., Anil, G., & Vinayak, P. (2013). Cascade and Feed Forward Back propagation
Artificial Neural Network Models for Prediction of Compressive Strength of Ready Mix
Herrera , J., Luque , E., Tupac, J., & Yari, Y. (2013). Red Neuronal aplicada a la generación de
de Computacion, 41-48.
71
Laqui, W. (2010). plicación de Redes Neuronales Artificiales a la Modelización y Previsión de
Laqui, W., & Sanchez, M. (2009). Predicción de caudales medios mensuales del Río Huancané
Mexico: MICAI.
Lujano, A., Lujano, E., Lujano, R., & Quispe, J. (2010). Pronostico de Caudales Medios
Mensuales del Rio Ilave usando Modelos de Redes Neuronales Artificiales. Revista de
https://la.mathworks.com/help/nnet/ref/elmannet.html
https://la.mathworks.com
https://la.mathworks.com/help/nnet/ref/cascadeforwardnet.html
Mercado, D., Pedraza, L., & Martinez, E. (2015). Comparison of Neural Network applied to
72
Pujol, L. (2009). Predicción De Caudales En Tiempo Real En Grandes Cuencas Utilizando
Valencia, España.
Talento, S. (2011). Bases para un sistema de predicción de caudales de aporte a rincón del
Uruguay.
Zhiqiang, Z., Shangce, G., Gang, Y., Fangjia, L., & Zheng, T. (2009). An algorithm of
73
IX.VIII. ANEXOS
Anexo 1. Carta Nacional Recuay 20-i
74
Anexo 3. Precipitaciones mensuales estación Querococha.
AÑO/MES ENE FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DIC
1953 175.69 229.55 139.19 115.69 56.54 12.19 6.82 6.32 57.44 171.05 229.29 100.83
1954 214.77 147.33 207.22 130.82 40.64 9.44 5.69 7.40 38.69 78.97 88.11 162.78
1955 157.40 194.95 287.45 105.47 62.48 9.44 5.69 13.12 27.09 61.98 55.88 137.43
1956 166.37 174.28 186.34 101.46 35.62 9.44 5.69 14.95 44.94 62.70 42.66 85.08
1957 159.99 186.17 205.71 97.45 27.49 9.44 5.69 17.97 50.30 97.62 37.83 127.09
1958 158.91 158.04 194.13 110.82 47.86 9.44 5.69 10.64 40.99 104.56 45.78 107.69
1959 119.19 198.99 215.71 89.44 48.50 14.28 5.69 21.64 52.72 118.91 72.22 165.89
1960 151.95 141.80 165.82 118.35 40.28 9.44 5.69 31.67 54.12 86.86 94.72 115.83
1961 218.64 175.34 135.56 124.61 70.15 10.26 5.69 9.99 50.30 61.98 149.90 155.28
1962 192.32 133.33 254.72 107.68 40.00 9.44 5.69 8.05 27.09 69.76 76.60 129.38
1963 217.71 141.05 189.53 140.11 30.77 9.44 5.69 6.32 27.09 64.26 104.37 167.27
1964 115.39 168.74 194.21 105.06 64.85 31.24 10.21 20.45 49.53 94.87 112.47 99.64
1965 90.90 123.10 227.70 96.80 24.00 8.80 22.90 19.40 59.40 107.20 81.10 150.80
1966 196.00 125.00 86.50 78.50 42.30 9.44 0.00 10.30 41.00 179.80 89.45 123.25
1967 174.40 188.66 250.83 94.57 56.36 6.40 38.80 20.10 32.00 149.70 66.50 96.98
1968 104.30 164.90 167.32 33.20 48.32 9.44 1.00 25.00 43.40 106.90 72.66 80.70
1969 125.20 134.60 116.30 133.20 15.00 6.80 5.00 15.27 41.75 80.90 113.80 221.50
1970 197.20 129.50 105.20 135.30 72.60 16.37 12.50 7.50 109.10 123.50 108.00 191.40
1971 149.80 170.90 240.00 87.00 31.20 27.00 6.70 49.60 38.80 97.70 74.40 174.20
1972 161.40 164.40 252.40 102.32 54.80 16.70 0.50 14.80 28.00 49.30 46.90 109.00
1973 145.20 189.00 176.40 135.50 28.50 20.40 3.10 18.50 67.40 174.30 100.90 184.40
1974 206.30 247.10 200.30 109.70 13.90 29.30 4.10 8.20 60.60 69.30 66.80 86.70
1975 160.30 154.68 236.00 118.20 87.80 15.50 5.90 20.02 59.10 70.40 67.80 165.90
1976 185.90 202.60 179.50 69.70 27.50 20.20 3.40 9.20 29.60 15.90 36.90 73.60
1977 160.20 193.76 107.30 114.30 46.70 8.40 10.30 2.30 35.40 49.60 237.30 141.40
1978 142.13 229.40 108.40 53.60 38.30 0.00 22.20 4.20 73.64 69.04 95.04 73.30
1979 96.00 211.20 196.10 131.30 38.70 0.50 0.10 7.80 51.80 33.50 62.40 93.30
1980 143.90 138.50 147.70 66.30 25.50 3.70 4.20 27.70 15.20 146.20 170.00 153.60
1981 187.80 200.00 217.60 52.40 18.40 2.60 3.00 30.80 7.40 118.30 202.90 151.20
1982 257.80 222.30 141.90 65.00 2.40 9.10 9.70 4.80 37.30 142.50 175.10 232.50
1983 213.10 47.50 181.12 98.76 56.80 29.20 2.80 16.00 42.20 74.80 72.70 181.10
1984 146.30 242.40 299.20 85.70 74.00 26.60 15.60 0.20 55.80 102.80 100.60 99.70
1985 116.41 133.50 168.23 94.12 84.06 8.54 5.51 18.28 119.76 62.75 112.08 143.35
1986 159.36 168.67 120.74 132.21 29.42 3.78 12.00 22.39 51.38 43.81 116.52 183.71
1987 177.76 112.41 160.34 75.62 15.90 10.49 22.17 22.28 43.05 88.50 143.67 159.15
1988 250.79 168.99 118.68 127.77 42.62 13.08 3.13 21.09 46.84 106.13 118.25 98.45
1989 174.51 218.55 226.88 140.21 26.72 16.98 4.32 54.20 39.92 121.93 48.79 71.62
1990 227.31 100.07 104.83 103.32 18.82 52.25 14.27 3.89 28.99 147.89 111.22 85.03
1991 71.94 97.91 122.79 74.75 39.48 6.05 7.03 4.75 23.25 147.25 95.96 96.83
1992 75.94 76.16 112.28 77.24 23.58 38.40 4.32 19.47 38.51 124.52 74.21 28.01
1993 209.24 182.95 236.51 162.39 81.79 18.49 14.27 12.54 127.66 153.84 209.89 270.48
1994 203.61 212.92 290.49 175.92 93.47 10.38 6.05 4.10 32.34 100.61 74.43 148.44
1995 135.45 42.95 218.87 100.51 70.21 10.60 11.89 9.08 28.56 71.83 134.48 156.33
1996 188.58 168.67 303.69 31.69 31.15 14.92 3.78 24.01 24.23 71.51 65.99 112.84
Fuente. Unidad de Glaciología, y SENAMHI
75
Anexo 4. Caudales mensuales estación Querococha.
AÑO/MES ENE FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DIC
1953 2.49 4.72 3.80 3.01 0.98 0.45 0.26 0.43 0.38 0.83 1.88 1.75
1954 3.74 2.83 3.61 1.85 1.28 0.44 0.24 0.28 0.50 0.77 0.98 1.58
1955 3.25 5.12 5.44 2.95 1.21 0.51 0.32 0.26 0.43 0.77 1.05 2.01
1956 2.16 3.36 3.17 2.40 0.94 0.44 0.33 0.34 0.52 1.09 0.93 1.16
1957 1.25 2.56 2.80 2.29 1.28 0.68 0.52 0.50 0.67 1.31 1.72 1.26
1958 1.76 2.31 3.33 1.82 1.10 0.65 0.43 0.58 0.71 1.07 0.99 1.21
1959 1.70 3.37 4.23 2.49 1.42 0.65 0.45 0.54 0.51 1.34 1.41 3.80
1960 3.15 4.27 2.01 2.55 1.65 0.66 0.44 0.46 0.52 0.98 1.29 1.48
1961 3.51 2.79 4.08 3.07 1.30 0.81 0.50 0.38 0.48 0.65 2.13 3.06
1962 4.45 4.29 5.09 2.64 1.10 0.53 0.31 0.34 0.44 0.64 0.99 1.25
1963 3.30 4.03 4.72 3.56 1.05 0.62 0.33 0.38 0.59 1.25 2.38 3.47
1964 2.96 3.95 3.54 2.90 1.58 0.71 0.57 0.48 0.57 1.21 1.83 1.63
1965 2.08 2.06 5.12 2.44 1.04 0.45 0.44 0.43 0.91 1.79 1.88 2.88
1966 3.48 3.42 2.35 1.98 1.69 0.77 0.62 0.62 0.78 1.70 1.87 2.20
1967 2.68 6.75 4.22 2.10 1.25 0.62 0.50 0.45 0.56 1.81 1.63 1.76
1968 1.88 2.34 3.19 1.35 0.69 0.46 0.32 0.41 0.60 1.36 1.56 1.23
1969 1.72 2.03 2.12 2.43 1.04 0.70 0.38 0.48 0.55 0.95 1.72 3.43
1970 4.25 3.39 3.00 2.61 2.31 1.26 0.78 0.62 0.94 1.42 2.15 3.12
1971 2.69 3.95 4.78 2.46 1.09 0.62 0.48 0.52 0.56 1.15 0.94 1.79
1972 2.53 2.61 5.72 3.22 1.39 0.74 0.45 0.46 0.49 0.77 0.94 1.60
1973 2.36 3.53 3.64 3.64 1.24 0.78 0.53 0.54 0.63 1.89 2.64 3.35
1974 4.32 5.39 4.90 3.43 1.04 0.78 0.44 0.39 0.66 0.67 0.98 1.07
1975 2.36 2.98 5.11 2.48 2.15 1.00 0.58 0.61 0.79 1.32 1.40 1.86
1976 2.93 4.69 3.06 1.94 0.87 0.63 0.41 0.37 0.42 0.66 0.82 1.20
1977 1.94 2.73 2.89 2.02 1.25 0.68 0.57 0.57 0.73 1.04 2.55 2.29
1978 1.84 4.12 3.61 1.90 1.38 0.82 0.50 0.45 1.04 1.08 1.46 2.22
1979 1.95 3.83 5.67 3.83 1.49 0.75 0.62 0.72 0.86 0.97 1.08 1.56
1980 1.93 2.24 1.94 1.83 1.01 0.66 0.40 0.58 0.79 1.38 1.94 2.78
1981 2.50 5.65 4.14 2.32 1.13 0.63 0.52 0.49 0.51 1.41 3.52 3.65
1982 3.51 5.14 3.26 2.59 1.23 0.72 0.44 0.39 0.61 1.85 3.08 4.11
1983 4.14 2.54 3.96 3.52 2.11 1.17 0.79 0.74 0.94 1.34 1.70 3.35
1984 2.36 5.11 5.64 3.27 1.96 1.06 0.78 0.52 0.51 1.59 1.36 2.39
1985 2.36 2.71 3.48 2.92 1.43 0.66 0.37 0.37 0.98 0.94 1.21 2.25
1986 2.38 2.57 3.32 2.58 1.42 0.56 0.40 0.37 0.58 0.76 1.18 2.42
1987 3.30 3.08 2.89 1.52 1.06 0.46 0.39 0.36 0.52 1.08 1.25 2.60
1988 3.90 3.71 2.33 2.21 1.20 0.60 0.39 0.39 0.57 0.83 0.95 1.42
1989 2.37 3.80 3.95 3.07 1.00 0.50 0.32 0.36 0.40 0.86 1.66 0.78
1990 1.82 1.41 1.48 1.10 0.66 0.68 0.42 0.32 0.42 1.41 1.83 1.49
1991 1.81 2.04 3.02 1.84 1.13 0.56 0.38 0.37 0.39 1.16 1.18 1.19
1992 1.67 1.33 1.34 1.44 1.04 0.70 0.40 0.46 0.43 0.76 0.85 1.52
1993 2.01 3.92 4.42 3.28 1.44 0.69 0.45 0.40 0.98 1.09 3.14 4.51
1994 4.93 7.26 4.91 3.90 0.85 0.45 0.25 0.25 0.31 0.68 1.11 1.42
1995 2.37 1.82 5.12 2.55 0.97 0.43 0.30 0.28 0.65 0.81 1.55 1.54
1996 3.31 4.74 4.63 3.54 1.53 0.64 0.43 0.38 0.75 1.08 0.86 1.19
Fuente. Unidad de Glaciología, y SENAMHI
76
Anexo 5. Precipitaciones mensuales estación Querococha datos para generación.
AÑO/MES ENE FEB MAR ABR MAY JUN JUL AGO SET OCT NOV DIC
1997 179.09 187.31 95.21 71.73 47.15 15.15 15.28 32.66 63.82 90.33 117.41 251.33
1998 248.10 227.13 226.90 130.34 42.31 37.80 10.38 21.85 34.54 122.75 63.63 128.31
1999 213.26 309.37 232.53 97.45 47.43 46.50 13.28 19.80 108.82 79.71 114.77 149.05
2000 174.72 216.00 245.95 70.40 110.68 20.39 12.20 30.42 76.48 91.07 56.51 202.26
2001 235.17 186.74 248.31 59.43 59.49 21.51 15.31 12.69 88.25 113.89 200.73 150.33
2002 147.11 246.23 312.44 101.46 46.60 24.86 12.02 16.19 55.51 172.69 172.35 169.71
2003 187.85 174.01 218.61 158.40 58.31 23.86 9.57 21.02 41.78 95.23 81.04 199.87
2004 183.75 167.40 167.17 156.94 106.01 10.97 4.83 44.73 73.46 162.59 257.32 215.90
2005 225.70 189.14 353.55 143.03 55.60 10.97 4.83 47.42 66.61 139.59 147.09 277.68
2006 56.13 202.61 278.95 242.77 53.30 10.97 4.83 12.61 88.95 123.65 195.38 297.82
2007 224.21 142.90 81.19 196.74 82.45 31.90 4.83 42.39 29.91 123.65 195.38 285.24
2008 253.89 251.58 159.41 117.89 62.94 41.55 4.83 12.61 66.30 188.77 165.91 152.60
2009 301.70 260.86 163.19 199.57 93.35 36.83 4.83 12.61 48.05 177.97 203.14 198.94
2010 176.89 29.60 211.42 149.03 47.74 31.49 4.83 33.37 60.22 106.98 223.27 245.29
2011 301.70 241.72 232.71 164.13 43.96 10.97 4.83 12.61 62.00 34.95 162.67 136.11
2012 29.60 30.23 90.41 242.46 29.60 10.97 4.83 37.36 29.60 92.77 102.06 182.63
2013 29.60 29.60 288.07 127.85 91.46 10.97 4.83 50.36 66.51 150.60 173.88 229.14
2014 209.85 285.92 261.96 138.23 83.07 10.97 4.83 33.37 85.28 103.21 126.59 239.31
2015 215.82 92.93 159.31 107.82 99.85 43.54 4.83 48.47 65.19 29.70 114.33 29.70
2016 29.60 109.39 131.73 107.82 96.60 33.27 4.83 12.93 45.11 97.78 102.06 136.11
Fuente. Unidad de Glaciología, y SENAMHI. Elaboración propia
Anexo 6. Caudales mensuales estación Querococha datos para generación.
AÑO/MES
ENE FEB MAR ABR MAY JUN JUL AGO SET OCT NOV DIC
1997 2.13 2.47 1.13 0.88 0.56 0.19 0.18 0.39 0.78 1.07 1.44 2.99
1998 3.16 3.20 2.89 1.71 0.54 0.50 0.13 0.28 0.45 1.56 0.84 1.63
1999 3.07 4.93 3.35 1.45 0.68 0.69 0.19 0.28 1.62 1.15 1.71 2.14
2000 2.32 3.18 3.27 0.97 1.47 0.28 0.16 0.40 1.05 1.21 0.78 2.69
2001 3.21 2.82 3.39 0.84 0.81 0.30 0.21 0.17 1.24 1.55 2.83 2.05
2002 2.08 3.85 4.41 1.48 0.66 0.36 0.17 0.23 0.81 2.44 2.52 2.40
2003 2.38 2.44 2.77 2.07 0.74 0.31 0.12 0.27 0.55 1.21 1.06 2.53
2004 2.82 2.84 2.56 2.49 1.63 0.17 0.07 0.69 1.16 2.49 4.08 3.31
2005 3.45 3.20 5.41 2.26 0.85 0.17 0.07 0.73 1.05 2.14 2.33 4.25
2006 0.82 3.29 4.09 3.68 0.78 0.17 0.07 0.18 1.35 1.81 2.96 4.37
2007 3.15 2.23 1.14 2.86 1.16 0.46 0.07 0.60 0.43 1.74 2.84 4.01
2008 3.65 4.01 2.29 1.75 0.91 0.62 0.36 0.34 0.42 1.40 2.34 2.41
2009 6.13 7.69 8.27 6.51 4.25 1.99 0.52 0.20 0.77 2.75 3.25 3.08
2010 2.32 0.43 2.77 2.02 0.63 0.43 0.38 0.32 0.38 0.67 1.75 3.44
2011 4.94 7.27 5.35 5.33 1.18 0.46 0.36 0.18 0.90 0.49 2.35 1.91
2012 0.27 0.30 0.82 2.27 0.27 0.10 0.04 0.34 0.28 0.84 0.96 1.66
2013 0.37 0.41 3.64 1.67 1.15 0.14 0.06 0.64 0.87 1.90 2.27 2.89
2014 3.52 5.71 8.04 2.51 1.87 0.47 0.28 0.20 0.37 0.75 1.79 2.43
2015 5.42 3.93 4.01 3.29 3.91 1.68 0.76 0.57 0.30 0.02 0.16 2.79
2016 2.84 3.76 6.11 2.58 1.24 0.86 0.60 0.52 0.34 0.56 1.08 1.99
Fuente. Unidad de Glaciología, y SENAMHI. Elaboración propia
77
Anexo 7. Diagrama de flujo del proceso I
78
Anexo 8. Mejor validación para generación de datos de precipitación mensual por el modelo
Elman backpropagation.
Anexo 9. Mejor validación para la generación de datos de caudales mensuales por el modelo
Elman backpropagation.
79
Grupo C. Caudales mensuales
80