Beamer Altura de Olas

Anlisis y modelamiento de las alturas de oleaje para la
zona costera de la regin del Bo-Bo, Terraza del Itata,

Chile.
Proyecto de Ttulo para optar al Ttulo Profesional de
Ingeniero Estadstico.
Bernardo Bello R.
Departamento de Estadstica
Facultad de Ciencias Fsicas y Matemticas
Universidad de Concepcin
17 de enero de 2011
Bernardo Bello R
()
http://bernardobello.blogspot.com/
17 de enero de 2011
1 / 52
Introduccin
Resea histrica
Motivacin
Entorno de medicin y cobertura radial
Radares HF marinos
Espectros, coordenas y alturas
Marco terico y planteamiento del problema
Descripcin de un mar aleatorio
Concepto estocstico aplicado al oleaje ocenico
Ondas ocenicas como un proceso aleatorio gausiano
Mares aleatorios
Densidad espectral
Funcin de densidad espectral
Espectro de energa del oleaje
Estimacin de parmetros espectrales
Alturas signicantes
Relacin alturas y espectro del oleaje
Relacin altura signicante y el espectro del oleaje
Bernardo Bello R
()
17 de enero de 2011
1 / 52
Modelo probabilstico de la altura del oleaje

Fundamento del proceso estocstico de ondas aleatorias
Distribucin de probabilidad de la amplitud y altura
Derivacin de la distribucin de la amplitud
Derivacin de la distribucin de la altura
6
7
Anlisis geoestadstico de las alturas

Anlisis serie de tiempo de alturas signicantes
Modelos ARIMA
Modelo de espacios de estados
Filtro de Kalman
Estimacin de los componentes no observables
Modelos propuestos
Estimacin de los parmetros por mxima verosimilitud condicional
Diagnstico del modelo
Resultados
Densidad espectral
Estimacin alturas signicantes
Modelo probabilstico
Anlisis geoestadstico
Bernardo Bello R
()
17 de enero de 2011
1 / 52
Identicacin de zonas con riesgo de marejada

Identicacin de localidades con alturas extremas
Estimacin localidades no observables
Probabilidad de ocurrencia de H >2.83
Kriging Indicador Ordinario
Boxplot temporal
Predicciones de alturas signicantes

Descripcin de la serie de tiempo de las alturas signicantes
Anlisis de estacionariedad
Anlisis distribucional
Modelos propuestos
Diagnstico MEE-ARIMA(1,1,0)
9
Conclusiones
10
Bibliografa
11
Anexos
Bernardo Bello R
()
17 de enero de 2011
1 / 52
Introduccin
Resea histrica
Resea histrica
Operaciones militares.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Prediccin de las caractersticas del oleaje.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Oceangrafos Sverdrup y Munk (1947).
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Relaciones tericas y empricas de oleaje generado por el viento.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Desarrollo de mtodos de prediccin de alturas signicantes de oleaje.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Miles y Phillips (1957) desarrollaron la teora espectral para oleaje
generado por el viento.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Phillips (1958) plantea el primer modelo terico de onda espectral.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Pierson y Moskowitz (1964) frmula una expresin general para la
densidad espectral.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Resea histrica
Resea histrica
Pierson y Moskowitz (1964) frmula una expresin general para la
densidad espectral.
Bernardo Bello R
()
17 de enero de 2011
2 / 52
Introduccin
Motivacin
Motivacin
La importancia del estudio se vincula a la necesidad de tener un

sistema preventivo o de alerta de riesgo de marejada o alturas atpicas
signicantes, basado en informacin actualizada entregada por el
sistema de medicin de radares HF marinos.
Bernardo Bello R
()
17 de enero de 2011
3 / 52
Introduccin
Motivacin
Motivacin
La importancia del estudio se vincula a la necesidad de tener un

sistema preventivo o de alerta de riesgo de marejada o alturas atpicas
signicantes, basado en informacin actualizada entregada por el
sistema de medicin de radares HF marinos.
Se pretende explicar el comportamiento del oleaje ocenico, desde la

informacin aportada por el anlisis estocstico y preventivo de
ciertas caractersticas del oleaje en corrientes superciales generado
por el viento.
Bernardo Bello R
()
17 de enero de 2011
3 / 52
Introduccin
Bernardo Bello R
()
17 de enero de 2011
4 / 52
Introduccin
Radares HF marino
Antenas Transmisoras
Bernardo Bello R
()
17 de enero de 2011
5 / 52
Introduccin
Radares HF marinos
Radares HF marino
Antenas Receptoras
Bernardo Bello R
()
17 de enero de 2011
6 / 52
Introduccin
Espectros, coordenas y alturas
Espectros, coordenadas y alturas.
Bernardo Bello R
()
17 de enero de 2011
7 / 52
Introduccin

El problema consiste en extraer la mayor informacin de los datos
espectrales y de alturas del oleaje, en tiempo y espacio.
Bernardo Bello R
()
17 de enero de 2011
8 / 52
Introduccin

Las primeras mediciones en la Terraza del Itata el ao 2006,
otorgaron mucha informacin del oleaje, tales como el espectro,
asociado a la energa transferida del viento al mar, la altura de la ola
y la velocidad del viento local.
Bernardo Bello R
()
17 de enero de 2011
8 / 52
Introduccin

La teora espectral y la fsica oceanogrca entrega las herramientas
para el anlisis de estas variables, sin embargo, en Chile es la primera
vez que se elabora una metodologa de anlsis estadstico para la
variable espectro y altura del oleaje.
Bernardo Bello R
()
17 de enero de 2011
8 / 52
Introduccin

Lo anterior permitir obtener relaciones funcionales entre las dos
variables, adems los anlisis surgen desde distintos enfoques
estadsticos, segn la variable de estudio, es decir, estocstico,
geoestadstico y serie de tiempo.
Bernardo Bello R
()
17 de enero de 2011
8 / 52
Introduccin

Cuanticar el riesgo que se desarrolle una marejada en las costas de
Chile.
Bernardo Bello R
()
17 de enero de 2011
8 / 52
Introduccin

Cuanticar el riesgo que se desarrolle una marejada en las costas de
Chile.
Bernardo Bello R
()
17 de enero de 2011
8 / 52
Descripcin de un mar aleatorio

Ondas ocenicas como un proceso aleatorio gausiano
El perl del oleaje ocenico generado por el viento cambia aleatoriamente

en el tiempo y espacio. Las ondas son oscilaciones armnicas, poseen
perodo, frecuencia, frecuencia angular, longitud de onda, velocidad de
fase, altura de onda y amplitud. Las olas son deformaciones de la
supercie del ocano, relacionadas con la forma de la propagacin de la
onda.
Basndose en teora asinttica, se puede demostrar que una composicin
de ondas ocenicas en aguas profundas es un proceso gausiano.
Estructura mar aleatorio, segn Pierson (1958).
Bernardo Bello R
()
Figura:
17 de enero de 2011
9 / 52
Densidad espectral
Funcin de densidad espectral
Densidad espectral
Funcin de densidad espectral de una seal
S (w ) := S (w ; A, B, p, q ) = Aw
Bw
para w 2 (0, ) ,
(1)
donde A, B, p y q son parmetros positivos (Pierson y Moskowitz, 1964).

Esta energa est descrita por la ecuacin 21 gaj2 , donde aj , y g . Por lo
tanto,
1
S (w , )w = aj2 .
(2)
2
La energa total de oleaje en varias direcciones incluyendo todas las
frecuencias, est descrito por:
1
2 aj2
w
Z Z
S (w , )dwd con j = 1, 2, ...
(3)
Todo lo anterior describe estocsticamente las ondas de un mar aleatorio.

Bernardo Bello R
()
17 de enero de 2011
10 / 52
Densidad espectral
Densidad espectral
La energa total del oleaje est dada por

Z
ETotal =
S (w )dw =
A
= m0 .
qB
(4)
La energia total, m0 , fue conseguida aproximando el rea bajo la curva generada

por el espectro S (w ). Para un tiempo t y una localidad u , se tiene la
s
aproximacin m0 := m0 (t, u ).
Espectros segn la velocidad del viento
Bernardo Bello R
()
17 de enero de 2011
11 / 52
Densidad espectral
Densidad espectral
La estimacin de los parmetros del modelo espectral se consigue

reparametrizando C q = B , as se tiene
s
m0 =
A
qC q
Z
q
w
C
q 1
q
w
A
e ( C ) dw =
qB
(5)
y
s
m0
qB
=
A
f (w ; C , q )dw = 1.
(6)
La frecuencia modal se relaciona con g [m/s 2 ] y la velocidad del viento, U

[m/s ] (Pierson y Moskowitz, 1964), esto es
wmodal = q
Bernardo Bello R
()
qB
g
y wmodal = 0,47
.
p
U
(7)
17 de enero de 2011
12 / 52
Alturas signicantes
Relacin alturas y espectro del oleaje
Alturas signicantes
Relacin altura signicante y espectro del oleaje
Se propone la relacin entre espectro y altura de oleaje, modicando los

resultados obtenidos en mediciones del Mar Atlntico Norte por Pierson y
Moskowitz (1964), dada por
rZ w
u
H=c
S (w )dw , donde c 0,
(8)
wl
donde c es un coeciente de proporcionalidad, wl y wu es la primera y la

ltima frecuencia de medicin emitida por la seal del radar.
La altura signicante del oleaje local es el promedio del tercio de las
alturas mayores observadas (Sverdrup y Munk, 1947), esto es
Hs ( t ) =
Bernardo Bello R
()
3
N
N /3
i =1
H (t, ui ) =
3
N
N /3
i =1
rZ
wu
wl
S0 (w ; t, ui )dw .
17 de enero de 2011
(9)
13 / 52
Fundamento del proceso estocstico de ondas aleatorias

Fundamento del proceso estocstico de ondas
Sea X (t ) el proceso estocstico, asociado a las ondas del mar, como una
sucesin de variables aleatorias que evolucionan en el tiempo. Cada una de las
variables aleatorias del proceso tiene su propia funcin de distribucin de
probabilidad y pueden estar correlacionadas o no. Las ondas aleatorias en el
mar, X (t ), son una combinacin lineal de oscilaciones armnicas que se
comportan en aguas profundas como un proceso gausiano, ergdico y
dbilmente estacionario (Rudnick, 1951).
Relacin altura y amplitud de la onda
Bernardo Bello R
()
17 de enero de 2011
14 / 52

Derivacin de la distribucin de la amplitud
Si X (t ) describe un proceso gausiano con media cero y varianza 2 con

frecuencia constante, entonces
X (t ) = A(t ) cos fw0 t + (t )g ,
(10)
donde A(t ) es la amplitud, (t ) es la fase y w0 es la frecuencia constante. As la

descomposicin de X (t ), puede ser escrita en trminos de funciones continuas,
Xc (t ) y Xs (t ), independientes, normales con media cero y varianza 2 , donde
Xc (t )= A(t )
cos ((t ))
Xs (t )= A(t )
sin ((t )) .
(11)
La funcin de densidad de la amplitud es Rayleigh de parmetro R = 22 , es

decir
2
f (a; ) =
Bernardo Bello R
()
a
e
2
a
22
, a 2 [0, ) y > 0.
17 de enero de 2011
(12)
15 / 52

Derivacin de la distribucin de la altura
Para relacionar la amplitud y altura de la ola, utilizamos H = 2A, entonces la

distribucin de probabilidad de la altura, ser
f (h; R ) =
h
e
2R
h2
4R
, h 2 (0, ) , R > 0.
(13)
El estimador mximo verosimil de R es

^
R=
1 n 2
h (u i , t ).
n i
=1
(14)
La distribucin Rayleigh es un caso especial de una distribucin Weibull con

parmetro de forma igual 2 (Rinne, 2009). Por otra parte, si Hi Rayleigh (R ),
2
2
entonces Y = N
i =1 Hi se distribuye Gamma con parmetro N y R = 2 ,
(Sijbers, 1999). Esto permite dar una alternativa ms exible para el ajuste de la
distribucin de las alturas.
Bernardo Bello R
()
17 de enero de 2011
16 / 52

Con el objetivo de conocer con mayor precisin la ocurrencia de marejadas, se ha
considerado un anlisis de las alturas, en tiempo y espacio.
Anlisis descriptivo
(d ) = C 0 +C 1 1
exp
3d
a
con d > 0,
(15)
donde C1 representa la meseta, C0 el efecto pepita, a el rango y d la distancia

entre las observaciones a una direccin especca.
Bernardo Bello R
()
17 de enero de 2011
17 / 52

Anlisis descriptivo
Anlisis estructural
(d ) = C 0 +C 1 1
exp
3d
a
con d > 0,
(15)

Bernardo Bello R
()
17 de enero de 2011
17 / 52

Anlisis descriptivo
Anlisis estructural
Variograma o semivariograma
(d ) = C 0 +C 1 1
exp
3d
a
con d > 0,
(15)

Bernardo Bello R
()
17 de enero de 2011
17 / 52

Anlisis descriptivo
Anlisis estructural
Variograma o semivariograma
Modelo de semivariograma exponencial
(d ) = C 0 +C 1 1
exp
3d
a
con d > 0,
(15)

Bernardo Bello R
()
17 de enero de 2011
17 / 52

Anlisis predictivo (Kriging indicador ordinario)
Para caracterizar la distribucin espacial de las aturas H mayores que hk , se
consideran las observaciones de la variable indicadora I (u ; hk ), denida como
I (u ; hk ) =
1 si H (u ) hk
0 en otro caso.
(16)
El kriging indicador ordinario (K.I.O) permite dar cuenta de las uctuaciones

locales del indicador promedio, obteniendo grcos de probabilidad de ocurrencia
del evento denido por I (u ; hk ) = 1. El estimador lineal de I (u; hk ) esta dado
por:
^
n (u )
E [I (u; hk )] =
(u; hk )I (u ; hk ),
(17)
=1
Se cuantica el riesgo en trminos de probabilidad, para cada tiempo y localidad

(t, u ), es decir
Riesgo= P (H (u, t ) > hk ) = E [I (u; hk )].
Bernardo Bello R
()
17 de enero de 2011
(18)
18 / 52
Modelos ARIMA

Modelos ARIMA
Llamaremos yt a las alturas signicantes. Se busca con los modelos de series de

tiempo, explicar la dinmica y dependencia de los datos en el tiempo, adems
de analizar los periodos de alturas signicantes con incrementos signicatvos e
interpretar fsicamente los eventos particulares.
Un modelo ARIMA es de la forma,
p
i Li
i =1
(1
L) yt = 1 + i Li
d
i =1
t ,
t = 1, ..., T ,
(19)
donde L, es el operador de retardo, los trminos p y q son llamados el orden

autorregresivo y de medias mviles, respectivamente, y d es el orden de
integracin que tiene el proceso. Suponemos que t es ruido blanco gausiano,
con media cero y varianza 2 y que el proceso es causal e invertible, 0 s y 0 s
representan los parmetros del modelo, que estn relacionados con los ordenes
autorregresivos y de medias mviles, respectivamente.
Bernardo Bello R
()
17 de enero de 2011
19 / 52

El modelo (19), puede ser representado como modelos de espacios de estados

segn un sistema de ecuaciones lineales dinmicas en el tiempo, como una forma
alternativa para la estimacin de los parmetros y componentes del estado
(Harvey, 1989), escrito como
yt
N 1
Zt t + t
Nxm mx 1 N 1
t
m 1
At t 1 + Rt
m m m 1 m r
(20)
t ,
r 1
con t = 1, ..., T , donde yt describe el vector de observaciones, t es no

observable y es denominado vector de estados. Se consideran t y t como
perturbacines aleatorias no correlacionadas, Zt y Rt son matrices
deterministicas, A, matriz de transicin de estado que contiene los parmetros
0 s y 0 s y N es la cantidad de series de tiempo, en nuestro caso es una serie
univariada, N igual a uno.
Bernardo Bello R
()
17 de enero de 2011
20 / 52

Filtro de Kalman
Usaremos el ltro de Kalman para producir estimaciones ptima del estado t .

Considerando el modelo de espacio de estados dado en (20), sea at 1 el
estimador ptimo de t 1 basada en la informacin hasta t 1, en el sentido de
minimizar el error cuadrtico medio, dado por
Pt
= E [(t
at
1 )( t 1
donde at 1 = E (t 1 jt 1 ). Adems, usando at

ptimo de t condicionado a la informacin hasta t
minimizando el error cuadrtico medio
at
1
1)
],
(21)
y Pt 1 , el estimador
1, se encuentra
= E [(t at jt 1 )(t at jt 1 )0 ],
= E (t jt 1 ), sobre el supuesto de que t , t y 0 son
donde at jt 1
normales, tenemos
Pt jt
at j t
= At at
1,
y matriz de varianzas-covarianzas del error de estimacin t

Bernardo Bello R
()
(22)
(23)
at j t
dada por
17 de enero de 2011
21 / 52

Filtro de Kalman
Pt jt
= At Pt
1 At
+ Rt Qt Rt ,
t = 1, ..., T ,
(24)
donde Qt es la varianza de t . Resumiendo, t jt 1

N at jt 1 , Pt jt 1 y
f t g RBN (0, Q ). Las ecuaciones (23) y (24) son llamadas ecuaciones de
prediccin.
Cuando una nueva observacin, yt , est disponible, el estimador de t , at jt 1 ,
puede ser actualizado. Las ecuaciones de actualizacin estn dadas por la media
de t , esto es
0
donde Kt = Pt jt 1 Zt Ft
prediccin y con varianza
at = at j t
1
y vt = yt
Pt = Pt jt
Bernardo Bello R
()
+ Kt vt ,
Zt at jt
1
1,
(25)
el vector de error de
Kt Zt Pt jt
1.
(26)
17 de enero de 2011
22 / 52

EL sistema contiene dos ecuaciones lineales con estructuras que varan en

el tiempo. Clasicaremos la variable yt , como las alturas signicantes, Hs ,
que no sabemos su comportamiento, ciclos y tendencia, pero sabemos
que existen factores, i.e, viento local, que inciden en ese comportamiento.
Slo ajustamos un modelo ARIMA expresado en modelo de espacio de
estados, sin considerar los factores mencionados anteriormente. Las nicas
componentes no observables, quedan explcitamente escritas en el
modelo. Esto permite hacer una estimacin del nivel de la serie y
prediccin. El ltro, permite obtener un estimador ptimo del vector
de estado, que corresponde a E (t jYt ) =at , siempre que las
perturbaciones sean normales. Segundo, se inicia el ltro con valores
iniciales para el estado. Y nalmente la prediccin est basada en
E (T +k jYT ) =aT +k jT .
Bernardo Bello R
()
17 de enero de 2011
23 / 52
Modelos propuestos

Modelos propuestos
Se proponen los modelos ARI(1), IMA(1) y ARIMA(1,1,1), como ejemplo

este ltimo escrito en espacio de estado sera
yt
1 1
t
3 1
Z t
1x 3 3x 1
At
3 3
+ t
1
3 1
(27)
1 1
+ R
,
3 1 1 t1
(28)
1T
0
1
0
1
0 1
1
1 1 0
yt 1
0
@
A
@
A
@
A
@
1
0
yt
1 A ,
; t =
;R=
Z =
;A=
0
0 0 0
t
1
considerando que se trabajar yt como un caso univariado, con N igual a

1, H y Q son matrices de dimensin 1 1, cuyos nicos elemento son las
varianza 2 y 2 respectivamente.
Bernardo Bello R
()
17 de enero de 2011
24 / 52
Estimacin de los parmetros por mxima verosimilitud

Anlisis serie de tiempo de alturas signicantes condicional

Estimacin de los parmetros por mxima verosimilitud condicional
Sea el vector de parmetros = (, , 2 , 2 ), que se estima por mxima

verosimilitud. La verosimilitud de dado Y = fy1 , ..., yT g est dada por la
funcin de densidad conjunta de Y , esto es
T
f (Y ; ) =
f (yt jYt
1; ) ,
(29)
t =1
donde f (yt jYt 1 ; ) denota la distribucin de yt condicional a la informacin

hasta t 1, esto es Yt 1 = fyt 1 , yt 2 , ..., y1 g. Los componentes del vector
de error de prediccin, vt
N (0, Ft ), son independiente. As podemos escribir
la log-verosimilitud como
ln L ( jYT ) =
Bernardo Bello R
()
T
ln (2 )
2
0
1 T
ln jFt j + vt Ft 1 vt .
2 t
=1
17 de enero de 2011
(30)
25 / 52

Las pruebas que se realizan para ver si un modelo es adecuado se basan en las
innovaciones estandarizadas estimadas
vt
et = p ,
Ft
t = 1, ..., T ,
(31)
calculadas a partir del error de prediccin vt . Si el modelo est bien especicado

estos deben ser no correlacionados. Para comparar los tres modelos propuestos
con un nmero distinto de parmetros, utilizamos el criterio de informacin de
Akaike (AIC). El AIC se dene como
^
AIC = log var (vt ) +2m/T .
Bernardo Bello R
()
(32)
17 de enero de 2011
26 / 52
Resultados
Densidad espectral
Resultados
Densidad espectral
Las estimaciones de los parmetros espectrales fueron C = 0,501,

B = C q = 0,063, q = 4, p = 5 y A = 0,687. As tenemos denido
explcitamente la f.d.e, en funcin de los resultados descritos anteriormente, como
S (w ) = 0,687w
0,063w
, w 2 [0,3142; 1,5708].
(33)
S (wi )) /21 = 0,0627.

Una medida del error es el E .C .M = 21
i = 1 ( S 0 ( wi )
Este modelo caracteriza aquellos espectros generados por vientos fuertes.
Bernardo Bello R
()
17 de enero de 2011
27 / 52
Resultados
Estimacin alturas
Usando los valores estimados de los parmetros espectrales,
q el valor mximo de
energa se encuentra en la frecuencia modal wmodal =
wmodal =
4 0,063
5
= 0,474 y
0,47 9,81
U
entonces U = 9,73[m/s ].
Al realizar un modelo de regresin simple normal heterocedstico, se tiene
Coecientes
Intercepto
Estimacin
0.002026
1.601730
Error.Estandar
0.001581
0.001249
T-valor
1.282
1290.657
Valor-p
0.2
<2e-16 ***
b logramos una relacin directa entre H (t, u ) y

Con las alturas estimadas, H,
S (w ; t, u ), cuyo coeciente de correlacin, siginicativo, es b
= 0,9984. La
misma conclusin se tiene para los otros das.
Bernardo Bello R
()
17 de enero de 2011
28 / 52
Resultados
Estimacin alturas
Figura:
Bernardo Bello R
()
17 de enero de 2011
29 / 52
Resultados

La altura signicativa del oleaje, introducida por Sverdrop y Munk (1947), en
funcin del espectro, con el valor de c igual a 1,6, es
^
3
H s (t ) =
N
N /3
3
H (t, ui ) = N
i =1
0
N /3
1,6
i =1
rZ
wu
wl
S0 (w ; t, ui )dw .
(34)
Esto permite establecer la relacin y correlacin estadstica entre las alturas

signicantes y la energa.
Bernardo Bello R
()
17 de enero de 2011
30 / 52
Resultados
Para poder contrastar la hiptesis de que las alturas siguen una
distribucin de Rayleigh, versus una distribucin Gamma, se presenta el
test de bondad de ajuste de Kolmogorov para cada instante de medicin.
= f(, ) 2 [3,66; 30,99]
Bernardo Bello R
()
[3,0; 17,44]g.
17 de enero de 2011
31 / 52
Resultados
Identicacin de zonas con riesgo de marejada
Bernardo Bello R
()
17 de enero de 2011
32 / 52
Resultados
Identicacin de localidades con alturas extremas
Figura:
Bernardo Bello R
()
17 de enero de 2011
33 / 52
Resultados
Estimacin localidades no observables
Bernardo Bello R
()
17 de enero de 2011
34 / 52
Resultados
Modelo de semivariograma exponencial
Figura:
(d ) = 0,08 + 0,243 1
Bernardo Bello R
()
exp
3d
0,13
,d >0
17 de enero de 2011
(35)
35 / 52
Resultados
Kriging Indicador Ordinario
Bernardo Bello R
()
17 de enero de 2011
36 / 52
Resultados
Boxplot temporal
Bernardo Bello R
()
17 de enero de 2011
37 / 52
Resultados

Descripcin de la serie de tiempo de las alturas signicantes
No estamos interesados en modelar eventos particulares de olas extremas,

pero s un posible aumento signicativo promedio de las alturas
signicantes del oleaje, Hs .
Bernardo Bello R
()
17 de enero de 2011
38 / 52
Resultados
Anlisis de estacionariedad
El test de Dickey-Fuller muestra un valor-p de 0,3884. Diferenciando con
d = 1 a yt , el test de Dickey-Fuller, muestra un valor-p de 0,01,
rechazando la hiptesis nula de raz unitaria.
Bernardo Bello R
()
17 de enero de 2011
39 / 52
Resultados
Anlisis distribucional
Medidas descriptivas de la serie diferenciada, Hs .
Min
0,726
M a x
0,904
Q1
0,119
Q3
0,123
Med
0,011
X
0,001
Var
0,039
Asim
0,218
Curt
1,704
El test de normalidad asinttico de Jarque - Bera muestra un valor-p de

< 0,0001 rechazando la hiptesis H0 : Hs Normal (, 2 ).
Bernardo Bello R
()
17 de enero de 2011
40 / 52
Resultados
Modelos propuestos Box-Jenkins- ARIMA(p,d,q)
BJ
Modelos
ARIMA(1, 1, 1)
BJ
ARIMA(1, 1, 0)
BJ
ARIMA(0, 1, 1)
Bernardo Bello R
()
SCR
SCR
SCR
MLE
0,245
0,024
21,14766
0,222
21,14864
0,203
21,23934
sd
0,183
0,189
AIC
1850,2
0,041
1852,1
0,041
1849,7
17 de enero de 2011
41 / 52
Resultados
Modelos propuestos Espacios de Estados

El coeciente asociado al modelo MEE
^
ARIMA(1, 1, 0) es signicativo ya que
/sd () = 5,57, lo que permite validar el modelo.

MEE ARIMA(1, 1, 1)
CI = [y t 1 ; y t ; t ]
MEE ARIMA(1, 1, 0)
CI = [y t 1 ; y t ]
MEE
ARIMA(0, 1, 1)
CI = [y t ; t ]
Bernardo Bello R
()
2
SCR
2
SCR
2
SCR
0,251
0,029
0,037
21,14722
0,223
0,037
21,1482
0,203
0,038
21,23919
0,105
0,104
0,004
3,264
0,041
0,029
3,271
0,028
0,004
3,267
17 de enero de 2011
42 / 52
Resultados

El modelo ARIMA(1,1,0) es el elegido segn el AIC. Por otra parte es
bueno visualizar la media del estado, E (t jYt ) = at , por el hecho de
marcar una tendencia del nivel de la serie de Hs en el tiempo.
Figura:
Bernardo Bello R
()
17 de enero de 2011
43 / 52
Resultados
Se concluye en base a las predicciones de alturas signicantes, que para las 72

horas siguientes, el oleaje local en las costas de la Terraza del Itata, uctuarn
entre 1,51 [m] y 4,21 [m] como margen de error mximo, con un promedio de
2,85 [m ].
567
2,858948
568
2,858038
569
2,858241
570
2,858196
571
2,858206
572
2,858203
573 al 638
2,858204
Segn los resultados desde el Kriging indicador, estos valores predictivos de Hs ,

son ms probables que ocurran entre las longitudes (-73.20;-73.00) y latitudes
(-36.45;-36.15).
Bernardo Bello R
()
17 de enero de 2011
44 / 52
Resultados
A continuacin se muestra el error de prediccin estimado, vt , observando
los casos ms atpicos en t = 39, 41, 97, 382, 458. El test de normalidad
de Shapiro con valor-p menor < 0,0001, rechaza la normalidad de vt .
Ahora si se eliminan esos caso obtenemos que el valor-p es 0,0674, no
rechazando la normalidad.
Bernardo Bello R
()
17 de enero de 2011
45 / 52
Resultados
Figura:
Bernardo Bello R
()
17 de enero de 2011
46 / 52
Conclusiones
Conclusiones
Se realiz un intenso control de calidad de la informacin, se

identicaron localidades con ms de una observacin, concluyendo
que la calibracin de los radares no es perfecta, entregando datos
poco conables en los costados.
Bernardo Bello R
()
17 de enero de 2011
47 / 52
Conclusiones
Conclusiones

Se encontr una metodologa estadstca para la estimacin de los
parmetros del modelo espectral, S (w ), permitiendo extraer
informacin referente a los vientos.
Se aproxim la integral de S (w ) para denir la energa transferida del
viento al mar en cada punto del espacio, que permiti realizar la
estimacin de las alturas de las olas en cada localidad, para cada
tiempo.
Bernardo Bello R
()
17 de enero de 2011
47 / 52
Conclusiones
Conclusiones

Se encontr una metodologa estadstca para la estimacin de los
parmetros del modelo espectral, S (w ), permitiendo extraer
informacin referente a los vientos.
Se aproxim la integral de S (w ) para denir la energa transferida del
viento al mar en cada punto del espacio, que permiti realizar la
estimacin de las alturas de las olas en cada localidad, para cada
tiempo.
Bernardo Bello R
()
17 de enero de 2011
47 / 52
Conclusiones
Conclusiones
Se plante una relacin funcional entre la altura de la ola, H (x ), y el

espectro S (w ; x ) en cada punto del espacio, que permite argumentar
tericamente el algoritmo que tienen los radares, para la conversin
estre espectros y alturas.
Bernardo Bello R
()
17 de enero de 2011
48 / 52
Conclusiones
Conclusiones

Al comparar las alturas medidas por el radar y las estimadas por
medio de la relacin encontrada, se encontr una buena aproximacin
con un margen mximo de error de 20 [cm].
Bernardo Bello R
()
17 de enero de 2011
48 / 52
Conclusiones
Conclusiones

Al relacionar la altura signicante, Hs (t ), con S (w , t, u 0 ), en el
tiempo, logramos interpretar la variabilidad del promedio del tercio de
las alturas mayores observadas en funcin de la energa transferida del
viento al mar y directamente asociarla a velocidades del viento local.
Bernardo Bello R
()
17 de enero de 2011
48 / 52
Conclusiones
Conclusiones

Al relacionar la altura signicante, Hs (t ), con S (w , t, u 0 ), en el
tiempo, logramos interpretar la variabilidad del promedio del tercio de
las alturas mayores observadas en funcin de la energa transferida del
viento al mar y directamente asociarla a velocidades del viento local.
Bernardo Bello R
()
17 de enero de 2011
48 / 52
Conclusiones
Conclusiones
El modelo de probabilidad Rayleigh no entreg un buen ajuste, siendo
poco exible cuando predomina eventos extremos, por lo cual no se
pueden realizar predicciones probabilsticas a largo plazo.
Bernardo Bello R
()
17 de enero de 2011
49 / 52
Conclusiones
Conclusiones
Se crea un sistema de alerta temprana, utilizando despliegues grcos
geoestadsticos con algoritmos computacionales ecientes, esto
permite tener una primera impresin del oleaje en el mismo instante
que se mide.
Bernardo Bello R
()
17 de enero de 2011
49 / 52
Conclusiones
Conclusiones
que se mide.
Se identic un modelo ARIMA para las alturas signicantes en
tiempo, escrito como modelo de espacio de estado. Utilizando
tcnicas de ltrado lineal, logramos predecir el nivel de la serie Hs del
oleaje local, y estimar las componentes del vector de estado. Se
predice el nivel de la serie desde la estimacin de la componente no
observada en corto plazo, se logra preveer la tendencia de las alturas
signicativas.
Bernardo Bello R
()
17 de enero de 2011
49 / 52
Conclusiones
Conclusiones
que se mide.
Se identic un modelo ARIMA para las alturas signicantes en
tiempo, escrito como modelo de espacio de estado. Utilizando
tcnicas de ltrado lineal, logramos predecir el nivel de la serie Hs del
oleaje local, y estimar las componentes del vector de estado. Se
predice el nivel de la serie desde la estimacin de la componente no
observada en corto plazo, se logra preveer la tendencia de las alturas
signicativas.
Bernardo Bello R
()
17 de enero de 2011
49 / 52
Conclusiones
Conclusiones
Se logro capturar la mayor informacin de los datos de espectros y

alturas medidas por los radares HF marino, permitiendo denir la
relacin matemtica para la estimacin de las alturas a partir de los
espectros del oleaje. Adems el anlisis geoestadstico permiti
identicar las zonas con mayor riesgo de marejada.
Bernardo Bello R
()
17 de enero de 2011
50 / 52
Conclusiones
Conclusiones
Se logro capturar la mayor informacin de los datos de espectros y

alturas medidas por los radares HF marino, permitiendo denir la
relacin matemtica para la estimacin de las alturas a partir de los
espectros del oleaje. Adems el anlisis geoestadstico permiti
identicar las zonas con mayor riesgo de marejada.
Bernardo Bello R
()
17 de enero de 2011
50 / 52
Bibliografa
Bibliografa
1
Goovaerts, P, (1997) Geostatistics for natural resources evaluation.

Oxford University Press.
Harvey, A. C. (1989) Forecasting, Structural Time Series Models and

the Kalman Filter. Cambridge University Press.
Longuet-Higgins M. (1952) On the statistical distribution of the

heights of sea waves, J.Mar.Res, 11(3), 245-266.
Ochi, M.K. (1998) Ocean Wave, The Stochastic Approach.

University of Florida.
Pierson, W.J. y Moskowitz, L. (1964) A proposed spectral form for

fully developed wind seas based on the similarity theory of S.A.
Kitaigorodskii. J. Geophys. Res., 69, 24, 5181-90.
Shumway R.H y Stoer D.S. (2006) "Time Series Analysis and Its
Applications With R". Ed. Springer, New York.
Bernardo Bello R
()
17 de enero de 2011
51 / 52
Anexos
Anexos
Agradecimientos a
Dr. Maria Paz Casanova
Dr. Dante Figueroa
Dr. Bernardo Lagos
Dr. Alejandro Rodrguez
Dr. Mauricio Castro
Adm. Omar Sandoval
Por su colaboracin en el desarrollo terico, computacional, tcnico,

revisin y crticas constructivas.
Todos los cdigos, libros y paper utilizados se encuentran en
Bernardo Bello R
()
17 de enero de 2011
52 / 52

Beamer Altura de Olas

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Beamer Altura de Olas

Diunggah oleh

Hak Cipta:

Format Tersedia

Anlisis y modelamiento de las alturas de oleaje para la

zona costera de la regin del Bo-Bo, Terraza del Itata,

Modelo probabilstico de la altura del oleaje

Anlisis geoestadstico de las alturas

Identicacin de zonas con riesgo de marejada

Predicciones de alturas signicantes

La importancia del estudio se vincula a la necesidad de tener un

La importancia del estudio se vincula a la necesidad de tener un

Se pretende explicar el comportamiento del oleaje ocenico, desde la

Entorno de medicin y cobertura radial

Entorno de medicin y cobertura radial

Entorno de medicin y cobertura radial

Espectros, coordenas y alturas

Espectros, coordenadas y alturas.

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Marco terico y planteamiento del problema

Descripcin de un mar aleatorio

Concepto estocstico aplicado al oleaje ocenico

Concepto estocstico aplicado al oleaje ocenico

El perl del oleaje ocenico generado por el viento cambia aleatoriamente

Funcin de densidad espectral

donde A, B, p y q son parmetros positivos (Pierson y Moskowitz, 1964).

S (w , )dwd con j = 1, 2, ...

Todo lo anterior describe estocsticamente las ondas de un mar aleatorio.

Espectro de energa del oleaje

La energa total del oleaje est dada por

La energia total, m0 , fue conseguida aproximando el rea bajo la curva generada

Estimacin de parmetros espectrales

La estimacin de los parmetros del modelo espectral se consigue

La frecuencia modal se relaciona con g [m/s 2 ] y la velocidad del viento, U

Relacin alturas y espectro del oleaje

Se propone la relacin entre espectro y altura de oleaje, modicando los

donde c es un coeciente de proporcionalidad, wl y wu es la primera y la

Modelo probabilstico de la altura del oleaje

Fundamento del proceso estocstico de ondas aleatorias

Modelo probabilstico de la altura del oleaje

Modelo probabilstico de la altura del oleaje

Distribucin de probabilidad de la amplitud y altura

Distribucin de probabilidad de la amplitud y altura

Si X (t ) describe un proceso gausiano con media cero y varianza 2 con

X (t ) = A(t ) cos fw0 t + (t )g ,

donde A(t ) es la amplitud, (t ) es la fase y w0 es la frecuencia constante. As la

La funcin de densidad de la amplitud es Rayleigh de parmetro R = 22 , es

Modelo probabilstico de la altura del oleaje

Distribucin de probabilidad de la amplitud y altura

Distribucin de probabilidad de la amplitud y altura

Para relacionar la amplitud y altura de la ola, utilizamos H = 2A, entonces la

El estimador mximo verosimil de R es

La distribucin Rayleigh es un caso especial de una distribucin Weibull con

Anlisis geoestadstico de las alturas

Anlisis geoestadstico de las alturas

donde C1 representa la meseta, C0 el efecto pepita, a el rango y d la distancia

Anlisis geoestadstico de las alturas

Anlisis geoestadstico de las alturas