PRONSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO

ILAVE UTILIZANDO MODELOS DE REDES NEURONALES

ARTIFICIALES

Universidad Nacional del Altiplano Efrain, LUJANO LAURA

Facultad de Ingeniera Agrcola Puno, 03 de enero del 2013
Escuela profesional de Ingeniera Agrcola
SENAMHI DR13 - Puno
OBJETIVOS
OBJETIVO GENERAL
Pronosticar los caudales medios mensuales del rio Ilave utilizando modelos de redes
neuronales artificiales

OBJETIVOS ESPECFICOS
Establecer modelos basados en redes neuronales artificiales que permitan pronosticar con
cierta exactitud los caudales medios mensuales del rio Ilave en funcin de variables
independientes como precipitacin y caudal.

Determinar la capacidad de desempeo de los modelos de redes neuronales artificiales frente

al modelo hidrolgico de Lutz Scholz.

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
REDES NEURONALES ARTIFICIALES
Segn Toro, Mejia y Salazar (2004), las redes neuronales artificiales son modelos matemticos que
tratan de hacer una pequea emulacin del funcionamiento del cerebro humano. Son metodologas
novedosas que permiten hacer pronsticos donde hay cierto comportamiento no lineal. Las redes
neuronales se aprenden o modelan la dinmica del fenmeno en estudio y tienen en cuenta el
tiempo como una variable que afecta el fenmeno; de esta forma ofrecen resultados ms robustos y
cercanos a la realidad.

FUNCIONAMIENTO
NEURONA BIOLOGICA NEURONA ARTIFICIAL

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
HISTORIA DE LAS REDES NEURONALES ARTIFICIALES
En 1936 Alan Turing, fue el primero en estudiar el cerebro como una forma de ver el mundo de la
computacin.
1943 McCulloch (neurofisilogo) y Walter Pitts (matemtico), Modelaron una red neuronal
simple mediante circuitos elctricos.
1949 Donald Hebb, propone el primer mtodo de aprendizaje (A. hebbiano no supervisado).
1957 Frank Rosenblatt, comenz el desarrollo del perceptrn (perceptrn simple). El
perceptrn es la ms antigua red neuronal y se usa hoy en da de varias formas para la aplicacin
como reconocedor de patrones.
En 1969, Marvin Minsky y Papert, esta casi fue el fin de las redes neuronales debido a que
Minsky y Papert probaron matemticamente que el Perceptrn no era capaz de resolver problemas
relativamente fciles. Concluyeron que en general, los descubrimientos en redes neuronales no
merecan la pena.
En 1974 Paul Werbos, Desarroll la idea bsica del algoritmo de retropropagacin con otro
nombre, como parte de su tesis doctoral.
En 1986 Rumelhart, Hinton y Williams, basndose en los trabajos de otros investigadores (Paul
Werbos), formaron un grupo de trabajo en lo que solucionaron los problemas propuestos por
Minsky y Papert gracias al algoritmo backpropagatin. Para mejorar este procedimiento utilizaron
ms niveles de neuronas que los que utiliz Rosenblatt para desarrollar el perceptron.

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
UBICACIN DEL AMBITO DE ESTUDIO

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
MATERIALES
INFORMACION CARTOGRFICA
Cartas Nacionales que abarca la cuenca del rio Ilave a escala 1/100,000 del Instituto Geogrfico
Nacional (IGN) digitalizado bajo el entorno de SIG con equidistancia mnima entre curvas de nivel
de 50 m.

INFORMACION HIDROMETEOROLGICA
PLUVIOMTRICA Unidad Ubicacin Poltica Ubicacin Geogrfica
N Estacin Tipo Hidrogrfica Latitud Longitud Altitud Propietario
(Cuenca) Distrito Provincia Dpto
Sur Oeste (msnm)
1 Ichua CO Tambo Ichua Gral. Sanchez C. Moquegua 1607'57.4" 7033'07.5" 3800 Senamhi
2 Maazo CO Illpa Maazo Puno Puno 1548'00.0" 7021'00.0" 3920 Senamhi
3 Puno CP U. H. 01783 Puno Puno Puno 1549'34.5" 7000'43.5" 3820 Senamhi
4 Laraqueri CO Ilave Pichacani Puno Puno 1609'16.9" 7003'59.7" 3900 Senamhi
5 Rincn de la cruz CO U. H. 01783 Acora Puno Puno 1559'26.1" 6948'39.0" 3835 Senamhi
6 Ilave CO Ilave Ilave El collao Puno 1605'17.7" 6938'42.0" 3880 Senamhi
7 Juli CO U. H. 01757 Ilave Chucuito Puno 1612'13.6" 6927'35.7" 3812 Senamhi
8 Chilligua PLU Ilave Conduriri El collao Puno 1632'25.4" 6940'11.5" 3960 Senamhi
9 Mazocruz CO Ilave Santa Rosa El collao Puno 1644'24.4" 6942'21.9" 4003 Senamhi
10 Chichillapi PLU Ilave Santa Rosa El collao Puno 1655'00.0" 6944'00.0" 4050 Pet-Tacna
11 Coypa Coypa PLU Ilave Santa Rosa El collao Puno 1701'00.0" 6956'00.0" 4450 Pet-Tacna
12 Pampa Umalzo CO Locumba Candarave Candarave Tacna 1652'30.0" 7025'24.8" 4601 Senamhi
13 Vilacota CO Mauri Susapaya Tarata Tacna 1707'06.0" 7003'03.0" 4390 Senamhi
14 Capazo CO Mauri Capazo El collao Puno 1711'15.8" 6944'07.8" 4530 Senamhi
15 Pizacoma CO Mauri Chico Pizacoma Chucuito Puno 1654'25.3" 6922'06.8" 4060 Senamhi
16 Yorohoco CO Callaccame Huacullani Chucuito Puno 1633'54.0" 6919'14.0" 3845 Pet-Tacna
17 Pocoaque CO U. H. 01757 Pomata Chucuito Puno 1622'49.0" 6917'06.0" 3850 Pelt

Ubicacin Poltica Ubicacin Geogrfica

HIDROMETRICA N Rio Estacin Tipo

Distrito Provincia Dpto
Latitud Longitud Altitud Propietario
(msnm)
Sur Oeste
1 Ilave Puente Ilave HLG Ilave El Collao Puno 1605'04.00" 6937'47.00" 3825 Senamhi
2 Huancan Puente Huancan HLG Huancan Huancan Puno 1512'57.10" 6947'33.37" 3814 Senamhi
3 Ramis Puente Ramis HLG Taraco Huancan Puno 1515'06.00" 6952'17.00" 3813 Senamhi

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
METODOLOGIA

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
RESULTADOS Y DISCUSIONES
DELIMITACION HIDROGRFICA DE LA CUENCA

rea total: 7,832.53 Km2

rea (lugar pte Ilave): 7771.48 Km2

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 RESULTADOS Y DISCUSIONES
ANALISIS DE LA INFORMACION HIDROMETEOROLOGICA
ANALISIS GRAFICO
ANALISIS VISUAL DE HIDROGRAMAS ANALISIS DE DOBLE MASA
1500 Capazo Vilacota Coypa Coypa
500 Chichillapi Mazocruz Pampa Umalso
Precipitacin (mm)

1200
400

Prec. Acum. Est. (mm)

Precipitacin (mm)

30000
900
300 25000
20000
200
600
15000
100
300 10000
5000
00
0
1971

2007
1965

1977

1983

1989

1995

2001
2001
2004
2007
1992
1965

1995
1971
1974

1983

1989
1980
1977

1986
1968

1998
0 3000 6000 9000 12000 15000 18000 21000 24000
Prec. Acum. Prom. Est. (mm)
Tiempo
Tiempo (Aos )
(Aos)

ANALISIS ESTADISTICOS
ANLISIS DE SALTOS ANLISIS DE TENDENCIAS
Consistencia en la Media Consistencia en la Desviacin Estandar Parmetros Coeficiente de Regresin Coeficiente de Nmero de Anlisis Estadstico
Periodo de N Desviacin
Estacin Periodo Promedio Diferencia Estacin Tendencia Correlacin Datos Tendencia
anlisis de datos Estandar Sp Sd Tc Tt (95%) Comparacin Fc Ft (95%) Comparacin Diferencia Media Desv. Est. Am Bm Cm Tc Tt (95%) comparacin
significativa R N significativa
N1 1965 - 1980 190 46.24 71.50 Media (Tm) 46.48 70.22 48.437 -0.008 - -0.016 512 -0.362 1.965 c<Tt NO
Capazo 70.3 6.4 -0.060 1.965 c<Tt NO 1.056 1.234 Fc<Ft NO Capazo
N2 1981 - 2007 322 46.62 69.57
Desv. Ext (Ts) 69.42 22.08 76.019 -0.290 - -0.162 39 -0.996 2.026 c<Tt NO
N1 1965 - 1972 95 36.88 62.39
Vilacota 68.3 7.9 -0.229 1.965 c<Tt NO 1.250 1.327 Fc<Ft NO Media (Tm) 38.31 68.25 43.463 -0.020 - -0.047 461 -0.998 1.965 c<Tt NO
N2 1973 - 2007 366 38.68 69.76 Vilacota
Desv. Ext (Ts) 62.76 30.91 76.163 -0.608 - -0.261 35 -1.552 2.035 c<Tt NO
N1 1965 - 1974 119 33.93 56.36
Coypa Coypa 57.4 6.3 -0.663 1.966 c<Tt NO 1.056 1.304 Fc<Ft NO Media (Tm) 36.84 57.40 30.311 0.034 - 0.065 386 1.282 1.966 c<Tt NO
N2 1975 - 1997 267 38.13 57.92 Coypa Coypa
Desv. Ext (Ts) 53.41 22.69 44.767 0.509 - 0.205 31 1.129 2.045 c<Tt NO
N1 1965 - 1985 252 36.48 51.54
Chichillapi 49.9 5.4 0.361 1.966 c<Tt NO 1.239 1.299 Fc<Ft NO Media (Tm) 35.83 49.81 36.374 -0.003 - -0.006 378 -0.122 1.966 c<Tt NO
N2 1986 - 1996 126 34.52 46.31 Chichillapi
Desv. Ext (Ts) 48.01 15.80 51.104 -0.193 - -0.111 31 -0.603 2.045 c<Tt NO
N1 1965 - 1983 216 40.85 58.26
Mazocruz 61.6 5.6 -0.709 1.965 c<Tt NO 1.209 1.237 Fc<Ft NO Media (Tm) 43.09 61.58 42.502 0.002 - 0.006 498 0.123 1.965 c<Tt NO
N2 1984 - 2007 282 44.80 64.07 Mazocruz
Desv. Ext (Ts) 58.47 23.81 58.874 -0.018 - -0.010 40 -0.061 2.024 c<Tt NO
N1 1965 - 1986 256 33.27 54.69
Pampa Umalzo 52.3 4.8 0.122 1.965 c<Tt NO 1.217 1.238 Fc<Ft NO Media (Tm) 33.00 52.29 33.344 -0.001 - -0.004 483 -0.084 1.965 c<Tt NO
N2 1987 - 2007 227 32.69 49.57 Pampa Umalzo
Desv. Ext (Ts) 48.22 22.96 50.768 -0.116 - -0.063 36 -0.371 2.032 c<Tt NO

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 RESULTADOS Y DISCUSIONES
COMPLETACION Y EXTENSION DE DATOS
1500
1200
Precipitacin (mm)

900
600
300
0
1971
1965

1977

1983

1989

1995

2001

2007
Tiempo (Aos)

PRECIPITACION AREAL DE LA CUENCA

Cuenca del rio Ilave (Lugar: Puente Ilave)

Superficie Total (At) = 7771.48 Km2

rea de
Coeficiente
N Estacin influencia (Ai)
pluviomtrico
(Km2)

1 Ichua 74.90 0.009638

2 Puno 232.59 0.029929
3 Laraqueri 2437.10 0.313595
4 Rincn de la Cruz 392.85 0.050551
5 Ilave 363.19 0.046734
6 Juli 1.07 0.000138
7 Chilligua 1481.31 0.190609
8 Yorohoco 14.72 0.001894
9 Pizacoma 23.78 0.003059
10 Mazocruz 1155.39 0.148671
11 Pampa Umalzo 52.97 0.006816
12 Coypa Coypa 576.92 0.074236
13 Chichillapi 784.06 0.100890
14 Capazo 162.37 0.020893
15 Vilacota 18.24 0.002347
Total 7771.48 1.00

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 RESULTADOS Y DISCUSIONES
MODELAMIENTO CON REDES NEURONALES ARTIFICIALES
ARQUITECTURA
En la prctica no existe una regla definida para establecer el nmero de neuronas
en la capa de entrada. Un procedimiento til para la seleccin de las variables
relevantes (Masters, 1993), consiste en entrenar la red con todas las variables de
entrada necesarias y a continuacin ir eliminando una variable de entrada cada vez
y reentrenar la red.
PLANTEAMIENTO DE MODELOS
En el presente trabajo de investigacin se ha planteado 06 modelos de RNAs cuyas
variables de entrada (capas de entrada) tienen diferentes combinaciones de
precipitacin P(t-k) para k = 0, 1, 2 y caudales afluentes Qt-k para k = 1, 2, 3, 4 y
como variable de salida el caudal medio mensual Qt.
Variable
Modelo Variables Independientes
Dependiente
MRNA1 Q(t) f(P(t); Q(t-1))
MRNA2 Q(t) f(P(t); Q(t-1); Q(t-2))
MRNA3 Q(t) f(P(t); Q(t-1); Q(t-2); Q(t-3))
MRNA4 Q(t) f(P(t); P(t-1);Q(t-1); Q(t-2); Q(t-3); Q(t-4))
MRNA5 Q(t) f(P(t); P(t-1); Q(t-1); Q(t-2))
MRNA6 Q(t) f(P(t); P(t-1); P(t-2); Q(t-1); Q(t-2); Q(t-3))
Servicio Nacional de Universidad Nacional del Altiplano
Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
RESULTADOS Y DISCUSIONES
Cuando realizamos modelos de pronstico hay 3 Hastie, Tibshirani y Friedman
conjuntos de datos fundamentales que se debe en su libro The Elements of
ENTENAMIENTO manejar: Statistical Learning (2008)
Muestra de Entrenamiento: son los datos con los sealan que es difcil dar una
regla general sobre cuntas
que se entrenan y aprenden los modelos. observaciones se deben
VALIDACION
Muestra de Validacin: selecciona el mejor de los asignar a cada conjunto,
modelos entrenados. aunque indican que una
divisin tpica puede ser de
Muestra de Prueba: Entrega el error real
PRUEBA 50% para el entrenamiento y
cometido con el modelo seleccionado. 25% para la validacin y
prueba, respectivamente.
ENTRENAMIENTO DE MODELOS
Nombre: Perceptrn Multicapas (Multilayer). En el presente trabajo de
investigacin, dada las
Datos (75%): 31 aos elegidos aleatoriamente (1965-1995) caractersticas de la zona y a que
se cuenta con un nmero
Topologa o arquitectura Feedforward (Alimentacin hacia delante)
reducido de registros de caudales,
Capas de neuronas 1 capa de entrada (Numero de neuronas varia de 2 a 6) se ha optado por utilizar un
nmero menor de ellos para
1 capa oculta (Numero de neuronas varia de 1 a 15) validacin y prueba, dando un
nfasis mayor al entrenamiento
1 capa de salida
de la red.
Funcin de Activacin Logistica Sigmoidea
Datos de entrenamiento : 70%
Mtodo de Aprendizaje Supervisado Datos de validacin : 15%
Algoritmo de Aprendizaje Backpropagation. Regla de Aprendizaje Delta generalizada. Datos de prueba : 15%
Numero de conexiones Varia de 5 a 105
Numero de iteraciones Varia de 16 a 11006
Tasa de aprendizaje y f. momento 0.25 y 0.90 respectivamente
Servicio Nacional de Universidad Nacional del Altiplano
Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 RESULTADOS Y DISCUSIONES
VALIDACION DE MODELOS
Validacin de modelos (15% del total de datos, periodo 1996 2001) MRNA 1 320 R = 0.852

Caudales observados Caudales simulados 240

Caudales (m3/seg)

400

Observados (m3/seg)
300
160
200
100 80
0
1996

1997

1998

1999

2000

2001
0
0 80 160 240 320
Tiempo (Aos)
Pronosticados (m3/seg)

EVALUACIN DE MODELOS FASE DE VALIDACIN

N
R2
( yi yi) 2 NASH E
E(%) 100* (1 i 1
N
) Modelo
(%)
ECMN (%) R2 (%) r (%) 85.2% de la variacin de la
( yi y) 2
MRNA1 85.2 14.6 85.2 92.3
variable dependiente (Q(t)), es
i 1
explicada por las variables
MRNA2 93.1 6.8 93.4 96.6
N
( yi yi) 2 independientes (P(t);Q(t-1)) y el
MRNA3 87.9 11.9 89.4 94.5
ECMN (%) 100* (
n 1 i 1
N
) 14.6% restante es debido a los
MRNA4 84.8 14.9 86.7 93.1
n
( yi y) 2 errores y a otras variables no
MRNA5 93.9 6.0 95.0 97.5 consideradas en el modelo
i 1

MRNA6 85.4 14.4 86.8 93.2

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
RESULTADOS Y DISCUSIONES
PRUEBA DE MODELO (PRONOSTICO)
Pronstico de caudales MRNA5
Caudales observados
320
Pronstico de caudales MRNA2 Pronstico de caudales MRNA3
Caudales pronosticados Caudales observados Caudales simulados Caudales observados Caudales simulados
320 320

Caudales (m3/seg)

Caudales (m3/seg)
240 240 240
Caudales (m3/seg)

160 160 160

80 80 80

0 0 0

2002

2003

2004

2005

2006

2007
2005
2002

2003

2004

2006

2007

2002

2003

2004

2005

2006

2007
Tiempo (Aos) Tiempo (Aos) Tiempo (Aos)

EVALUACION DE MODELOS
NASH E ECMN
Modelo R2 (%) r (%)
(%) (%)

MRNA5 88.0 11.8 89.4 94.5

MRNA2 87.9 11.9 91.2 95.5

MRNA3 87.1 12.7 87.2 93.4

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 RESULTADOS Y DISCUSIONES
MODELAMIENTO HIDROLOGICO DE LUTZ SCHOLZ
Calibracin generacin de caudales para el ao promedio
Precipitacin mensual Contribucin a la retencion Caudales mensuales
dias Generado Observados
acumulados Total Efectiva Gasto Abastecimiento
M eses Generados Observados
(meses de P PE - I PE - II PE - III PE bi Gi ai Ai
gasto)
(mm/mes) (mm/mes) (mm/mes) (mm/mes) (mm/mes) (mm/mes) (mm/mes) (mm/mes) (m3/sg) (m3/sg) (mm/mes) 160
ENERO 160.08 40.60 73.60 98.10 62.30 0.000 0.00 0.695 36.10 26.20 76.02 80.36 27.70

Caudales (m3/seg)
FEBRERO 132.98 21.90 48.20 74.00 44.30 0.000 0.00 0.040 2.10 42.20 135.56 131.41 40.90
M ARZO 109.26 11.50 30.10 48.90 23.80 0.000 0.00 -0.270 -14.00 37.80 109.68 106.07 36.60 120
ABRIL 30 32.81 0.30 3.40 6.70 1.50 0.587 22.30 0.251 13.10 10.70 32.08 39.80 13.30
M AYO 61 7.21 0.00 0.90 1.80 0.20 0.339 12.90 0.081 4.20 8.90 25.82 14.78 5.10
JUNIO 91 4.09 0.00 0.50 1.10 0.10 0.199 7.60 0.000 0.00 7.70 23.09 10.47 3.50
JULIO 122 2.80 0.00 0.40 0.70 0.10 0.115 4.40 0.000 0.00 4.50 13.06 8.84 3.00
80
AGOSTO 153 9.96 0.00 1.20 2.40 0.30 0.066 2.50 0.000 0.00 2.80 8.12 7.66 2.60
SETIEM BRE 183 14.51 0.00 1.60 3.30 0.40 0.039 1.50 0.000 0.00 1.90 5.70 7.05 2.40
OCTUBRE 214 29.52 0.20 3.10 6.00 1.40 0.023 0.90 0.016 0.80 1.50 4.35 6.45 2.20 40
NOVIEM BRE 44.97 0.80 5.00 9.40 3.70 0.000 0.00 0.030 1.60 2.10 6.30 9.56 3.20
DICIEM BRE 85.10 5.30 16.70 28.00 11.80 0.000 0.00 0.157 8.20 3.60 10.45 15.79 5.40
TOTAL 633.28 80.60 184.70 280.40 149.90 1.368 52.00 1.000 52.00 149.90 37.52 36.52 145.90
0
Area de la cuenca (Lugar puente Ilave) Retencin de la cuenca Coeficiente de agotamiento

DIC
ENE

JUN
AGO

JUL
OCT
NOV

MAY
FEB

ABR
MAR
SET
A= 7771.48 Km2 R= 52.00 mm/ao a = 0.01773 w = 0.0403

Precipitacin efectiva Coeficiente de escorrentia Coeficientes Comprobacin

Tiempo (meses)
PE = C1 * PE-I + C2 * PE-II C= 0.23 C1 = 0.788 C2 = 0.212 C1 + C2 = 1.00 OK'

Calibracin generacin de caudales para el ao promedio

Parmetros del modelo:

Modelo autorregresivo - Factor constante (caudal bsico) : b1 = 1.61670

- Factor de influencia del valor de Q t-1 : b2 = 0.20330
Qt b1 b 2Qt 1 b3PEt b 4 PEt 1 S.Z t 1 R 2 - Factor de influencia del valor de PEt : b3 = 0.32802
- Factor de influencia del valor de PEt-1 : b4 = 0.33926
- Error estndar del estimado Q't : S= 4.05678
- Coeficiente de determinacin mltiple : R2 = 0.92223
- Coeficiente de correlacin mltiple : R= 0.96033

- Valor de Q t-1 para el inicio de la generacin (mm): Qt-1 = 3.60

- Valor de PEt-1 para el inicio de la generacin (mm): PEt-1 = 3.70

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 RESULTADOS Y DISCUSIONES

Anlisis de la bondad del modelo

Desv Anlisis estadstico de la Desviacin
Media Media Desv estndar Anlisis estadstico de la Media
Meses estndar estndar
histrica generada generada
histrica Tc Tt Mh=Mg Fc Ft DSh=DSg
Enero 80.36 72.31 80.09 63.53 0.0168 1.9935 SI 1.2955 1.7430 SI
Febrero 131.41 110.71 136.31 108.13 -0.1925 1.9935 SI 1.0484 1.7430 SI
Marzo 106.07 77.38 96.24 76.40 0.5502 1.9935 SI 1.0257 1.7430 SI
Abril 39.80 28.78 50.77 40.31 -1.3478 1.9935 SI 1.9623 1.7430 NO
Mayo 14.78 7.82 16.30 9.66 -0.7447 1.9935 SI 1.5271 1.7430 SI
Junio 10.47 4.55 8.59 4.26 1.8347 1.9935 SI 1.1433 1.7430 SI
Julio 8.84 3.22 6.55 3.43 2.9536 1.9935 NO 1.1326 1.7430 SI
Agosto 7.66 3.37 6.39 3.90 1.5042 1.9935 SI 1.3407 1.7430 SI
Septiembre 7.05 3.24 6.96 4.38 0.1008 1.9935 SI 1.8276 1.7430 NO
Octubre 6.45 2.69 7.79 5.05 -1.4236 1.9935 SI 3.5281 1.7430 NO
Noviembre 9.56 8.79 11.52 10.25 -0.8830 1.9935 SI 1.3613 1.7430 SI
Diciembre 15.79 13.06 21.85 17.94 -1.6619 1.9935 SI 1.8883 1.7430 NO

Media histrica Media generada Desv. Est. Histrica Desv. Est. Generada
Caudales (m3/seg.)

160 120

Caudales (m3/seg.)
140 100
120
100 80
80 60
60 40
40
20 20
0 0

DIC
NOV

JUN
JUL
MAY
SEP
OCT

ENE
FEB
AGO

MAR
ABR
FEB

ABR
DIC

JUL
NOV

JUN
OCT

MAY
SEP

ENE
AGO

MAR

Tiempo (meses) Tiempo (meses)

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
RESULTADOS Y DISCUSIONES
Prueba del modelos (pronstico de caudales)

Caudales observados Caudales pronosticados 320

320 R = 0.776
240
Caudales (m3/seg)

240

Observados (m3/seg)
160 160

80 80
0
0
2002

2003

2004

2005

2006

2007
0 60 120 180 240
Tiempo (Aos)
Pronosticados (m3/seg)

Evaluacin del modelos fase de prueba

Indicador estadstico Modelo Lutz Scholz

NASH E (%) 76.4
ECMN (%) 23.3
R2 (%) 77.6
R(%) 88.1

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
RESULTADOS Y DISCUSIONES
COMPARACION GRAFICA Y ESTADISTICA DE MODELOS
Observados Lutz Scholz MRNA5 Observados Lutz Scholz MRNA2
320 320
240

Caudales (m3/seg)
240
Caudales (m3/seg)

160 160
80 80
0 0
2002

2003

2004

2005

2006

2007

2007
2002

2003

2004

2005

2006
Tiempo (Aos) Tiempo (Aos)
Observados Lutz Scholz MRNA3
320
Caudales (m3/seg)

240
160
80
0
2002

2003

2004

2005

2006

2007
Tiempo (Aos)

Modelo NASH E (%) ECMN (%) R2 (%) r (%)

MRNA5 88.0 11.8 89.4 94.5
MRNA2 87.6 11.9 91.2 95.5
MRNA3 87.1 12.7 87.2 93.4
Lutz Scholz 76.4 23.3 77.6 88.1

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 CONCLUSIONES

Los resultados del pronstico de caudales medios mensuales del rio Ilave utilizando modelos
de Redes Neuronales Artificiales, muestran un excelente comportamiento al ser evaluados con
los indicadores, adems se logra reproducir los valores picos observados de la variable en
estudio, por lo tanto se considera que esta metodologa es muy eficiente en la estimacin de
fenmenos de comportamiento no lineal como los caudales.

Mediante la presente investigacin se establecieron 03 modelos de redes neuronales artificiales

que estn en funcin de la precipitacin y el caudal los cuales permiten pronosticar con cierta
exactitud los caudales medios mensuales del rio Ilave estos modelos son: MRNA5 (Q(t)=f(P(t);
P(t-1); Q(t-1); Q(t-2))), MRNA2 (Q(t)=f(P(t); Q(t-1); Q(t-2))), y el modelo MRNA3 (Q(t)=f(P(t); Q(t-1); Q(t-2);
Q(t-3)).

Los modelos de redes neuronales artificiales establecidos presentan un mejor desempeo

frente al modelo hidrolgico de Lutz Scholz, obtenindose eficiencias de NASH (E) igual a
88.0% (MRNA5), 87.9% (MRNA2) y 87.1% (MRNA3), en comparacin de 76.4% que presenta
el modelo hidrolgico de Lutz Scholz.

Servicio Nacional de Universidad Nacional del Altiplano

Meteorologa
e Hidrologa ECI Encuentro Cientfico
Internacional
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola
 Servicio Nacional
de Meteorologa e Hidrologa ECI Encuentro Cientfico
Internacional

GRACIAS POR SU
ATENCIN

Efrain, LUJANO LAURA

Universidad Nacional del Altiplano Puno, 03 de enero del 2013
Facultad de Ingeniera Agrcola
Escuela profesional de Ingeniera Agrcola SENAMHI DR13 - Puno