Figura 1. Red Neuronal Artificial con una capa de entrada de q neuronas, dos capas intermedias de n y m neuronas,
respectivamente, y una capa de salida de z neuronas (Fuente: Adaptado de Pulido et al, 2002).
Capa de Entrada Capas Intermedias Capa de Salida
x1 1 2 2 1 e1
x2 2 j p 2 e2
xi i k ek
xq q z ez
n m
Lago Titicaca, presenta una forma mas o menos “alargada”, ver Figura 4.
CU
EN
CA
DE
L
RI
O
RA
ra
ua
ah
M
Tint
IS
Rio
4500
4800
4500
44
0
00
460
Rio Tarucani
8375000.00
4200
Rio4000
Hi
lam
ay
o
4500
4600
Muñani
RAMIS
4500
Rio Taru
4000
ni
Rio Toco toco
ca
cani
00
ru
40
Ta
DEL RIO
Rio
o
ay
Rio
rcan
Alva
Rio
40
00 i
Lloq
42
CU
o
00
Ri
4000 Rio
Ticane
ue
4000
co
EN
lla
Rio Puncune
CUENCA
4000
4000
CA
40 4000
00
Rio
ni
DE
bu
Rio
LR
co
Putina
Co
Pist
8350000.00
Rio
un
42
I
00
e
4200 4000
SU
4000
Rio Put
jalso
Rio Uma
CH
40 Rio
ina
00
ES
Chejo
Rio o
llajah uy
Ach uira ah
sn
420 Ti o
ull
0 4000 aj
ah Rio
uir
um
42
00 a
H
4000
400
Rio
0
00
42
Rio
ni
Rio Cansa
Putin
Rio Ccaranta
Rio
Pic
00
Rio
ha
4000 44
Humu
ca
ni
llo
Rio Pachallacuyo
Rio
Cal Rio
ac Tu
al
a yto
Rio Altos
a
ilc
40
Rio 00
Ou
Rio Achucach
i
4200
Rio
0
420
Rio
Huan
4000
Tu
yto
Rio Yapu
40
ca
tira
00
né
4000
00 Rio Hal
40 la
8325000.00
4200
Rio
CU
Rio Huan
4200
Osa
EN
ca
CA
420 4400
0
4000 Rio
cané
Jaro
DE Rio Que
Rio Huayllacuyo
jol
lpa
LL
lloc arca
AG
4200
CA
lla
nti
Ve
CA
Rio
ya
ua
ch
Ca
o
Ri
375000.00
400000.00
425000.00
450000.00
8300000.00
En la Figura 5, se presenta la serie temporal de Huancané, con un total de 39 años de registro a partir
caudales medios mensuales históricas del río de 1964 a 2002.
Figura 5. Serie de caudales medios mensuales del río Huancané (1964 – 2002).
200
150
Caudal (m3/s)
100
50
0
Ene-64 Ene-68 Ene-72 Ene-76 Ene-80 Ene-84 Ene-88 Ene-92 Ene-96 Ene-00
Mes - Año
La serie de caudales medios mensuales del río Cojata, así como la extensión de la serie de
Huancané fue corregida en el periodo (Junio 1988 – evaporación mensual de la Estación Huaraya – Moho,
Diciembre 2002), así como la serie de evaporación a partir del 2000 al 2002.
mensual de la estación Huaraya – Moho el periodo En la Tabla 2, se muestran los coeficientes
(Febrero 1984 – Diciembre 2000), sin embargo las pluviométricos calculados por el método de Thiessen
series de precipitación total mensual de las estaciones Modificado, para la determinación de la precipitación
en estudio no requirieron corrección alguna. media de la cuenca del río Huancané.
Se ha efectuado la completación de la series de
precipitación total mensual para las estaciones
Taraco, Arapa, Huancané, Huaraya, Progreso,
Muñani, Putina, Azángaro, Ananea, Crucero y
Z v , t 0 . 589 Z v , t 1 E v , t
Enero 0.3959 0.3959
Febrero 0.4162 0.4162
Septiembre
Marzo 0.5263 0.5263
Abril 0.5540 0.5540 Octubre Z v , t 0 . 643 Z v , t 1 E v , t
Mayo 0.8976 0.8976
Junio 0.9036 0.9036
Julio 0.8533 0.8533 Noviembre Z v , t 0 . 414 Z v , t 1 E v , t
Agosto 0.7706 0.7706
Septiembre
Octubre
0.5886
0.6428
0.5886
0.6428
Diciembre Z v , t 0 .3576 Z v , t 1 E v , t
Noviembre 0.4143 0.4143
Diciembre 0.5760 0.5760
De los resultados de la prueba de normalidad de Donde: Zv,t es el valor estandarizado de la serie
asimetría y prueba de independencia de Porte mensual generada, Zv,t-1 es el valor inicial
Manteau de los residuos del modelo PAR (1). Puede estandarizado del modelo y Ev,t es el ruido blanco.
decirse que los residuos del modelo siguen una Para el análisis de bondad del modelo se generaron
distribución normal y son independientes los valores 10 series de 33 años de registro a partir de las
calculados no superan los valores tabulares (0.637 y ecuaciones de generación mensual mostradas en la
14.070, respectivamente), lo que lleva a asegurar, Tabla 4, a las que previamente se les aplicó el
concluyentemente, que el modelo autorregresivo proceso inverso de estandarización y transformación.
periódico PAR (1) es el más adecuado para la serie de
caudales medios mensuales del río Huancané –
estación Puente Huancané.
De los resultados mostrados en las Tablas 5 y 6, se Una vez comprobada la bondad del modelo PAR (1),
puede afirmar que no existe diferencia se efectuó la predicción de caudales medios
estadísticamente significativa entre las medias y mensuales tomando como valor inicial de predicción
desviaciones estándar de las series generadas y la (semilla) el mes de diciembre del año 1996 (12.57
serie histórica a un 95% de probabilidad, ya que los m3/s).
valores de T y F calculados son menores a los valores En la Figura 6, se muestra la representación gráfica
tabulares, concluyéndose que el modelo de de la comparación de los valores históricos y
generación PAR (1) es adecuado ya que reproduce generados de la serie de caudales medios mensuales
satisfactoriamente la media y desviación estándar de del río Huancané – estación Puente Huancané
la serie histórica. correspondientes al periodo 1997 – 2002.
150
Caudal (m3/s)
100
50
0
ene-97 ene-98 ene-99 ene-00 ene-01 ene-02
Mes - Año
3.3. Modelamiento con redes neuronales Donde Q es el caudal medio mensual (m3/s), P es
artificiales precipitación media mensual (mm/mes) y E es la
Se ha formulado 10 modelos distintos (ver Tabla 7) y evaporación mensual (mm/mes).
el tipo de red usada en el modelamiento, es del tipo El proceso de entrenamiento de los modelos de redes
Perceptron Multi – Capas (MultiLayer Perceptron – neuronales artificiales se efectuó con el primer
MLP), que comprende tres capas de entrada, subconjunto de la serie de caudales medios
intermedias y de salida, donde la capa de entrada mensuales del río Huancané, que comprende un total
tiene un número variable de neuronas en función al de 33 años de registro (1964 – 1996). El algoritmo de
modelo propuesto, el número de neuronas de la capa aprendizaje utilizado en el entrenamiento de todos los
intermedia varia entre 1 a 20 neuronas (según el mes modelos de redes neuronales artificiales es el
y modelo), y la capa de salida con una única neurona algoritmo de retro-propagación (back – propagation),
de salida para todos los modelos propuestos. la función de activación tipo sigmoidea y tasa de
aprendizaje y momento igual a 0.6 y 0.8
Tabla 7. Modelos propuestos. respectivamente, donde la cantidad de ciclos de
Nº Modelos cálculo (épocas) para cada mes de los 10 modelos
1 Qt = f(Qt-1) propuestos capaces de minimizar el error cuadrático
2 Qt = f(Qt-1, Qt-2)
3 Qt = f(Qt-1, Qt-2, Qt-3)
varia entre 140 y 46,122 ciclos.
4 Qt = f(Qt-1, Qt-2, Qt-3, Qt-11, Qt-12, Qt-13)
5 Qt = f(Pt, Et)
6 Qt = f(Pt, Pt-1, Et, Et-1)
7 Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2)
8 Qt = f(Pt, Et, Qt-1)
9 Qt = f(Pt, Pt-1, Et, Et-1, Qt-1)
10 Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2, Qt-1, Qt-
Figura 7. Esquema de la configuración de la red para cada mes del Modelo 10.
El proceso de prueba y validación de los modelos se que comprende un total de 6 años de registro (1997 –
efectuó con el segundo subconjunto de datos de la 2002). Los resultados de las estadísticas de validación
serie de caudales medios mensuales del río Huancané de los modelos propuestas se muestran en la Tabla 9.
En la fase de validación el modelo 9 es el que las estadísticas de validación de los modelos, tanto
presenta mejor desempeño en comparación al resto para la fase de entrenamiento, como para la de
de modelos propuestos, debido a los bajos errores y validación. (ver tablas 8 y 9), los modelos
coeficiente de ajuste alto que presenta. seleccionados son:
Se efectuó la selección de los mejores modelos, - El modelo 3 es el que presenta mejor desempeño
teniendo como principal criterio de evaluación, la dentro de los 4 modelos que consideran como
capacidad de desempeño y generalización a través de
variables de entrada únicamente caudales medios - El modelo 10 es el que presenta mejor desempeño
mensuales. (ver Figura 8). dentro de los 3 modelos que consideran como
- El modelo 7 es el que presenta mejor desempeño variables de entrada valores de precipitación,
dentro de los 3 modelos que consideran como evaporación, y caudales medios mensuales (ver
variables de entrada valores de precipitación y Figura 10)
evaporación mensual (ver Figura 9).
140
120
100
Caudal (m3/s)
80
60
40
20
0
Ene-97 Ene-98 Ene-99 Ene-00 Ene-01 Ene-02
Mes/Año
140
120
100
Caudal (m3/s)
80
60
40
20
0
Ene-97 Ene-98 Ene-99 Ene-00 Ene-01 Ene-02
Mes/Año
140
120
100
Caudal (m3/s)
80
60
40
20
0
Ene-97 Ene-98 Ene-99 Ene-00 Ene-01 Ene-02
Mes/Año
3.4. Comparación de modelos neuronales artificiales con los resultados del modelo
En la comparación de los modelos de predicción, se de serie temporal estocástica PAR (1). (ver Tabla 10
evaluaron los resultados en términos estadísticos y y Figura 11).
análisis gráfico de los 3 mejores modelos de redes
Independientemente del conjunto de entradas artificiales presentan los mejores resultados. Los
utilizado en el entrenamiento y validación de los coeficientes de determinación fueron mayores y los
modelos de redes neuronales artificiales (RNA), errores menores, lo que hace que los valores
estadísticamente los modelos de redes neuronales calculados estén más próximos a los reales.
140
120
100
Caudal (m3/s)
80
60
40
20
0
Ene-97 Ene-98 Ene-99 Ene-00 Ene-01 Ene-02
Mes/Año
De todo esto puede decirse que se confirma de cierta promisorios y sugieren que el enfoque propuesto
forma la necesidad de utilizar modelos de redes tiene mejores resultados que los modelos de series
neuronales artificiales en el modelamiento y temporales estocásticas en términos de error de
predicción de caudales medios mensuales, ya que se predicción, eficiencia y estimación de picos.
consiguió una mayor efectividad en los resultados de En esta investigación se logró establecer y
predicción con porcentajes muy cercanos a los reales, desarrollar modelos de redes neuronales, a partir de
lo que confirma la robustez y grandes ventajas de la datos de caudales, precipitación y evaporación, lo que
modelación inteligente, en comparación a un modelo demuestra la capacidad de los modelos de redes
de serie temporal estocástica PAR (1). neuronales artificiales en la predicción de caudales
medios mensuales a partir de este tipo de
4. Conclusión información.
Como es observable los modelos de redes Independientemente del conjunto de entradas
neuronales artificiales desde la predicción de utilizado, todos los modelos de redes neuronales
caudales mensuales, muestra un excelente mostraron un mejor desempeño en comparación al
comportamiento en términos de las estadísticas de los modelo PAR (1), sin embargo el modelo 3 (Qt = f(Qt-
errores de predicción; más aún cuando de manera , Qt-2, Qt-3)), es el que presenta mejor resultado dentro
comparativa con un modelo autorregresivo periódico de los modelos que consideran como variables de
de primer orden – PAR (1), muestra grados entrada únicamente caudales medios mensuales. El
superiores de eficiencia en las predicciones, ya que modelo 7 (Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2)), presenta
presentan porcentajes de ajuste superiores al 72%, en mejor desempeño dentro de los modelos que
comparación al 59% que presenta el modelo de serie consideran como variables de entrada valores de
de tiempo estocástica. Estos resultados son altamente precipitación y evaporación mensual. El modelo 10
(Qt = f(Pt, Pt-1, Pt-2, Et, Et-1, Et-2, Qt-1, Qt-2)), es el que neuronales para el pronóstico de evolución de
responde mejor dentro de los 3 modelos que niveles de agua para la laguna de Mar Chiquita.
consideran como variables de entrada valores de Mecánica Computacional. 23:1245-1259.
precipitación, evaporación, y caudales medios Bariloche, Argentina.
mensuales. Kilinç, I; Ciğizoğlu, K. 2003. Reservoir management
using artificial neural networks. State Hydraulic
5. Referencias bibliográficas Works. 9 p. Istambul, Turquía.
Alegre, A. 2003. Simulación de redes neuronales Lavado, W. 2002. Generación de descargas medias
artificiales: Una aplicación didáctica. Tesis Lic. mensuales mediante el uso de modelos
Sistemas. Universidad Nacional del Nordeste. autorregresivos: Aplicación al río Cunas. Tesis
Corrientes, Argentina. 188 p. Ing. Agrícola. Universidad Nacional Agraria La
Arias, P. 2006. Modelamiento estocástico de las Molina. Lima, Perú. 165 p.
descargas medias con fines de riego en la cuenca Magalhães, M. 2004. Redes neurais, metodologias de
del río Huancané. Tesis Ing. Agrícola. agrupamento y convinação de previsores
Universidad Nacional del Altiplano. Puno, Perú. aplicados à previsão de vazões naturais. Tesis
122 p. Mg. Sc. Universidade Estadual de Campinas.
Baganha, A. 1999. Modelagem chuva – vazão em Brasil. 123 p.
bacias hidrográficas com suporte em redes Ovando, G; Bocco, M; Sayazo, S. 2005. Redes
neurais artificiais. Tesis Dr. Universidade neuronales para modelar predicción de heladas.
Estadual de Campinas. Brasil. 279p. Agricultura Técnica. 65(1):65-73. Córdoba,
Ballini, R. 2000. Análise e previzâo de vazões Argentina.
utilizando modelos de séries temporais, redes Pulido, I; Roldán, R; López, R; Gutiérrez, J. 2002.
neurais e redes neurais nebulosas. Tesis Dr. Técnicas de predicción a corto plazo de la
Universidade Estadual de Campinas. Brasil. 183 demanda de agua: Aplicación al uso agrícola.
p. Ingeniería del Agua. 9(3):319-331. México.
Bravo, J; Pilar, J; Depettris, C. 2004. Utilización de Tokar, A; Markus, M. 2000. Precipitation-runoff
un modelo de redes neuronales en la obtención modeling using artificial neural networks and
de la curva de descarga de la obra control del río conceptual models. Journal of Hydrologic
Negro en Laguna Blanca. Universidad Nacional Engineering 4(4), 156-161.
del Nordeste. Corrientes, Argentina. 4 p. Weigert, F. 2005. Modelagem chuva-vazão mensal
Ehlers, R. 2007. Análise de séries temporais. utilizando redes neurais artificiais. Tesis Mg. Sc.
Curitiba, Laboratório de Estatística e Universidade Federal do Paraná. Curitiva, Brasil.
Geoinformação. Universidade Federal do Paraná. 174 p.
Brasil. 107 p. Zuñiga, A; Jordán, C. 2005. Pronóstico de caudales
Gibilini, D. 2006. Aplicaçao de técnicas de medios mensuales empleando sistemas neuro-
inteligencia Artificial na alocação dinâmica de fuzzy. Revista Tecnológica de la Escuela
canais em redes sem fio, Tesis Mg. Sc. Superior Politécnica del Litoral 18(1): 17-23.
Universidade de São Paulo. Brasil. 166 p. Guayaquil, Ecuador.
Hillman, G; Dölling, O; Pagot, M; Pozzi, C;
Plencovivh, G. 2004. Aplicación de redes