Simulación y pronóstico de caudales diarios del Río Amazonas usando un enfoque híbrido Wavelet y Redes Neuronales

ItemOpen Access
Loading...
Thumbnail Image

Código QR

QR Code

Authors

Vergara Saturno, Lucio Eusebio

Abstract

El incremento de eventos extremos durante las últimas décadas en la cuenca amazónica, ha dado lugar a un creciente interés por implementar efectivos sistemas de pronóstico hidrológico. Los pronósticos a corto plazo, como parte intrínseca de estos sistemas, son fundamentales en la mitigación de inundaciones, y la gestión de los recursos hídricos. Debido a la importancia de los pronósticos de alta calidad y a la complejidad de los sistemas hidrológicos, se han estudiado un gran número de métodos de modelamiento orientado a pronósticos. En esta investigación, se desarrollaron modelos “basados en datos” con dos técnicas, la red neuronal artificial (RNA) y un enfoque híbrido que combina análisis multiresolución wavelet y RNA llamado modelo wavelet red neuronal (WRN). En efecto, se formularon distintas estructuras de modelos univariados de RNA y WRN para múltiples horizontes de pronóstico, considerando que la confiabilidad de pronóstico disminuye al aumentar el tiempo de anticipación. Para el cual, se empleó series observadas de caudales diarios para el periodo 1985-2012, registrados en la estación hidrológica de Tamshiyacu en el río Amazonas, Perú. Además, el desempeño de los modelos se evaluó en función a los índices estadísticos, tales como la raíz del error cuadrático medio (RMSE) y la eficiencia de Nash-Sutcliffe (NSE). Así, para el horizonte de pronóstico más lejano (30 días), se encontró que el modelo WRN con RMSE = 4820 m3 /s y NSE = 0.83 superó ampliamente al modelo RNA con RMSE = 6092 m3 /s y NSE = 0.72, en la etapa de validación. Estos hallazgos muestran que el modelo híbrido tiene la capacidad potencial para mejorar la precisión de pronóstico en comparación al modelo RNA convencional. En suma, los resultados de esta investigación ayudarán a los hidrólogos y tomadores de decisiones en el pronóstico de caudales y la gestión sostenible de los recursos hídricos.
The increasing number of extreme events during the last decades in the Amazon basin has led to a growing interest in implementing effective hydrological forecasting systems. Short-term forecasts, as an intrinsic part of these systems, are crucial for flood mitigation and water resources management. Due to the importance of high-quality forecasting and the complexity of hydrological systems, a large number of forecasting-oriented modelling methods have been studied. In this research, data-driven models with two techniques were developed, artificial neural network (ANN) and a hybrid approach which combines wavelet multi-resolution analysis and ANN named wavelet neural network (WNN) model. In effect, several structures of univariate ANN and WNN models were formulated for multiple forecasting horizons, considering that the reliability of forecasting decreases with increasing the lead-time. For which, observed time series of daily streamflows for the period 1985-2012 recorded at the Tamshiyacu gauging station on the Amazon river, Peru, were used. In addition, the performance of the models has been evaluated based on the statistical indices, such as root mean square error (RMSE) and Nash-Sutcliffe efficiency (NSE). Thus, for longer lead-time forecasting (30 days), it was found that the WNN model with RMSE = 4820 m3 /s and NSE = 0.83, widely outperformed to ANN model with RMSE = 6092 m3 /s and NSE = 0.72, in the test period. These findings show that the hybrid WNN model has the potential ability to improve the forecasting accuracy compared to the conventional ANN model. In sum, the outcomes of this research will assist hydrologists and decision makers in streamflow forecasting and sustainable management of water resources.

Description

Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Recursos Hídricos

Keywords

Cursos de agua, Precipitación inducida, Simulación, Modelos de simulación, Río Amazonas, Sistemas informáticos, Generación de caudales, Modelos hidrológicos, Redes de neuronas, Redes neuronales, Modelos híbridos, Análisis Wavelet

Citation

Date

2020

Collections

Seleccionar año de consulta:

Licencia de uso

info:eu-repo/semantics/openAccess

Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess