Pronóstico de caudales medios mensuales del rio caplina, aplicando redes neuronales artificiales (rna) y modelo autorregresivo periódico de primer orden par (1)
Forecast for mean monthly discharge of the caplina river, by applying artificial neural network (rna) and periodic Autoregressive model par (1)
Pino Vargas Edwin, Siña Espinoza Luis, Román Arce Carmen
Programa de Doctorado en Recursos Hídricos / U.N.Agraria La Molina, Lima Perú, [email protected]
Universidad Nacional Jorge Basadre G. Tacna, [email protected]
Universidad Nacional Jorge Basadre G. Tacna, [email protected]
DOI: https://doi.org/10.33017/RevECIPeru2011.0025/
RESUMEN
El rio Caplina es el principal tributario de la cuenca hidrográfica del mismo nombre; tiene una extensión de 4 239,09 km2, esto hace que sea una de las principales fuentes de abastecimiento de agua para distintos usos en la ciudad de Tacna. Por esta razón diversas entidades se han interesado en conocer la disponibilidad hídrica actual y futura del rio Caplina, ya que conocer dichos valores es de fundamental importancia para el planeamiento y manejo de los sistemas de recursos hídricos. Los modelos estocásticos han sido durante largo tiempo, la alternativa más común en la predicción de caudales. Actualmente, las herramientas de computación inteligente como las redes neuronales artificiales, especialmente las redes multi-capas con algoritmo de retro-propagación. En este contexto, la actual investigación centro sus esfuerzos en la aplicación de las redes neuronales a la predicción de los caudales medios mensuales del río Caplina-Estación Bocatoma Calientes, desarrollo de modelos de redes neuronales a partir de datos de caudales, precipitación y evaporación, así como la evaluación de la capacidad de desempeño frente a modelos estocásticos. De esta manera, se desarrollaron 10 modelos de redes neuronales artificiales con distintas arquitecturas, cuyo entrenamiento se realizo con un primer subconjunto de datos correspondientes al periodo 1939 – 1999, y su validación con un segundo subconjunto de datos del periodo 2000 – 2006. Los modelos de redes neuronales artificiales mostraron comparativamente mejor desempeño en materia de predicción frente a un modelo autorregresivo periódico de primer orden PAR (1).
Descriptores: Cuenca Caplina, Redes Neuronales Artificiales, Series de Tiempo.
ABSTRACT
Caplina river is the main tributary of the hydrographic basin of the same name, It has an extension of 4 239,09 km2, because of this reason it is one of the principal sources of water supply for different uses in Tacna's city. For this reason diverse entities have been interested in knowing the water current and future availability of the river Caplina, because know the above mentioned values performs is the fundamental importance for the planning and managing of the systems of water resources. The stochastic models have been during long time, the most common alternative in the prediction of flows. Nowadays, the tools of intelligent computation like the artificial neural networks, specially the networks you multi-geld with algorithm of retro-spread. In this context, the current investigation center his efforts on the application of the neural networks to the prediction of the average monthly flows of the river Caplina-station Bocatoma Calientes, model development of neural networks from information of flows, rainfall and evaporation, as well as the evaluation of the capacity of performance opposite to stochastic models. So, 10 models of artificial neural networks were developed with different architectures, which training was realize with the first subset of information corresponding to the period 1939 - 1999, and his validation with the second subset of information of the period 2000 - 2006. The models of artificial neural networks showed comparatively better performance as for prediction opposite to a periodic autoregressive model of the first order PAR (1).
Keywords: Caplina Basin, artificial neural networks, Series of Time.
The evaluation on artificial neural networks (ANN) and multiple linear regressions (MLR) models over particulate matter (PM10) variability during haze and non-haze episodes: A decade case study
