PRONÓSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO CAPLINA, APLICANDO REDES NEURONALES ARTIFICIALES (RNA) Y MODELO AUTOREGRESIVO PERIÓDICO DE PRIMER ORDEN PAR(1)
DOI:
https://doi.org/10.26490/uncp.prospectivauniversitaria.2011.8.1261Palabras clave:
cuenca caplina, redes neuronales artificiales, series de tiempoResumen
El río 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 centró 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 realizó 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).
Descargas
Referencias
Alegre, A. Simulación de redes neuronales artificiales: Una aplicación didáctica. Tesis Lic. Sistemas. Universidad Nacional del Nordeste. Corrientes, Argentina. 2003.
Dolling, O. Sistemas de apoyo a la gestión integral de cuencas hidrográficas. Tesis Dr. Universidad Nacional San Juan. Santiago, Chile. 2001.
Tokar, A; MARKUS, M. Precipitation-runoof modeling using artificial neural networks and conceptual models. 2000.
Laqui, W. Predicción de caudales mensuales del rio Huancané utilizando modelos de redes neuronales artificiales. 2008.
Dölling, O. Utilización de redes neuronales artificiales al pronóstico de caudales en cuencas nivales. 2001.
Zúñiga, A; Jordán, C. Pronostico de caudales medios mensuales empleando sistemas neurofuzzy. 2005.
Evolución y ordenamiento de los recursos hídricos en las cuencas de los ríos Caplina y Uchusuma, 2002
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2021 Prospectiva Universitaria
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta Revista es de acceso abierto a su contenido a través del Internet, poniendo a disposición de la comunidad científica los resultados de la investigación, de manera gratuita, para el intercambio del conocimiento desarrollado.
El contenidos de la Revista se distribuyen bajo la licencia Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.