EXTRACCINDEOPERADORESDETRANSICINDEESTADOEN

SISTEMASCOMPLEJOS.APLICACIONESENHIDROLOGA

HCTORANDRSANGARITACORREDOR
IngenieroCivil

PontificiaUniversidadJaveriana
MaestraenHidrosistemas
BogotD.C.,Diciembrede2008


EXTRACCINDEOPERADORESDETRANSICINDEESTADOEN
SISTEMASCOMPLEJOS.APLICACIONESENHIDROLOGA

HCTORANDRSANGARITACORREDOR
IngenieroCivil

TrabajodegradopresentadoparaoptarelttulodeMagsterenHidrosistemas.

Director:
EFRANDOMNGUEZCALLE
Ing.Hidrlogo,MScEcologaHidrometeorologca
PhDenCienciasTcnicas

PontificiaUniversidadJaveriana
MaestraenHidrosistemas
BogotD.C.,Diciembrede2008
2

CONTENIDO
Introduccin.............................................................................................................................. 8
1.

Extraccindeoperadoresdetransicinapartirdedatosobservados .......................... 12
1.1.

MarcoConceptual................................................................................................... 12

1.2.

CaractersticasgeneralesdelmtododeoperadoresadaptativosAOM ............. 13

1.3.

Enfoqueadaptativoparalaextraccindeoperadoresdetransicin..................... 14

1.4.

Optimizacindeunoperadoradaptativo............................................................... 18

1.5.

Aplicacindeunoperadoradaptativo.................................................................... 19

1.6.

Frecuenciademuestreonecesariaparalaaplicacindeoperadoresadaptativos 21

1.7.

Ejemplos.................................................................................................................. 24

2.

1.7.1.

OperadoresdetransicindelatractordeLorenz. .......................................... 25

1.7.2.

Extraccindeoperadoresdeunsistemacaticosimple(DOF=2)................ 29

Aplicacin del mtodo de extraccin de operadores de transicin en el diseo de un

sistemadepronsticohidrolgicodenivelesentiemporeal ................................................ 34
2.1.

Alcanceyfuentesdeinformacin........................................................................... 34

2.2.

Comentariossobrelanotacindeoperadoresadaptativos................................... 36

2.3.

Ejemplo1.EstacinElBanco .................................................................................. 37

2.4.

Ejemplo2.EstacinPuente.Balseadero................................................................. 43

2.5.

Viabilidaddelospronsticos .................................................................................. 48

3.

Aplicacin del mtodo de extraccin de operadores de transicin de estado en la

decodificacindecaudales ..................................................................................................... 53
3.1.

Efectodelprocesocodificacindecodificacinenlaincertidumbredelamedicin

decaudales ......................................................................................................................... 53

Figura30.Esquemadelacomunicacinaplicadoalaobservacindeunprocesohidrolgico.
................................................................................................................................................. 53
Figura31CampaasdeafororealizadasenlaestacinJuanchito.FuenteIDEAM............... 54
Figura32PuntosdeCaudalyNivel......................................................................................... 55
3.2.

DiseoExperimental ............................................................................................... 55

3.3.

Resultados ............................................................................................................... 58

Conclusiones ........................................................................................................................... 61
Bibliografa .............................................................................................................................. 64

LISTADODEFIGURAS
Figura1LneadetiempodecalibracinypronsticoenunmodeloAOMdondeseilustrael
conceptodeventanadeparametrizacin. ............................................................................. 17
Figura2.Algoritmodepronsticooperativodeunoperadoradaptativo ............................. 21
Figura3.Algoritmodeidentificacindeunoperadoradaptativoptimo............................. 20
Figura 4. Modelos de pronstico AOM aplicados en dos seales diferentes, a t = 1 dia.
................................................................................................... Error!Marcadornodefinido.
Figura5CanalRuidoso............................................................................................................ 22
Figura6.Unmodelodepronsticocomouncanalruidoso................................................... 22
Figura7Criteriodeidentificacindefrecuenciademuestreoptima .................................. 24
Figura8SeriesdetiempodelatractordeLorenz ................................................................... 25
Figura9.ResultadosdepronsticodeYutilizandounoperadorptimodelaforma(9)...... 27
Figura10.SeriesdetiempodelosCoeficientesdeloperadordeY=L(Wt)........................... 27
Figura11.PronsticodeP(yt+1)............................................................................................... 28
Figura12Seriesdetiemporegistradasenlasposicionesdeunpndulocatico ................. 30
Figura13ResultadosdepronsticodeYenT=1,3,5utilizandounoperadorptimodela
forma(9) ................................................................................................................................. 32
Figura14ResultadosdepronsticodeP(Y)enT=1,3,5utilizandounoperadorptimodela
forma(10) ............................................................................................................................... 33
Figura15EstacioneslimnigrficasseleccionadasdelosrosCaucayMagdalena ................. 35
Figura16.Convencinadoptadaparapresentareloperadoradaptativoptimo.(A):Series
detiempopronosticadasyobservadas(lagrficainferiormuestramayordetalletemporal)
(b) Diagrama de dispersin observado vs simulado (c). Parmetros del operador ptimo y
criteriosdedesempeo. ......................................................................................................... 36
Figura 17 Convencin para la presentacin de un pronstico probabilstico (d) serie de
tiempodeP(Y(t),t)y(e)GausianabivariadadeP(r,L(Wt)). .................................................... 37

Figura 18 Series de tiempo del niveles diarios en la estacin El Banco (X1), Promedio
multianualdeldiadeaosprecedentes(X2)ynivelesregistradosenEstacinPtoBerrio(X3)
................................................................................................................................................. 38
Figura 19 Series de tiempo del niveles horarios en la estacin El Banco (Xh1), niveles
registradosenEstacinPtoBerrio(Xh3) ................................................................................ 38
Figura20ModelosdepronsticoenelBancoaresolucindiaria.T=1,3y14das. ............ 39
Figura21PronsticoestocsticoenelBancoaresolucindiaria.T=1,3y14das .............. 40
Figura22.ModelosdepronsticoenelBancoaresolucinhoraria.T=1,3y6horas. ........ 41
Figura23PronsticoestocsticoenelBancoaresolucinhoraria.T=1,3y6horas ........... 42
Figura24.EstimacindelafrecuenciaptimademuestreoenlaestacinelBanco............ 43
Figura 25 Series de tiempo del niveles horarios en la estacin Puente Balseadero (Xh1) y
precipitacn(Xh2)ynivelesregistradosenPteGarces.(Xh3) ............................................... 44
Figura26ModelosdepronsticoenPteBalseaderoaresolucinhoraria.T=1y3horas.... 45
Figura27.ModelosdepronsticoenPteBalseaderoaresolucinhoraria.T=6y12horas.
................................................................................................................................................. 46
Figura28PronsticoestocsticoenPuenteBalseaderoaresolucinhoraria.T=1,3,6y12
horas........................................................................................................................................ 47
Figura 29. Estimacin de la frecuencia ptima de muestreo en la estacin Puente
Balseadero............................................................................................................................... 48
Figura30.Esquemadelacomunicacinaplicadoalaobservacindeunprocesohidrolgico.
................................................................................................................................................. 53
Figura31CampaasdeafororealizadasenlaestacinJuanchito.FuenteIDEAM............... 54
Figura32PuntosdeCaudalyNivel......................................................................................... 55
Figura 33 Diseo Experimental para la definicin de una funcin de decodificacin de
caudalesbasadaenunmodelodeespaciodefase. ............................................................... 56
Figura35TramodeRioModeladoenMike11....................................................................... 57
Figura36Solucindelaondadinmicaenlaseccindecontrolconsiderada ...................... 59
Figura37Diagramasdedispersindecaudaldecodificadovscaudaltericoenlaseccinde
control.(a)Curvadegasto(b)Decodificadordeespaciodefase......................................... 60

RESUMEN
Este trabajo propone una metodologa para identificar operadores que describen la
transicin de sistemas de complejidad algortmica significativa. En el mtodo es posible
identificarapartirdeunconjuntodesealesobservadas:(1)lamatrizdeestadodelsistema
entrminosdecomponentesdelassealesy(2)reglaslocaleseneltiempoparapredecir
lastransicionesaotroestado.Sehanrealizadodosaplicacionesdelmtodo.Laprimeraes
laevaluacindelaviabilidaddeimplementar unsistemadepronsticoen tiemporeal de
niveles y caudales en los Ros Magdalena y Cauca. Los resultados de esta aplicacin
demuestran la viabilidad operativa de desarrollar modelos de pronstico hidrolgico de
nivelesdeaguaycaudalesenlamayoradelascorrientesnaturalesevaluadas,enescalas
desde horarias hasta semanales. La segunda aplicacin es la definicin de un mtodo de
definicin de la curva de calibracin de caudales que explota la dinmica de la seal
observada del nivel. Los resultados indican que el mtodo conduce a una reduccin del
efecto de la histresis en decodificacin del caudal, que sin embargo, no es satisfactoria
puesinduceaunamodificacindelaescalaenlosvaloresdecodificados.

Abstract
Thisworkproposesamethodforextractingoperatorsthatdescribetransitionsofsystems
with significant algorithmic complexity. The method identifies from a set of observed
signals:(1)adescriptionofthesystemstateintermsofcomponentsofsignalsand(2)local
rulesintimetopredictthetransitionsofthatstate.Themethodusesanadaptiveapproach
suitableforsystemsinnonstationaryconditions.Twoapplicationsofthemethodhavebeen
developed. First, the evaluation of the feasibility for implementing a system for realtime
forecastingoflevelsandflowsintheMagdalenaandCaucariversfromhourlytotwoweeks
lead times. The results of this application demonstrate its operational feasibility for
implementing predictive models of hydrological water levels for most of the cases
evaluated. The second application is the definition of discharge decoding method which
exploits the dynamics of the water level observed signal. The results indicate that the
methodleadstoareductionintheeffectofhysteresisinthedecodedflow,whichhowever
isnotsatisfactoryastoinduceachangeofscaleinthedecodedvalues.

Palabrasclave:
Pronstico hidrolgico, Sistemas complejos, Complejidad algortmica, Modelos
determinsticos,Modelosestocsticos.
Hydrological Forecast, Complex Systems, Algoritmic complexity, Deterministic models,
StochasticModels.

INTRODUCCIN
Una cuestin fundamental en el estudio de sistemas naturales radica en cmo explicar
secuenciasdedatosobservadosconelfinidentificarlospatronesoestructurasquedefinen
su comportamiento. Es esencia, identificar reglas de evolucin permite al observador
disminuir la cantidad de incertidumbre sobre el comportamiento no observado futuro o
pasado. En el caso de un sistema simple, como un pndulo, para un observador la
incertidumbre sobre los estados no observados es muy pequea, pues para ste ser
posiblepredecirconprecisinestadosfuturosypasadosdelsistemaapartirdeunconjunto
sencillodereglasyelconocimientodelascondicioneslascondicionesiniciales.Enlamedida
que el proceso sea ms incierto, un observador percibir en la secuencia de eventos un
componente aleatorio hasta el punto que supere cualquier capacidad del observador de
identificarlasreglasquedeterminansucomportamiento.
A partir de esta nocin de incertidumbre se introduce una definicin intuitiva de la
complejidaddeunsistema:Paraunobservadorunsistemasermscomplejoenlamedida
querequieramsinformacinparadescribirunasealobservadadelmismo.Kolmogorovy
Chaitin, formalizaron este concepto desde el punto de vista informtico en trminos la
longitudenbitsdelprograma/algoritmomscortocapazdereproducirlasecuenciadelos
estados observados del sistema. Esta definicin guarda relacin con la capacidad de un
observador de describir el sistema observado para comunicar la secuencia de estados a
otroobservador:lacomplejidadpuedemedirsecomoelnmeromnimodebitsquedeben
"transmitirse" para comunicar toda la secuencia sin que existan ambigedades (Cover
1991). Para un sistema simple, o de complejidad algortmica mnima, como el de un
pndulo, un observador podr comunicar una secuencia muy larga de posiciones en
trminos del programa que numricamente implementa la ecuacin diferencial y las
condicionesinicialesquegobiernansuevolucin,sinimportarqueelintervalodesimulacin

tienda a infinito. Por el contrario, en un sistema de complejidad algortmica mxima, el

mensaje/programa ms corto para transmitir una secuencia de estados observados del
sistemaeslasecuenciamisma.
La hidrologa como disciplina cientfica estudia sistemas intermedios bajo la definicin
anterior que ocupan una posicin entre los sistemas alta predictibilidad (simples) como el
pndulo y aquellos impredecibles o totalmente aleatorios. Estos sistemas pueden
denominarse como de complejidad algortmica significativa y suelen exhibir
comportamientos donde se identifican componentes estructurables, es decir, sujetos a
reglas identificables que determinan su evolucin y otros no peridicos e irregulares, o
aleatorios,queseconviertenenunafuentedeincertidumbreparasusobservadores.Bajo
esta definicin la nocin de complejidad se relaciona con la existencia de elementos
aleatoriosenlasecuenciadeestadosobservablesdeunsistema,quesonelresultadodela
incapacidad prctica del observador de establecer completamente las reglas que
determinanlasinteraccionesdinmicasentreloscomponentesdelsistemaysuentorno.
Existen diversos enfoques para el estudio de las seales de un sistema. Un enfoque
ampliamente aceptado se basa en el concepto de reconstruccin del espacio de fase,
definidocomoespaciodondeesposiblerepresentarelestadoyladinmicadeunsistema.
A partir de los trabajos de (Takens 1981), quien demostr que en la ausencia de ruido
algunos aspectos cualitativos el espacio de fase puede reconstruirse a partir de las series
datos observadas, se han realizado avances en la definicin de modelos de pronstico a
partirdedatosruidosos,generalesylocales,entreotrospor(Casdagli,Eubanketal.1991;
Juke2006),(WagenerandGupta2005),(Hunt,Kostelichetal.2007)y(Friedrich,Siegertet
al.2000;Frank,Beekbetal.2004).
OtroenfoquedeanlisiscomnconsisteenmodelosautoregresivosAR(Box,Gwilymetal.
2008) que aprovechan las propiedades de inercia del proceso para estimar los estados
futuroscomounatransformacindelosestadospasados.Encualquieradelosdoscasos,la
estimacin de los estados futuros requiere la existencia de una regla, o un operador, que
describalastransicionesentrelosestadosdelsistema.

10

Este trabajo se presenta en este contexto. Su objetivo general es proponer un marco

metodolgico para aproximarse de forma emprica y cuantitativa a la modelacin
matemtica de sistemas hidrolgicos de complejidad algortmica significativa utilizando el
concepto de operador de transicin en los datos observados. Para alcanzar este objetivo
generalseplanteanlossiguientesobjetivosespecficos:
Adopcin del enfoque de operadores adaptativos (AOM) para la deduccin de
ecuaciones diferenciales estocsticas que sirvan como operadores de transicin de
estadoensistemasdecomplejidadalgortmicasignificativa,
Implementarelmtodoenaplicacioneshidrolgicas.
Enrelacinconelprimerobjetivoespecfico,estetrabajoestablecelaconexinmatemtica
entre el mtodo de AOM y los modelos de ecuaciones diferenciales ordinarias (ODE) y de
ecuacionesdiferencialesestocsticas(SDE).Conrespectoalsegundoobjetivoespecficose
desarrollaron dos aplicaciones del mtodo. La primera es el diseo de un sistema de
pronsticoestocsticoentiemporealenlaredhidrolgicadelascuencasdelMagdalenay
Cauca,dondeseaplicaelmtodoparadefinirlosoperadoresdetransicinenalgunasdelas
principales estaciones automticas del Instituto de Hidrologa, Meteorologa y Estudios
Ambientales IDEAM. La segunda aplicacin es la definicin de un procedimiento de
codificacinydecodificacindelacurvadegasto,basadaenelespaciodefaseNivel,Caudal
(Q H) de un sistema hidrolgico. Esta aplicacin del AOM aprovecha la dinmica local del
flujonopermanenteynouniformecomoalternativafrentealproblemadelacapacidadde
medicin de caudales en corrientes naturales. El mtodo para estimar la eficacia de una
codificacinserelacionaconelconceptodecapacidaddecanalenloscasosenqueocurre
unacodificacinruidosaCR(onoisyencoding)queesunainterpretacindelteoremade
capacidaddecanalpropuestoporShannon(Shannon1948)enelcontextodeingenierade
comunicaciones.
La estructura del documento se desarrolla de manera similar. En un primer captulo se
presentarnlosaspectosconceptualesytericosdelmtodopropuestoyalgunosejemplos
que tienen el propsito de aclarar los detalles operativos del mtodo. El captulo 2 trata
sobrelosresultadosdelaevaluacindelaviabilidaddeimplementacindeoperadoresde

11

transicinparafinesdepronsticohidrolgico.Complementarioaestecaptulosepresenta
el Anexo 1, que contiene la definicin de los operadores ptimos de pronstico en las 11
estacionesseleccionadas.Acontinuacin,elcaptulo3ilustraloselementosconceptualesy
los resultados de la aplicacin del mtodo en la identificacin de un operador de
decodificacindecaudales.Finalmentesepresentarnlasconclusionesyrecomendaciones
delestudio.

12

1. EXTRACCINDEOPERADORESDETRANSICINAPARTIRDE
DATOSOBSERVADOS
Estecaptulodescribeelmtododeextraccindeoperadoresypresentaalgunosejemplos
y recomendaciones para su correcta aplicacin. En una primera seccin se introducen los
fundamentos conceptuales y matemticos y los procedimientos de implementacin del
mtodopropuesto.Enlaseccinfinaldeestecaptulosepresentanalgunosejemplosque
buscandarclaridadsobrelamecnicaylosresultadosdelaaplicacin.

1.1.

MarcoConceptual

Es posible estudiar las propiedades de la transicin de X(t)={X1, X2,, Xm}, el vector m

dimensionaldevariablesdeestadodeunsistema,atravsdelconceptodeespaciodefase.
Una aproximacin consiste en suponer que la derivada con respecto al tiempo de X(t) se
expresa en trminos de una funcin de X, es decir, mediante una ecuacin diferencial
ordinariadelaforma:

dX i (t )
= g i ( X (t ), t )
dt

(1)

Dadalasustitucin:
x i ,1
x
i ,2
X i = , i [1, m]
...

x i ,n

dx I ,1 (t )
= x I ,2
dt
dx I ,2 (t )
= x I ,3
dt

...

dx I ,n 1 (t )
= x I ,n
dt

(2)

13

quegarantizaquexi,1,xi,2xi,npertenecenalmismoprocesoXi.Ahora,aceptandoquepara
unsistemadecomplejidadalgortmicaintermedialafuncing(X(t),t)noestdeterminada
completamente ni el vector X(t) puede ser medido o decodificado1 perfectamente, es
necesario adoptar una formalizacin sobre la incertidumbre preservada en la transicin
modelada. Si se supone que esta puede explicarse matemticamente como alteraciones
irregularesynoperidicasenlastrayectoriasdelespaciodefase,laecuacin(1)adquierela
formadeunaecuacindiferencialestocstica(oecuacindeLangevin)delaforma:

dX i (t )
= gi ( X (t ), t ) + hi ( X (t ), t )(t )
dt

(3)

Donde g(X(t),t) es el componente determinstico definido en (1), (t ) es una seal

aperidica e irregular (o "ruidosa") y h(X(t),t) una transformacin lineal que ajusta la
influenciadinmicadelruidoenlaevolucindelsistema(Gardiner2004).Enunaecuacin
delaforma(3),xi(t)sonvariablesaleatorias.Lasolucindelaecuacineslaevolucindela
curva de densidad de probabilidad, P(xi(t),t), dadas las condiciones iniciales y la
incertidumbredelsistema.
La identificacin de un modelo de espacio de fase basado en la ecuacin (3) requiere
establecer la forma y parmetros de g(X(t),t) y h(X(t),t) que definen las transiciones
observadasdexi(t).Unavezidentificada,laecuacin(3b)puedesertratadaanalticamente
mediante clculo estocstico o mediante la solucin de la ecuacin de Fokker Plank
Kolmogorov.Tambinexistentcnicasdesolucinnumricaentreotras,Euler(Orden1)y
mtodosdeordensuperior,presentadospor(Gardiner2004).

1.2.

CaractersticasgeneralesdelmtododeoperadoresadaptativosAOM

El concepto de operador adaptativo ptimo AOM propuesto por (Dominguez 2005;

Dominguez,Angaritaetal.2009),fueoriginalmentedesarrolladoconfinesdemejoramiento
de las capacidades de pronstico en tiempo real de niveles y caudales en corrientes

Vasecaptulo3deestedocumento

14

naturales, cuya dinmica no estacionaria limita la capacidad de pronstico. De manera

general, el AOM es similar a otros enfoques de modelacin de sistemas dinmicos en
tiempo discreto basados en el concepto de espacio de fase, por ejemplo, el filtro(Kalman
1960) y tambin a mtodos de anlisis de series de tiempo como AR, ARX, ARMAX (Box,
Gwilymetal.2008).LadiferenciafundamentalconsisteenqueelAOMexplotaelconcepto
de dinmicas locales de las seales observadas, que pueden proveer una aproximacin
eficiente desde un punto de vista computacional para el anlisis de sistemas sujetos a
condiciones no estacionarias y con componentes peridicos que ocurren a diferentes
frecuencias.Enesencia,elAOMconsisteenadaptarcontinuamentemodelosmatemticos
simples(linealesonolineales)alageometraylacinemticaobservablelocalmenteenel
espaciodefasedeunsistema.Esteenfoqueadaptativocontinuoresultatilenaplicaciones
depronsticodetiemporealdondeseanecesarioelreajustenosupervisadodemodelosde
pronsticoencasodefallasenelprocesodetransmisinoasimilacindedatos.Asmismo,
permite enfrentar operativamente el problema de la dimensionalidad del atractor de un
sistema catico al identificar entre el vector de seales conocidas de un sistema, aquellas
que definen el estado en un instante dato y a partir de ello encontrar y ajustar
continuamentelasreglasdetransicinalsiguiente.

1.3.

Enfoqueadaptativoparalaextraccindeoperadoresdetransicin

El problema de explicar una secuencia de datos observados puede definirse como un

problema inverso de Tipo 3 (Dominguez 2007), en donde el objetivo es identificar y
parametrizar un operador ptimo que relacione las entradas y salidas conocidas de un
sistema. En este trabajo por operador se entiende el objeto matemtico "L" que modifica
unafuncinW.
SidefinimosW(t)comolosestadosprecedentesdelconjuntodemsealesobservadas

~ ~

de X(t), X(t ) = {X 1 , X 2 ,..., X m } en el intervalo [t-, t], que contienen la informacin

suficientepararepresentarelestadodeunsistemaenuninstantet:

15

x1,t
~
~
x1,t 1
W(t ) =
...
~
x1,t

~
x2,t
~
x2,t 2
~
x2,t

... ~
xm,t
... ~
xm,t 2

...

xm,t
... ~

(4)

un operador de transicin puede definirse como el operador L que transforma W(t) en

Y(t+T),dondeTeselhorizontedetiempodelpronsticoyY = {x1, x2, xn}eselvectorde
pronsticondimensionaldeX:

YtPr+Tonstico = L[W(t )]

(5)

L : R m
R n
Conelnmerodevariablesdepronsticonnonecesariamenteigualalnmerodevariables
quedefinenelestadodelsistemam.Porconvencin,sedefinencomovariablesendgenas

lasprimerasnvariablesde X (t ) ,conn<m.
Aqu se propone una aproximacin simple para identificar la forma de la ecuacin
diferencial estocstica (3). Se supone un sistema en el que es posible monitorear
continuamente y las dinmicas globales no lineales pueden aproximarse en el corto plazo
mediantetransicioneslocaleslineales.Partiendodelasecuaciones(1)y(3),siseadoptala
formalinealparagi(X(t),t):

bi ,1,1 (t ) bi ,1, 2 (t ) ... bi ,1, (t ) xi ,1

x
n
n b
i , 2 ,1 (t )

i,2
g i ( X (t ), t ) = (Bi (t ) X i (t ) ) =

...
...
i =1
i =1

...
... bi ,m , (t ) xi ,
bi ,m ,1 (t )

(6)

y dada la condicin de la ecuacin (2), las ecuaciones (1) y (3) se pueden reemplazar
respectivamenteporecuacionesdiferencialesdeordensuperiordelaforma:

d xi
d 1 xi
dxi

= q (t )
a
(
t
)
+
a
(
t
)
+
...
+
a
(
t
)
+
x

i
,
i
,

1
1
i

dt
dt
dt
i =1

16

(7)

d xi
d 1 xi
dx

+
+ ... + a1 (t ) i + xi = q(t ) h( X (t ), t )(t )
a
(
t
)
a
(
t
)

i , 1

1
i ,
dt
dt
dt
i =1

(8)

Ahora,siseaproximaeldiferencialdeordenndexicomounadiferenciafinitahaciaatrs
(Ames1977):

d x

( 1)i

x
=

t
dt
i =0

x t i
i

con

!
=
= fi
i
i

!
(
)!

Seobtienenlossiguientesoperadoreslineales:
m

Yi t T = Li [W (t )] = c ikj (t ) W(t ) ikj + c i (t) , i [1, n]

+

(9)

k =1 j =1

Yi t T = Li [W (t )] = c ikj (t ) W(t ) ikj + c i (t ) + hi (Y (t ), t )(t ) , i [1, n]

+

(10)

k =1 j =1

DondeeloperadorLesunasolucinnumricadelaecuacindeladinmicadelespaciode
fasedelsistema,determinstica(9)oestocstica(10),ycikj(t)yci(t)sonrespectivamentelos
coeficientesylaconstantedependientesdeltiempo.Larelacinentreloscoeficientesdelas
ecuacindiferencial(7)ylasolucinnumrica(9)estdadapor:

ai 0 k
cte
a
c
i1k
i1k
ai 2 k = F ci2 k
...
...

aik
cik
donde

17

 f 00

0
F=
...

f 01
f11

...
...

...

f 0

f1

...

Para identificar los coeficientes cikj(t) en cada instante k se adopta un enfoque de ventana
mvil,quesuponelaposibilidaddeexplicarlinealmentelastransicionesdecortoplazodel
sistema. Se define la ventana de parametrizacin , como el intervalo ptimo de estados
precedentesdelsistema:W(t),W(t1),,W(t)necesariosparadeterminarptimamente
loscoeficientescikjdelasecuaciones(9)y(10)ent.Engeneral<Ns,dondeNseslalongitud
delasseriesdetiempoobservadasdeX(t).LaFigura1ilustraesteconcepto.

Figura 1 Lnea de tiempo de calibracin y pronstico en un modelo AOM donde se ilustra el concepto de ventana de
parametrizacin.

Por otra parte, la determinacin del componente aleatorio de la ecuacin (10),

h( X (t ), t )(t ) requiereidentificarlaintensidaddelruidoasociadaalatransicindeestado
delsistema.Aquseadoptaunaaproximacindelaestructuradelruidoquesupone(1)que
el ruido es gausiano correlacionado, segn propone (Friedrich, Siegert et al. 2000) y (2)
queh(X(t),t)novaraeneltiempoenelintervalodepronstico.Porlotanto:
h (Y (t ), t ) (t ) h (Y (t )) (t )

(11)

Enestecaso,seasumeunadistribucinnormalbivariada(Fernndez,Guijarroetal.1994)
para representar las propiedades aleatorias de los residuales dado el pronstico
determinsticodelsistema,esdecir:

hi (Y (t ))(t ) = P(r | xi = Li (W(t )))

18

(12)

dada la distribucin de probabilidad conjunta entre la serie de residuales r y la seal

observadaXi:

Pi (ri , X i ) =

(2 ) n / 2 K i

e
1/ 2

1
rx i rx i K i 1 rx i rx i
2

(13)

r
rx i = ~i
X i
ri

X i

rx i =

ri2
K=
S rxi

S rxi

ri2

donde rx i eselvectordelospromediosdelosresidualesydelosvaloresobservadosyKla

matrizdevarianzacovarianzadery X i .

1.4.

Optimizacindeunoperadoradaptativo

Paraunasolucinenelinstantetdelasecuaciones(6),sisedefineelerrordepronstico
comolasiguientediferencia:

Xt +T

Observado

Yt +T

Pr onstico

(14)

Lpuededenominarsecomounoperadorptimosiminimizaalgunafuncinde.
Elprocesogeneraldeidentificacindeunoperadoradaptativoptimodelaforma(1)o(3)
dadas (9) y (10) se muestra en la Figura 2. Por lo general, un algoritmo de bsqueda
exhaustiva utilizando los criterios min (s/) como funcin objetivo (cociente entre la
desviacinestndaralcuadradodelerrordepronstico(s())yladesviacinestndarde
losincrementosXi(t+T)Xi(t),()),escapazdeidentificarptimamentelaformadeW(t)y
en un plazo de tiempo razonable. Este criterio exige al modelo que la variabilidad de los
errores cometidos en los pronsticos no supere la variabilidad de los incrementos de la

19

seal observada, es decir, mide la habilidad que tiene la metodologa de pronstico para
superaralpronsticoporinercia,entendidoesteltimocomolaestimacin:

Yt +T

Inercia

= XT

Observado

~
UnprimerciclobuscalaformadeW(t)entreloscomponentesdelasseales X conrezagos
enelintervalode[1,max].Elsegundociclotienequeencontrarlalongituddelaventanade
parametrizacinptimaentreT+mmaxyNs.SegnelcriteriodedesempeodeCentrode
HidrometeorologadeRusia(Appolov1974),elvalordeS/tienequesermenorque0,8
aceptarqueelmodelosuperaelpronsticoporinercia.
Dentro del ciclo de bsqueda del mejor operador aparece el ciclo de evaluacin de un
operador adaptativo, que determina los coeficientes cij(t) y la constante ci(t) ptimos del
operadorL(W(t)).Estoseconsiguesiseminimizaelerrorcuadrtico (cijk) enelintervalo
[tT,tT]mediantelasolucindelsiguienteproblemadeoptimizacin:
2

m
Observado
min (c ijk ) = E Y i
(t + T ) c ikj W(t) kj + c it

k =1 j =1

2

(15)

Enelcualloscoeficientescjkycitsonlasolucindelsistemadeecuaciones:
2
= 0, k = 1,... , m j = 1 , ...,
c ijk

=0
c i

1.5.

(16)

Aplicacindeunoperadoradaptativo

Una vez establecidos los parmetros del operador ptimo W(t) y para un horizonte de
pronsticoT,elprocesodeemisindepronsticosserealizasegnapareceeneldiagrama
delaFigura3.

20


Figura 2. Algoritmo de identificacin de un operador adaptativo ptimo

21


Figura 3. Algoritmo de pronstico operativo de un operador adaptativo

1.6.

Frecuenciademuestreonecesariaparalaaplicacindeoperadores
adaptativos

Engeneral,loscriteriosdedesempeodemodelosbasadosenrelacionesdeinerciadela
seal como s/, proveen informacin sobre la bondad del modelo en relacin con su
capacidaddesuperarelpronsticoporinercia(onaiveforecast)sinestablecerunamtrica
sobrelaprecisindelpronstico.Esdecir,enningnmododescribeelniveldeerrorquese
puedacometerenlospronsticos.EnlaError!Noseencuentraelorigendelareferencia.
se ilustra esta situacin. En un proceso altamente predecible (caso A), el pronstico
inocenteesunaestimacinmuyprecisadelsiguienteestadodelsistema.Porelcontrario,
enelcaso(B)estepronsticoesimpreciso.Lasituacinanteriorconduceaqueenunaseal
observadacomoirregularyaperidica,oruidosa,esposiblequesuperarelpronsticopor
inercia no necesariamente conduzca a un pronstico preciso. Desde la perspectiva del

22

modeladorodelusuariodelpronstico,larelacinentrelasealyelruido,definidacomo
larelacinP/NentrelapotenciadelasealesdeL(W(t)yH(Y(t,t)),esinferioralumbralque
garantizaunacapacidaddelmodelodeemitirunpronsticocuantitativopreciso.
Formalmente, esto guarda relacin con el teorema de capacidad de canal, propuesto por
(Shannon1959),quedefinelacantidaddeinformacinCquepuedeserenviadaatravsde
uncanalruidoso:
Ruido (N)

Canal: P(h | h)

Figura 4 Canal Ruidoso.

como:

C = max I (h, h)

(17)

p(h)

Donde I (h, h) es la informacin mutua promedio entre las seales de entrada y salida del
canal,hy h .Enestecasoseinterpretaunoperadordetransicincomoelsiguientecanal:

Figura 5. Un modelo de pronstico como un canal ruidoso.

EnelquedadounestadodelsistemaW(t)transmiteunestimativoY(t+T)delestadofuturo
de X(t+T). La capacidad del operador de reproducir el estado futuro del sistema X(t+T)
podraexpresarsecomo:

C = max I (Yt +PrTonstico , X tObservado

)
+T
p (Wt )

(18)

23

DadaunarelacinP/Nparaunasealcontinua,elteoremadecapacidaddecanalestablece
ellmitesuperiordelacapacidadcomofuncindelafrecuenciademuestreo:

C log(1 + P N )

(19)

Figura 4. Modelos de pronstico AOM de la forma (9) aplicados en dos seales de caudales diferentes (a) Estacin El
Banco (b) Estacin Paicol , a t = 1 dia.

La aplicacin de modelos AOM en seales de sistemas hidrolgicos a diferentes escalas

espaciales(VaseAnexo1)muestraresultadosexperimentalesquerelacionanlaresolucin
temporal de la seal de entrada con la capacidad de realizar un pronstico preciso que
superalainerciadelsistema,quecorrespondealainterpretacindelteoremadeShannon
donde que relaciona la frecuencia de muestreo y la capacidad de un modelo AOM de
reproducirlastransicionesdeestadodelsistema.

Segnloanterior,sesuponequeenX(t)existeunafrecuenciaquemaximizalacantidadde
informacin que es posible transmitir por el canal de la Figura 7. Se propone el siguiente
experimento para identificar que maximiza la ecuacin (18): Dada una frecuencia de
24

muestreo,esposiblerealizarunexperimentoparaidentificarlaexistenciadeunmodelo
tipoAOMquemaximiza I (Yt +PrTonstico , X tObservado
) ytambingarantizalaemisindepronsticos
+T
quesuperenlainerciadelproceso(s/<0.8).Elprimercriterioreduceelefectodelruido
en la calidad del pronstico. Por su parte el segundo garantiza que el operador aporta
informacinapartirdeladinmicalocaldelproceso.Elexperimentoconsisteenquedada
unasealaresolucintemporalt,crearseriessubmuestreadasdelaserieoriginala3t,
6t, 12t, etc. En cada caso, mediante el proceso exhaustivo de la Figura 2 se estima el
mejor modelo tomando como criterio la ecuacin (18) y las condiciones min(s/) y
s/<0.8.
La Figura 6 ilustra un resultado de este procedimiento. En las abscisas aparecen las
frecuencias de muestreo y en las ordenadas respectivamente max I (Yt Pr+Tonstico , Yt Observado
) y
+T
min(s/).En=3t(3horas)sealcanzaunvalordeAMI>0.99ymin(s/)=0.72<0.8.
Estoesunindicioquelamayorcantidaddeinformacinsobreladinmicadelatransicin
delsistemaseencuentraalrealizarmuestreosenperiodosde3horas.
Pto Berrio(2309703)
1.01

MaxS/s ? =0.8

0.9
0.8

0.99

0.7

I 0.98
M
A 0.97

0.6
0.5
0.4
AMI

0.96

0.3

S/s?

MinAMI=0.95

a
lt
e
D
a
m
ig
/S
S

0.2

0.95

0.1

0.94

0
0

10

12

14

Frecuencia de muestreo (horas)

Figura 6 Criterio de identificacin de frecuencia de muestreo ptima

1.7.

Ejemplos

En esta seccin de presentan dos ejemplos de aplicacin del mtodo. El primero de ellos
consisteenidentificareloperadordetransicindelatractordeLorenz,unsistemacatico
determinstico.Lasegundaaplicacineslaidentificacindeunmodelodepronsticodela

25

posicin de un pndulo catico (DOF=2) a partir de informacin medida

experimentalmente. En el siguiente captulo, donde se trata la implementacin de un
sistema de pronstico hidrolgico de niveles, se presentarn ejemplos de aplicaciones
especficasenhidrologa.
1.7.1. OperadoresdetransicindelatractordeLorenz.
Esteprimerejemplodescribeelprocesodeidentificacindelosoperadoresdetransicinde
un sistema determinstico donde las secuencias de estados X(t) = {x(t),y(t),z(t)} son la
solucindelsistemadeLorenz:

Conlosparmetros=10,=8/3and=28yt=0.001.VaseFigura7.

Figura 7 Series de tiempo del atractor de Lorenz

26

Enestecasoelnmerodevariablesdeestadoyelnmerodevariablesdepronstico,myn
=3,yeloperadordelaecuacin(5)serdelaforma:

xtPr+Tonstico L1[ W1 (t )]
Pr onstico

= L2 [ W2 (t )]
yt +T
z Pr onstico L [ W (t )]

3 3
t +T

L : R 3
R 3
Setomacomoejemploeloperadory=L2(W(t)).Elprocedimientoesigualparalosotrosdos
casos.
Unavezadoptadoelhorizontedepronstico(enestecasoT=1),elprimerpasoconsisteen
identificar los parmetros que definen la estructura del operador: , la ventana de
parametrizacinyW(t),lamatrizdeestadodelsistema.Siguiendoelalgoritmodebsqueda
exhaustivapresentadoenlaFigura2seencuentran=177yW(t):
y t -1
y
Wt 2 = t -2
y t -3

y t -4

x t -1
x t -2
0
0

z t -1
z t -2
z t -3

queminimizans/.Porlotanto,laformadeloperadores:
3

Yt +T = L2 [W (t )] = cikj (t ) Wt 2 kj + c te
k =1 j =1

La Figura 9 muestra los valores calculados de los coeficientes c2jk para los primeros 500
pronsticos, utilizando en cada paso la ecuacin (13). Para este operador los valores
obtenidosdeloscriteriosdedesempeosons/=0.12,r=0.99yPI=0.985.LaFigura8
resumeestosresultados.

27


Figura 8. Resultados de pronstico de Y utilizando un operador ptimo de la forma (9)

Figura 9. Series de tiempo de los Coeficientes del operador de Y = L(Wt)

28

Finalmente,elcomponenteprobabilsticodelasealquereproducelaincertidumbredelos
pronsticosseestimautilizandolaecuacin(9).LosresultadosaparecenenlaFigura10:
0.0032
rxi =

0.8984
0.0274
0.0148

0.0274 90.0476

K =

Figura 10. Pronstico de P(yt+1,t).

Losresultadosindicanqueenestecaso,alaresolucintemporaldelasolucinnumricade
las ecuaciones de Lorenz, el proceso es altamente predecible segn los criterios de
desempeoevaluados:s/cercanoaceroyrcercanoa1.Elefectodelaprecisindelos
pronsticosdeterminsticosseobservaenelcomponenteprobabilsticodeFigura11,conde
lavarianzadelosresidualestiendea0.
Paraevaluarelefectodelafrecuenciademuestreoenlacapacidaddepronstico,serealiz
elexperimentodescritoenlaseccin1.6paraseriessubmuestreadasaintervalosde1,3,6
y 12 t. Los resultados que se muestran en la Figura 10 indican que a intervalos de
muestreomayoresa1tlospronsticosnocumplenelcriteriodepronsticoprecisoAMI>
0.95.

29


Figura 11 Desempeo de los pronsticos de la seria de Lorenz a resoluciones temporales de 1, 3, 6 y 12 t.

1.7.2. Extraccindeoperadoresdeunsistemacaticosimple(DOF=2)
En este ejemplo se desea establecer los operadores transicin de la posicin en Y de la
esferasuperiordeunpndulocaticoamortiguado(DOF=2)ahorizontesdetiempode1,3
y 5 t. El estado del sistema se define por las coordenadas X(t) = [x1,y1,x2,y2], obtenidas
medianteprocesamientodeimgenesdelmodelofsicoquesemuestraenlaFigura10.Al
serobtenidodelaobservacindirecta,elvectorX(t)seencuentrasujetoalaslimitaciones
delaobservacin,enparticularalafrecuenciademuestreodelacmarautilizada(30fps,es
decir30s1).Adiferenciadelcasotericodelejemploanteriordondelasolucinnumrica
permite adoptar un intervalo de tiempo indefinidamente pequeo, en este caso las
caractersticasdelamedicinconducenaunalimitacinenlacantidaddeinformacinque
esposiblerecopilardelproceso.
Para efectos del ejemplo, se trabajar con informacin incompleta, suponiendo que
solamentesonconocidaslasseriesx2,y2.

30

Figura 12 Imgenes capturadas en un modelo fsico del pndulo catico. en los instantes t = 50, 150 y 250

Figura 13 Series de tiempo registradas en las posiciones de un pndulo catico

Enelcasoconsiderado,sedeseaidentificareloperador:
xtPr+1onstico L1[ W1 (t )]
Pr onstico

= L2 [ W2 (t )]
yt + 3
y Pr onstico L [ W (t )]

3 3
t +5

L : R 3
R 3

Siguiendoelprocedimientodelejemploanteriorseencuentranlosoperadores

31

Y2 t +1 = L1[W (t )] = cikj (t ) Wt1kj + c te

k =1 j =1

Y2t +3 = L2 [W (t )] = cikj (t ) Wt 2 kj + c te
k =1 j =1

Y2t +5 = L3 [W (t )] = cikj (t ) Wt 3 kj + c te
k =1 j =1

con:

y t -1
Wt1 =
y t -2

y t -1
y
x t -1
t -2

y t -3
=
Wt
2
x t -2

y t -4

y t -5

y t -1
y
x t -1
t -2

...
x t -2

x t -3
Wt 3 =

x t -4

x t -5

y t -8

x t -1
x t -2
...

x t -8

Utilizandolaecuacin(9),seobtienenlossiguientesparmetrosdelcomponentealeatorio
delaecuacin(6b):
0.022
rx2 =

47.030

0.0586
K x2 =
0.0027

0.194
0.1255
ry 2 =
KY2 =

46.939
0.0839
0.1336
0.0419
ry 2 =
KY2 =

47.1889
0.0027

0.0027
0.8720

0.0839
0.8072

0.0027
0.3793

LasFigura14y12muestranlosresultadosdelmodelo.

32

Figura 14 Resultados de pronstico de Y en T = 1, 3, 5 utilizando un operador ptimo de la forma (9)

33

Figura 15 Resultados de pronstico de P(Y) en T = 1, 3, 5 utilizando un operador ptimo de la forma (10)

Elanlisisdelosresultadosmuestraqueenlostreshorizontesdepronsticoconsiderados
(1,3y5t)sesatisfaceelcriteriodedesempeos/<0.8enlosmodelosidentificados.No
obstante,elcriteriodeprecisinAMI/H,nosecumpleentodosloscasos.
alaluzqueestesistemaesdeterminstico,esunindicadordelefectodelafrecuenciade
muestreoenlacapacidaddepronsticodelsistema.

34

2. APLICACINDELMTODODEEXTRACCINDEOPERADORESDE
TRANSICINENELDISEODEUNSISTEMADEPRONSTICO
HIDROLGICODENIVELESENTIEMPOREAL
Estecaptulopresentalaaplicacindelmtododeextraccindeoperadoresdetransicin
enelpronsticohidrolgicodenivelesdeaguaenestacioneslimnimtricaslocalizadasen
diferentes puntos de los Ros Magdalena y Cauca. Aqu se desarrollan y discuten algunos
ejemplosgeneralesdeimplementacindelosmodelosAOMysepresentaunresumencon
los resultados de la viabilidad de implementacin del sistema. La informacin detallada
sobrelaconfiguracindelosmejoresmodelosdelas11estacionesevaluadassepresenta
enlosAnexos1,2y3

2.1.

Alcanceyfuentesdeinformacin

Mediante esta aplicacin se desea estudiar la viabilidad del mtodo de extraccin de

operadoresdetransicinenladefinicindemodelosdepronsticohidrolgicodeniveles
en las estaciones hidrolgicas automticas mostradas en la Figura 16. Las estaciones
seleccionadasabarcanunespectrosignificativodeescalasespacialesdelascuencasdelos
rosCaucayMagdalena.
El diseo experimental propone la evaluacin en dos grupos: (a) pronsticos basados en
seriesdiariasconhorizontesde1,3y14dasy(b)pronsticosbasadosenserieshorarias
conhorizontesde1,3,6y12horas.Conlainformacinobtenidaenamboscasos,seestudia
la frecuencia de muestreo ptima segn la metodologa propuesta en la seccin 1.6 del
captuloanterior.

35


Figura 16 Estaciones limnigrficas seleccionadas de los ros Cauca y Magdalena

36

2.2.

Comentariossobrelanotacindeoperadoresadaptativos

La Figura 17 muestra la convencin adoptada para representar el operador adaptativo

ptimo.AllseincluyenlosparmetrosdeloperadorT,horizontedepronsticoy,ventana
deparametrizacin.Lanotacinutilizada:X1:(1,2,3,..,1),X2:(1,2,3,..,2),Xm:(1,2,3,..,m)
esequivalentealaecuacin(4)enlaforma:
x1,t
...
Wt =
x1,t 1

x 2,t
x 2,t 2
0
0

x m,t

...

... x m ,t m

...
...

Enelformatotambinsepresentanloscriteriosdedesempeos/,r,PIeI/H.Paracada
modelo se presentan las series de tiempo (hasta 730 pronsticos, segn disponibilidad de
informacin)yeldiagramadedispersindenivelesobservadosvspronosticados.Enelcaso
de los pronstico probabilsticos, se presentan las series de tiempo de P(Y(t),t) y la
distribucindeprobabilidad Pi (ri , L( Wt)) correspondiente.

(a)

(b)

(c)

Figura 17. Convencin adoptada para presentar el operador adaptativo ptimo. (a): Series de tiempo pronosticadas y
observadas (la grfica inferior muestra mayor detalle temporal) (b) Diagrama de dispersin observado vs simulado (c).
Parmetros del operador ptimo y criterios de desempeo.

37

(d)

(e)

Figura 18 Convencin para la presentacin de un pronstico probabilstico (d) serie de tiempo de P(Y(t),t) y (e) Gausiana
bivariada de P(r,L(Wt)).

2.3.

Ejemplo1.EstacinElBanco

LosdatosdelaestacinElBanco,localizadaenlacuencabajadelRioMagdalena,muestran
un fuerte patrn de inercia, es decir los niveles futuros del sistema varan lentamente en
relacin con el estado actual. Las Figura 19 y Figura 20 muestran que a resoluciones
temporales horarias la funcin de autocorrelacin alcanza una memoria de ms de 100
horas,yenlasseriesdiariaselradiodecorrelacinsupera40das.Enestoscasos,comose
mencion en la seccin 1.6, los modelos de prediccin suelen tener valores de s/ altos
(enalgunoscasos,s/>1),quemuestranquelahistoriadelprocesoensmismacontienela
informacin suficiente para prever con precisin el futuro inmediato. Cualquier modelo
aplicadotienequeserlosuficientementebuenoparatraernuevainformacinacercadela
dinmicadelprocesoafindeexplicarlomsalldelainfluenciadelainercia.
Las Figura 21 a 21 muestran los operadores obtenidos y los modelos determinsticos y
estocsticosparahorizontesdepronsticode1,3,6,12horasy1,3y14das.Engeneral,
seobservaquelosmodelosconresolucionestemporalesporencimade3horassuperanel
pronsticoporinercia,convaloresdeS/entre0.65y0.75yPIentre0.20y0.55.Porsu
parte,enlosmodelosprobabilsticostambinesposibleobservarelefectodelruidoenla
incertidumbredelospronsticosdeloshorizontesde3y14das.
Por otra parte, el anlisis de frecuencias de muestreo, mostrado en la Figura 25, muestra
queenelrangoderesolucionestemporalesdeentre3horasy3dasesposiblereproducir
38

pronsticos precisos (AMI>0.95) que superan la inercia del proceso. Esto no ocurre con
pronsticosaresolucinde1hora,endondeelmodelonomejoraelpronsticoporinercia.
Noobstante,enestecasoestosedebealoserroresdecuantizacinenlasealobservada.

Figura 19 Series de tiempo del niveles diarios en la estacin El Banco (X1), Promedio multianual del dia de aos
precedentes (X2) y niveles registrados en Estacin Pto Berrio (X3)

Figura 20 Series de tiempo del niveles horarios en la estacin El Banco (Xh1), niveles registrados en Estacin Pto Berrio
(Xh3)

39

Figura 21 Modelos de pronstico en el Banco a resolucin diaria. T = 1,3 y 14 das.

40

Figura 22 Pronstico estocstico en el Banco a resolucin diaria. T = 1,3 y 14 das

41

Figura 23. Modelos de pronstico en el Banco a resolucin horaria. T = 1,3 y 6 horas.

42

Figura 24 Pronstico estocstico en el Banco a resolucin horaria. T = 1,3 y 6 horas

43

El Banco(2502702)
1.01

0.9

MaxS/s ?

0.8

0.99

0.7

0.98
I
M
A

0.6

0.97

0.5
AMI

0.96
0.95

0.4

S/s?

MinAMI

0.3

a
lt
e
D
a
m
g
i
/S
S

0.2

0.94

0.1

0.93

0
0

100

200

300

400

Frecuencia de muestreo (horas)

Figura 25. Estimacin de la frecuencia ptima de muestreo en la estacin el Banco.

Lassiguientestablassemuestranlostiemposdeclculoobtenidosenlaidentificacindelos
delosoperadoresptimos.
Tabla 1 Tiempos de cmputo de identificacin y pronstico en la estacin el Banco. Resolucin Diaria.
Horizontedepronstico
(H)

Tiempodeextraccindel
operador
(HH:MM:SS)

Tiempodecmputopara
365pronsticos
(Seg)

00:02:10

0.53

00:05:20

0.48

14

00:14:44

2.05

Tabla 2 Tiempos de cmputo y desempeo de los operadores adaptativos en la estacin el Banco.

2.4.

Frecuenciademuestreo

(H)

Tiempodeextraccindel
operador
(HH:MM:SS)

Tiempodecmputopara
365pronsticos
(Seg)

00:00:32

0.31

00:00:38

0.28

00:00:37

0.37

12

00:00:36

0.40

Ejemplo2.EstacinPuente.Balseadero

EnlaestacindePuenteBalseadero,localizadaenlacuencamediadelRioMagdalena,los
datoshorariosmuestranqueelprocesodeescorrentatieneunamemoriademenosde5
horas.Estetipodeproceso,encomparacinconlaestacindeElBanco,esmsdifcilde
predecir con precisin y es comparativamente ms sencillo superar el pronstico por
inercia.
44

El anlisis de las frecuencias de medicin muestra que los pronsticos son viables a
resolucionestemporalesde3horas.
Porotraparte,lostiemposdeclculoobtenidosenlaidentificacindelosdelosoperadores
ptimosenlaestacinPuenteBalseaderosonlossiguientes:
Tabla 3 Tiempos de cmputo y desempeo de los operadores adaptativos en la estacin Puente Balseadero.

(H)

Tiempodeextraccindel
operador
(HH:MM:SS)

Tiempodecmputopara
365pronsticos
(Seg)

00:02:10

0.53

00:05:20

0.48

00:14:44

2.05

12

00:48:00

3.44

Figura 26 Series de tiempo del niveles horarios en la estacin Puente Balseadero (Xh1) y precipitacn (Xh2) y niveles
registrados en Pte Garces. (Xh3)

45

Figura 27 Modelos de pronstico en Pte Balseadero a resolucin horaria. T = 1 y3 horas.

46

Figura 28. Modelos de pronstico en Pte Balseadero a resolucin horaria. T = 6 y 12 horas.

47

Figura 29 Pronstico estocstico en Puente Balseadero a resolucin horaria. T = 1,3, 6 y 12 horas

48

PteBalseadero (2104701)
1.2

1
0.9

MinAMI=0.95

0.8
0.7

MaxS/s ? =0.8
0.8

0.6
I
M0.5
A
0.4

0.6

a
lt
e
D
a
m
ig
/S
S

0.4

0.3
0.2

0.2

AMI

0.1

S/s?

0
0

10

12

14

Frecuencia de muestreo (horas)

Figura 30. Estimacin de la frecuencia ptima de muestreo en la estacin Puente Balseadero.

2.5.

Viabilidaddelospronsticosyanlisisderesultados

Las siguientes tablas resumen los resultados de desempeo de los modelos basados en
operadores de transicin para la emisin de pronsticos hidrolgicos en los casos de
pronsticohorarioydiario.Segnloscriteriosadoptados(S/<0.8 y AMI > 0.95),aescalas
horarias,en9delas11estacionesevaluadasesviablelaimplementacindeunsistemade
pronsticoentiemporealaresolucinentre1a12horas.Enlospronsticosdiarios,en5de
las8estacionesevaluadasseidentificaronmodelosdepronsticosatisfactorios.
Tabla 4 Viabilidad de implementacin de los pronsticos de resolucin horaria en las estaciones evaluadas

AMI
Estacin

Horizonte(Das)

S/

Horizonte(Das)

Viabilidaddelpronstico
basadoenAOM
Horizonte(Das)

14

14

14

1.00

0.99

0.99

0.62

0.67

0.72

Viable

Viable

Viable

0.95

0.61

0.76

0.90

Viable

PuertoAraujo

0.95

0.89

0.82

0.79

0.91

0.85

Viable

PuertoBerrio(2309703)

0.94

0.97

0.87

0.82

0.70

0.82

Viable

ElBanco(2502702)
Nario(2123701)

PuertoSalgar(2303701)

0.95

0.76

0.79

0.83

Viable

Purificacin(2502702)

0.72

0.83

0.62

0.92

0.89

0.85

Puente.Balseadero(2104701)

0.48

0.85

0.65

0.92

0.76

0.77

SaladoBlanco(2101704)

0.66

0.74

0.53

0.86

0.88

0.74

49

Tabla 5 Viabilidad de implementacin de los pronsticos de resolucin horaria en las estaciones evaluadas

Estacin

AMI

S/

Viabilidaddelpronstico
basadoenAOM

Frecuenciade
muestreo(Horas)

Frecuenciademuestreo
(Horas)

Frecuenciademuestreo(Horas)

12

12

12

Viable

Bolombolo(2620708)

0.99 0.97 0.92

0.768

0.955

0.816

Lacoquera(2624702)

1.00 0.98 0.95 0.91

0.759

0.762

0.855

0.857

Viable

Viable

ElBanco(2502702)

1.00 1.00 1.00 1.00

0.913

0.703

0.656

0.616

Viable

Viable

Viable

Narino(2123701)

1.00 0.99 0.94

0.500

0.628

0.858

Viable

Pte.Balseadero(2104701)

0.90 0.95 0.82 0.48

0.988

0.774

0.828

0.919

Viable

PtoAraujo(2312702)

1.00 0.94 0.97 0.93

0.738

0.953

0.845

0.790

Viable

Pto.Berrio(2309703)

0.90 0.95 0.82 0.48

0.812

0.725

0.874

0.818

Pto.Salgar(2303701)

1.00 0.99 0.98

0.436

0.533

0.520

Purificacin(2502702)

1.00 0.97 0.86 0.72

0.553

0.878

0.917

SaladoBlanco(2101704)

0.98 0.93 0.83 0.66

1.107

1.116

LaVictoria(2610707)

1.00 1.00 0.99 0.97

1.033

0.849

Viable

Viable

Viable

Viable

0.925

Viable

0.915

0.858

0.923

0.964

En la cuenca del Ro Magdalena (Vase Figuras 31 y 32), sobre el anlisis comparativo del
desempeodelosmodelosdepronsticoencontradoscabemencionar:

EnlaEstacinelBanco,localizadaenelextremoaguasabajodeltramoanalizado,
son viables los pronsticos en todas las escalas temporales a excepcin de la
frecuencia de muestreo de una hora. Un anlisis detallado de la seal observada
indica que la medicin de los niveles del agua a esta frecuencia de muestreo esta
afectada por errores de cuantizacin del instrumento, pues las variaciones en el
procesoocurrenenescalasinferioresalaprecisindelamedicin(0.01m).Vase
Figura 23a. En estas condiciones la secuencia de observaciones no contiene
suficienteinformacinsobrelastransicionesdeestadodelproceso.

En la estacin Salado Blanco, localizada en extremo aguas arriba del tramo

considerado,noseencontrningnmodeloviableenlasresolucionesevaluadas.

En las estaciones localizadas entre los extremos, se observa una tendencia a

aumentarelnmerodemodelosviablesenlamedidaqueeltamaodelacuenca
esmayor.Sinembargo,noexisteunpatrnquepermitarelacionarlaviabilidadde

50

laimplementacindelmodeloaunaresolucintemporalespecfica(1,3horas,etc)
con la posicin de la estacin en el Rio, es decir, el orden de las estaciones que
indirectamente provee una nocin del tamao de la cuenca aferente, no permite
inferir la viabilidad del pronstico. Sin embargo, cabe aclarar en los modelos
construidos se construyeron a partir de informacin de un nmero limitado de
estaciones hidrolgicas. En la medida que sea posible utilizar informacin mas
completadelaredhidrometeorolgicadelpassepodrevaluarconmayordetalle
laexistenciadeunatendenciaenestesentido.
Por otra parte en la cuenca del Ro Cauca (Vase Figuras 31 y 32), en los pronsticos a
resolucin horaria se observa una situacin similar al Ro Magdalena. En la estacin La
Victoria,localizadamasaguasarribadeltramoconsiderado,nosonviableslospronsticos
enningunodeloscasosconsiderados.Esposiblequelaexplicacindeestasituacinseala
incapacidad de la frecuencia de muestreo actual de capturar con suficiente detalle la
dinmica del proceso, en particular porque en general, entre menor sea el tamao de la
cuenca,sonmenoreslostiemposderespuestadelsistemaaloseventosdelluvia.
Sobrelosresultadosobtenidos,unelementoimportanteloconstituyeidentificarloslmites
delossistemasdemedicinactualparaanticiparlaocurrenciadeeventosextremos.Enlas
cuencas de menor tamao, a la luz del mtodo propuesto, los intervalos de medicin
actuales hacen inviable el pronstico de los eventos extremos del proceso y por lo tanto,
limitan de manera importante la capacidad de implementar un sistema de pronstico en
tiemporeal,enparticularenaplicacionesensistemasdealerta.

51

minAMI/H

1.00
0.90
0.80

AMI/H

0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00

ElBanco
(2502702)

Pto.Berrio
(2309703)

Pto.Salgar
(2303701)

Narino(2123701)

PtoAraujo

Purificacin
(2502702)

Pte.Balseadero
(2104701)

SaladoBlanco
(2101704)

1h

1.00

0.90

1.00

1.00

1.00

1.00

0.90

0.98

3h

1.00

0.95

0.99

0.99

0.94

0.97

0.95

0.93

6h

1.00

0.82

0.98

0.94

0.97

0.86

0.82

0.83

12h

1.00

0.48

0.93

0.72

0.48

0.66

Figura 31 Desempeo de los operadores segn el criterio AMI/H en las estaciones del Ro Magdalena a resoluciones
temporales Horarias.
1.00
0.90

maxS/=0.80

0.80
0.70

S/

0.60
0.50
0.40
0.30
0.20
0.10

ElBanco
(2502702)

Pto.Berrio
(2309703)

Pto.Salgar
(2303701)

Narino(2123701)

PtoAraujo

Purificacin
(2502702)

Pte.Balseadero
(2104701)

SaladoBlanco
(2101704)

0.91

0.81

0.44

0.50

0.74

0.55

0.99

1.11

0.70

0.72

0.53

0.63

0.95

0.88

0.77

1.12

0.66

0.87

0.52

0.86

0.84

0.92

0.83

0.91

12

0.62

0.82

0.79

0.92

0.92

0.86

Figura 32 Desempeo de los operadores segn el S/ en las estaciones del Ro Magdalena a resoluciones temporales
Horarias.

52

1.00
0.98

minAMI/H=0.95

AMI/H

0.96
0.94
0.92
0.90
0.88
0.86

Lacoquera(2624702)

Bolombolo(2620708)

LaVictoria(2610707)

1h

1.00

0.99

1.00

3h

0.98

0.97

1.00

6h

0.95

0.92

12h

0.91

0.99

0.97

Figura 33 Desempeo de los operadores segn el AMI/H en las estaciones del Ro Cauca a resoluciones temporales
Horarias.
1.00
0.90

maxS/=0.8

0.80
0.70

S/

0.60
0.50
0.40
0.30
0.20
0.10

Lacoquera(2624702)

Bolombolo(2620708)

LaVictoria(2610707)

0.76

0.77

1.03

0.76

0.95

0.85

0.85

0.82

0.92

12

0.86

0.96

Figura 34 Desempeo de los operadores segn el S/ en las estaciones del Ro Cauca a resoluciones temporales
Horarias.

53

3. APLICACINDELMTODODEEXTRACCINDEOPERADORESDE
TRANSICINDEESTADOENLADECODIFICACINDECAUDALES
Enestecaptulosepresentaunaaplicacindelmtododeextraccindeoperadoresenla
decodificacindecaudales.El desarrolloaqupresentadoesta motivadoporlaposibilidad
prcticadeofreceralternativasalprocedimientobasadoenlacurvadecalibracinparala
estimacindeloscaudalesapartirdelamedicinsistemticadelosnivelesdeaguaenuna
corrientenatural.

3.1. Efectodelprocesocodificacindecodificacinenlaincertidumbredela
medicindecaudales
La observacin de las seales generadas por un sistema hidrolgico puede describirse de
manera general mediante el esquema de comunicacin propuesto por (Shannon 1948)
mostrado en la Figura 35. Sin embargo, debe considerarse que en el caso de un sistema
hidrolgico la seal "real" se encuentra oculta para el observador. Un ejemplo de esta
situacineslamedicindeseriesdetiempodecaudales:Unobservador"ve"elCaudal Q t
en un punto de la corriente tras realizar un proceso de codificacin en trminos del nivel
medidodelaguahtyunalafuncindedecodificacin Qt = f ( ht ) .Laeficienciaobondadde
esteprocesodecodificacindecodificacinpuedeestimarsedeformacuantitativacomola
informacinmutuapromedio I (Q; Q t ) ,quemidecuantainformacindelavariable"real"Q
(oculta)estcontenidaenelvalorestimado Q t = f (ht )

Figura 35. Esquema de la comunicacin aplicado a la observacin de un proceso hidrolgico.

54

Convencionalmente la funcin de decodificacin Q t = f ( ht ) es una expresin de la forma

(Rantz1982):

Q = a (H z ) b

(13)

dondeQeselcaudal,(Hz)esladiferenciaentrelacotadelaguaylacotadeflujocero,yay
bsoncoeficientesquecontieneninformacinempricasobrelascaractersticasdelaseccin
hidrulica.Laecuacin(13)suponeunarelacinbiunvocaentreloscaudales"reales"ylos
nivelesenelpuntodondeserealizalamedicindelnivel,quegeneralmentesedetermina
ajustando una curva a puntos conocidos de registros de nivel y caudal, obtenidos en
campaasdeaforo.
800

500
450

700

400
600
350
300
(H-z) (cm)

(H-z) (cm)

500

400

250
200

300

150
200
100
100

50

0
0

200

400

600

800

1000

1200

100

Caudal (m 3/s)

200

300

400

500

Caudal

Figura 36 Campaas de aforo realizadas en la estacin Juanchito. Fuente IDEAM.

LaFigura36muestralosdatosdeunaseriedecampaasdeaforoenlaestacinJuanchito,
localizadaenelRoCauca,sealandomedianteunalneaentrelospuntoslasecuenciade
lasmediciones.Enestagrficaseevidenciaunadispersinentrelosdatosobservadosque
implica que no existe una decodificacin nica del caudal Q dado un nivel h, es decir,
Q t = f ( ht ) noconduce aunaestimacinprecisa deQ.Inclusoenlosdatostomadosen un

mismoao(grficadeladerecha)losdatossucesivosconQsimilarocurrenanivelesmuy
diferentes.Enelrecuadrorojo,lasdiferenciasalcanzan90m3/senrelacinconcaudalesdel
ordende250m/s,loqueindicaunrangodeincertidumbredeaproximadamente35%.Esta
variabilidadsedebeamuchosfactores,entreotros,elmtododeaforo,lavariabilidaddela

55

geomorfologadelcauceyparticularmente,alefectodelasfuerzasdeinerciadelaondade
unacrecienteenlarelacinnivelcaudal.
Elestudiotericodelafsicadelprocesodeflujomediantelasecuacionesdeondadinmica
deSaintVennant(DHI2007),ofreceunaposibleexplicacinaestasituacinobservada.La
solucindelasecuacionesencondicionesdeflujonopermanenteniuniforme,demuestra
la existencia de ciclos de histresis en la relacin de caudal nivel, que conducen a las
relacionesde"variosavarios"observadasenlosdatosdelascampaasdeaforo.LaFigura
37 muestra un ejemplo de solucin de las ecuaciones de flujo para el trnsito de un
hidrograma en una corriente natural a resolucin temporal horaria, realizada con el
softwareMike11(DHI2007).Aestaescalatemporal,lahistresisdemuestraunasecuencia
ordenadadevaloresdeQHqueconcuerdademanerageneralconlasituacinobservada
enlascampaasdeaforo.

Figura 37 Puntos de Caudal y Nivel

3.2.

56

DiseoExperimental

La existencia de una secuencia con estructura temporal de estados del nivel caudal en el
sistemahidrolgicosuponelaposibilidaddeimplementarunmodelodeespaciodefaseque
asimile la dinmica observada de h en una funcin de decodificacin de los caudales. El
experimentopropuestoeselsiguiente:

Figura 38 Diseo Experimental para la definicin de una funcin de decodificacin de caudales basada en un modelo de
espacio de fase.

1. Solucindeunmodelohidrulicodeondadinmicaenuntramodeunacorriente
natural de condiciones de frontera conocidas, utilizando el software MIKE 11. De
estasolucin,paraunaseccindecontrolarbitraria,setomanlasseriesmodeladas
decaudal(Qt)ynivel(ht).LosdatosutilizadoscorrespondenaltramodelRioCauca
comprendidoentrelasestacioneslimnimtricasLaBalsayJuanchito(VaseFigura
Figura40)(Sandoval2007).Laseccindeanlisisseubic4648maguasdebajodela
estacinlaBalsa.
La condicin de frontera adoptada es el hidrograma a resolucin 12 horas de la
crecienteiniciadael11deNoviembrede2001quesemuestraenlaFigura39.

57

500.00
450.00
400.00
350.00
s)/
300.00
(m
la 250.00
d
u
a 200.00
C
150.00
100.00
50.00
0.00
1
0
0
2
/
1
1
/
1
1

1
0
0
2
/
1
1
/
2
1

1
0
0
2
/
1
1
/
3
1

1
0
0
2
/
1
1
/
4
1

1
0
0
2
/
1
1
/
5
1

1
0
0
2
/
1
1
/
6
1

1
0
0
2
/
1
1
/
7
1

1
0
0
2
/
1
1
/
8
1

1
0
0
2
/
1
1
/
9
1

1
0
0
2
/
1
1
/
0
2

1
0
0
2
/
1
1
/
1
2

1
0
0
2
/
1
1
/
2
2

1
0
0
2
/
1
1
/
3
2

1
0
0
2
/
1
1
/
4
2

1
0
0
2
/
1
1
/
5
2

1
0
0
2
/
1
1
/
6
2

1
0
0
2
/
1
1
/
7
2

1
0
0
2
/
1
1
/
8
2

1
0
0
2
/
1
1
/
9
2

1
0
0
2
/
1
1
/
0
3

1
0
0
2
/
2
1
/
1
0

1
0
0
2
/
2
1
/
2
0

1
0
0
2
/
2
1
/
3
0

1
0
0
2
/
2
1
/
4
0

1
0
0
2
/
2
1
/
5
0

1
0
0
2
/
2
1
/
6
0

Ttulodeleje

Figura 39 Hidrograma de creciente a resolucin horaria en la estacin La Balsa.

Figura 40 Tramo de Rio Modelado en Mike 11

58

2. Definicin de la curva de gasto de la seccin de control arbitraria: Qt = f 0 (ht ) y

reconstruccindelaseriedecaudalesdecodificadosapartirdelaseriedeniveles.
Laeficienciadelacodificacinestdadapor I (Q ; f 0 (h )) .Esteeselvalorseasume
comoreferenciadelaeficienciadeunmodeloconvencionaldedecodificacinpara
elcasoestudiado.
3. DadaslasseriesdetiempodeQtyht,sedeterminalaformadelamatrizdeestado
Wtparaunoperadordelaforma(9)siguiendoelprocesodelaFigura3.Sedefinela
condicin x 1 j = 0 para j [1, ] quegarantizaqueelcaudalrealestocultopara
eloperadordetransicin.
4. Definicindeunmodeloderegresindelaforma Q t = a( B Wt ) c yreconstruccinde
laseriedecaudalesdecodificadosapartirdelaseriedeniveles.Laeficienciadela
codificacinestdadapor I 1 (Q ; a (B W(t))c ) .
5. Comparacinde I (Q ; f 0 (h )) I 1 (Q ; a (B W(t))c )
y

3.3.

Resultados

La Figura 36muestra los resultados de las series detiempo de caudal y nivel a resolucin
horariaobtenidasenlaseccindeanlisis.

59

978

500
450

Caudal (m3/s)

400

Cota (m)

977

350

975

250
200

m.s.n.m

976

300

974

150
100

973

50
0

972
1

73 145 217 289 361 433 505 577 649 721 793 865 937 1009 1081 1153
Tiempo

Figura 41 Solucin de la onda dinmica en la seccin de control considerada

El algoritmo de optimizacin del operador adaptativo, se encuentra una funcin de

decodificacindelaforma:

[Q ] = {L [W (t )]} = B W(t) + c
t

te

ht
Wt = ht 1
ht 2

con
B = [118 192 86]

c te = 12075

EnlaFigura37semuestranrespectivamentelosresultadosdedecodificacindelacurvade
gasto y del modelo de espacio de fase. En el caso de la decodificacin convencional se
obtieneuncriteriodedesempeodeAMI=0.998.Encomparacin,eloperadordeespacio
de fase muestra un AMI de 0.984, inferior al mtodo convencional. El principal
inconvenienteobservadoconladecodificacinpropuestaeslaperdidadeescalaentrelos
caudales decodificados y tericos. No obstante, a pesar que segn el criterio de

60

optimizacin establecido el mtodo ofrece resultados no satisfactorios, se observa que el

mtodopropuestoreduceelefectodelahistresisenladecodificacin.

Figura 42 Diagramas de dispersin de caudal decodificado vs caudal terico en la seccin de control. (a) Curva de gasto
(b) Decodificador de espacio de fase

61

CONCLUSIONES
Este trabajo propone y evala un marco de modelacin matemtica de las transiciones
observadas en seales de sistemas hidrolgicos, que segn la definicin adoptada en
relacinconlacomplejidaddeunsistema,constituyensistemasdecomplejidadalgortmica
significativa.Enestesentido,elprincipalaportesedeestetrabajosedesarrollaentornoa
doselementosfundamentales:

La adopcin de un mtodo que permite identificar a partir de informacin

disponible:(1)unadescripcindelestadodelsistemaentrminosdecomponentes
desealesobservadasy(2)reglaslocaleseneltiempoparapredecirlastransiciones
dedichoestado.

Lacapacidadoperativadedesarrollarmodelosdepronsticohidrolgicodeniveles
deaguaycaudalesencorrientesnaturales.

Laconstruccindelmtodosebasaenelsupuestodelacapacidaddedescribirenelcorto
plazo las transiciones observadas de los estados de un sistema hidrolgico complejo en
trminos de transformaciones lineales locales. En su mayora, los resultados obtenidos
validanestesupuesto.Eneldiseodelsistemadepronsticoentiemporeal,enelcasode
pronsticosaresolucioneshorarias(1,3,6y12)en9delas11estacionesconsideradasse
logr definir pronsticos viables, tomando en consideracin criterios de precisin del
pronstico y de capacidad de superar la inercia de la seal. En el caso de pronsticos a
resolucionesdiarias(1,3y14das),en5de8estacioneslosresultadosfueronsatisfactorios.
El principal inconveniente en el caso de los pronsticos diarios es la incapacidad de
garantizar el criterio de AMI sub optima > 0.95, es decir, un pronstico suficientemente
preciso. Otros inconvenientes se relacionan con la incertidumbre por cuantizacin
observadosenlassealeshidrolgicasaresolucionestemporaleshorarias(Vaseestacin
ElBanco),queindicanquelaprecisinactualdelosinstrumentosdemedicindenivelesno
capturaeldetalledelasvariacionesdeestadoenelsistema.

62

El mtodo se basa en una aproximacin matemtica que conduce a modelos adaptativos

computacionalmentesimples.Estacaractersticaofrecealgunosatributosinteresantespara
aplicacionesdepronsticoentiemporeal.Elprimeroymsimportanteeslacapacidadde
ajustarsecontinuamenteysinsupervisinadinmicasnoestacionariasdelsistemaoincluso
construirnuevosmodelosencasosdefallasenlosprocesosdetransmisinoasimilacinde
informacin.Porejemplo,enlaaplicacindelmtodoenelpronsticodenivelesycaudales
en las estaciones estudiadas, la ejecucin del proceso exhaustivo de identificacin del
operadorptimotomenpromediomenosde2minutosparahorizontesdepronsticode
horas y hasta 14 minutos en pronsticos de 14 das. As mismo, en el mtodo es
transparente la evaluacin y adopcin de variables con estructura temporal como
predictores. Esto desde una perspectiva operacional, conduce a identificar desde la
perspectiva de optimalidad del pronstico relaciones causa efecto que permitan inferir
algunas propiedades de los fenmenos estudiados. Por ejemplo, en la modelacin de
niveles,elprocesodeidentificacindelaformadeloperadorptimoconduceaidentificar
entre las seales observables de precipitacin, los componentes que contienen mayor
informacinsobrelaescorrentaenunhorizontedetiempodado.
Desdeelpuntodevistaoperacional,laadopcindeunesquemaprobabilsticoenelmtodo
robustece su aplicabilidad pues permite al modelador aceptar el grado de certidumbre
sobrelainformacinqueproveeyademsgarantizaqueelusuarioconocelaincertidumbre
altomarlasdecisiones.
Laaplicacindelmtodocondujodeformaempricaaunaaproximacinoperativaparala
definicin de la frecuencia de muestreo ptima de sistemas hidrolgicos con fines de
pronstico. Esta aproximacin est relacionada con el teorema de capacidad de canal
propuesto por Shannon, en particular con el efecto de la frecuencia de muestreo o de la
resolucintemporaldelasealconlacapacidaddedescribirlaprecisinlastransicionesde
estado de un sistema, es decir, con la minimizacin del efecto del ruido en la emisin del
pronstico.
Con respecto a la implementacin de un decodificador de caudales basado en un modelo
AOM, aqu se propone una tcnica para estimar una relacin funcional entre los caudales

63

"reales"enunacorrienteconlosnivelesdelasuperficiedelaguabasadaoperadoresAOM.
Semanerageneral,seencontrquesegnelcriteriodedesempeopropuestoAMI>0.95
la tcnica es aplicable y conduce a una reduccin del efecto de la histresis en la
decodificacindelcaudal.Sinembargo,enlosresultadosseobservaunaperdidadeescala
enlosvaloresdecodificados,situacinquehaceimposiblelaaplicacindelmtodo.
Recomendacionessobreeldesarrollodelainvestigacin
Con miras al desarrollo de la tcnica aqu presentada, algunos elementos que pueden ser
objetodeinvestigacionesposterioresson:

Formalizacin matemtica del concepto de capacidad de canal y el efecto de la

relacin seal a ruido (SNR) en las frecuencias de muestreo ptimo de sistemas
hidrolgicos.

Definicindeunmtododevalidacindelpronsticoprobabilsticoymejoramiento
de procedimiento para definir el componente aleatorio en la ecuacin diferencial
estocstica

Anlisisdetalladodelainfluenciadelafrecuenciademuestreoenlaprecisindel
pronstico y de las propiedades de escalamiento de la frecuencia ptima de
muestreo.

Extender el anlisis de las frecuencias de muestreo ptimas y el numero de

estaciones consideradas como predictores del mtodo para proponer una
metodologa de optimizacin de la red de monitoreo hidrolgico con miras a la
implantacindesistemasdealertaporeventosextremos.

64

BIBLIOGRAFA

Ames, W. F. (1977). Numerical Methods for Partial Differential Equations, Section 1.6
NewYork,AcademicPress.
Appolov,B.,etal.(1974).Kursguidrologuicheskijprognozov.Leningrad.
Box,G.,J.Gwilym,etal.(2008).TimeSeriesAnalisis,Wiley&Sons.
Casdagli, M., S. Eubank, et al. (1991). "State space reconstruction in the presence of
noise."PhysicaD:NonlinearPhenomena51(13):5298.
Cover,T.T.,Joy(1991).ElementsofInformationTheory,Wiley.
DHI(2007).MIKE11,DanishHydraulicInstitute.
Dominguez, E. (2005). "Pronstico probabilistico de afluencias para la evaluacin de
riesgosenembalseshidroelctricos."Avancesderecursoshdricos(12):25.
Dominguez, E. (2007). "Protocolo de modelacin matemtica." Retrieved 102008,
2008,fromhttp://mathmodelling.googlepages.com/.
Dominguez, E., H. Angarita, et al. (2009). Hydrological Risk Modeling using adaptive
operators. Overview and Applications. VIII Hydroinformatics International
ConferenceConcepcin,Chile,IAHR;IAHS.
Fernndez,H.,M.Guijarro,etal.(1994).Distribucinnormalndimensional.Clculode
probabilidadesdeestadstica,Ariel.
Frank, T. D., P. J. Beekb, et al. (2004). "Identifying noise sources of timedelayed
feedbacksystems."PhysicsLettersA(328):219224.
Friedrich, R., S. Siegert, et al. (2000). "Extracting model equations from experimental
data."PhysicsLettersA(271):217222.
Gardiner,C.W.(2004).Handbookofstochasticmethods.NewYork,Springer.
Hunt, B. R.,E. J. Kostelich, et al. (2007). "Efficient data assimilation for spatiotemporal
chaos:AlocalensembletransformKalmanfilter."PhysicaD(230):112126.
Juke,J.P.(2006).EmbedingNonLinearDynamicSystems,AguidetoTakens'theorem
Manchester,TheUniversityofManchester.
Kalman, R. E. (1960). "A New Approach to Linear Filtering and Prediction Problems."
JournalofBasicEngineering(82D):3545.
Rantz, S. E. (1982). "Measurement and computation of steam flow. Measurement of
stagedischarge."UsGeologicalSurveyWaterSupply:284.
Sandoval,M.(2007).ElrioCaucaensuvallealto.Cali,EditorialUniversidaddelValle.
Shannon,C.(1948)."Amathematicaltheoryofcommunication."
Shannon,C.(1959)."Communicationsinthepresenceofnoise."IEEETransactions.
Takens,F.(1981)."Detectingstrangeattractorsinturbulence."Dynamicalsystemsand
turbulence(898):366381.
Wagener, T. and H. Gupta (2005). "Model identification for hydrological forecasting
under uncertainty." Stochastic Environmental Resources Risk Assessment(19):
378387.

65