Académique Documents
Professionnel Documents
Culture Documents
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
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.
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
10
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
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)
1.2.
CaractersticasgeneralesdelmtododeoperadoresadaptativosAOM
Vasecaptulo3deestedocumento
14
1.3.
Enfoqueadaptativoparalaextraccindeoperadoresdetransicin
~ ~
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)
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):
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
(9)
k =1 j =1
(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.
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:
(12)
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)
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:
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:
(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.
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
1.7.
Ejemplos
En esta seccin de presentan dos ejemplos de aplicacin del mtodo. El primero de ellos
consisteenidentificareloperadordetransicindelatractordeLorenz,unsistemacatico
determinstico.Lasegundaaplicacineslaidentificacindeunmodelodepronsticodela
25
Conlosparmetros=10,=8/3and=28yt=0.001.VaseFigura7.
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)
28
Finalmente,elcomponenteprobabilsticodelasealquereproducelaincertidumbredelos
pronsticosseestimautilizandolaecuacin(9).LosresultadosaparecenenlaFigura10:
0.0032
rxi =
0.8984
0.0274
0.0148
0.0274 90.0476
K =
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
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
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
33
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
35
Figura 16 Estaciones limnigrficas seleccionadas de los ros Cauca y Magdalena
36
2.2.
Comentariossobrelanotacindeoperadoresadaptativos
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
40
41
42
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
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
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
46
47
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
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)
0.768
0.955
0.816
Lacoquera(2624702)
0.759
0.762
0.855
0.857
Viable
Viable
ElBanco(2502702)
0.913
0.703
0.656
0.616
Viable
Viable
Viable
Narino(2123701)
0.500
0.628
0.858
Viable
Pte.Balseadero(2104701)
0.988
0.774
0.828
0.919
Viable
PtoAraujo(2312702)
0.738
0.953
0.845
0.790
Viable
Pto.Berrio(2309703)
0.812
0.725
0.874
0.818
Pto.Salgar(2303701)
0.436
0.533
0.520
Purificacin(2502702)
0.553
0.878
0.917
SaladoBlanco(2101704)
1.107
1.116
LaVictoria(2610707)
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.
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 )
54
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
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.
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
58
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
[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
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:
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
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:
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.
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