Modelo autorregresivo de primer orden aplicado a la prediccin anual

de caudales en la Amazona peruana: cuenca del ro Mayo

Santiago Alberto Casas Luna1,3, Jess Abel Meja Marcacuzco2,3
Universidad Nacional de San Martn Tarapoto, San Martn - Per
2 Universidad Nacional Agraria La Molina, Lima - Per
3 Programa de Doctorado en Recursos Hdricos EPG-UNALM, Lima 37 Per JULIO 2016
1

RESUMEN

ZONA SE ESTUDIO

La estimacin de parmetros de flujos (altura de agua, velocidades y caudales de

escurrimiento), son muy importantes para el tratamiento de la mitigacin de
crecidas, disminucin de la carga de sedimentos y agentes contaminantes del
escurrimiento, propios de los problemas de la gestin de drenajes pluviales en
mbitos urbanos y rurales.

La cuenca del ro Mayo es aproximadamente el 0.14 % del rea total de la cuenca

del ro Amazonas y se ubica al Nor oeste del mismo (Fig.1), geopolticamente se
ubica entre los departamentos de Amazonas, San Martn y Loreto y se extiende por
las provincias de Jumbilla (Amazonas); Rioja, Moyobamba, Lamas y San Martn (San
Martn) y Alto Amazonas (Loreto); el rea de estudio comprende aguas arriba a la
estacin Shanao que abarca una superficie de 8372 km. Su altitud mxima es de
4000 msnm y la mnima 200 msnm. El curso principal se denomina ro Mayo y su
trayecto es de Nor-Oeste a Sur-Este y es uno de los principales afluentes del ro
Huallaga y este a su vez principal afluente del ro Amazonas.

Los mtodos de generacin de series temporales hidrolgicas, se basan en el uso

de los registros histricos como una muestra de la poblacin total. Muchas
series hidrolgicas presentan correlacin serial; esto significa correlacionar una
variable aleatoria X con la misma variable, pero desfasada en un intervalo k de
tiempo. El coeficiente de correlacin as obtenido se denota por x,k y cuando el
desfase es k = 1, el proceso ser de autorregresivo de primer orden, si k = 2, el
proceso es de segundo orden y as sucesivamente. El modelo autorregresivo
normal de primer orden (AR1) es usado ampliamente en la generacin de
caudales anuales.

INTRODUCCION
Los procesos hidrolgicos, tienen caractersticas estocsticas o una
combinacin de procesos determinsticas y estocsticas (Yevjevich, 1972).
El problema frecuente es la insuficiencia de datos hidrolgicos, en la mayora
de casos, se asume que el futuro es estadsticamente similar al pasado y es
sostenido por la hidrologa estocstica (Garca, 2010). La estocasticidad en los
recursos hdricos es doble: La distribucin y los diferentes factores que afectan
al comportamiento del agua en la superficie terrestre (conductividad, flujo de
agua, cubierta vegetal, y otros) le confieren tambin cierta aleatoriedad
(Marco, 1993).

RESULTADOS Y DISCUSION
1.
2.
3.
4.

Las medidas de tendencia central y dispersin son: xm = 408.9945 y sx = 31.9438

Los coeficientes de autocorrelacin hasta k = 16 retardos explica la tendencia (Tabla 2)
A partir del correlograma (fig. 2), el modelo hidrolgico AR1 es modelo estacionaria.
De la serie histrica, se obtiene la serie temporal de caudales anuales generados para
100 aos, en el punto de aforo de la estacin Shanao del ro Mayo (Tabla 2).
5. En la figura 4, 5 y 6 se presenta la serie anual de caudales generados a partir de la
serie histrica de caudales anuales (1983 2013) con distribucin normal, log normal
y gamma para los prximos 100 aos. Del anlisis de las distribuciones de caudales
generados podemos observar que la distribucin log normal, es la que ms se ajusta a
la serie histrica de caudales anuales estudiados. Es decir las series de caudales
generados para 100 aos con distribucin log normal, muestra propiedades
estadsticas similares, que mejor se ajusta a la serie histrica de caudales (Tabla 1).

Existen muchos modelos para la simulacin de caudales, entre los que estn
los modelos estocsticos: AR(p), MA(q), ARMA(p,q) y ARIMA(p,i,q), como los
ms frecuentes (Cadavid, J. et al. 2013).

El objetivo general de este trabajo es desarrollar un modelo autorregresivo de

primer orden aplicado a la prediccin anual (100 aos) de caudales del ro
Mayo, mediante el anlisis de datos histricos, generacin de series
temporales de caudales con distribucin normal, log normal y gamma; con el
fin de lograr una prediccin de caudal confiable.

Figura 3. Tendencia del Correlograma.

Figura 2. Lmites de confianza del correlograma

Tabla 1. Serie Histrica de Caudales ro Mayo

Estacin Shanao Ao Q (m3/s) Ao Q (m3/s) Ao Q (m3/s) Ao

Q (m3/s)

1983
1984
1985
1986
1987
1988
1989
1990

432,611
426,980
428,782
431,446
434,878
444,077
462,400

369,99
373,59
407,75
412,99
401,35
423,51
438,33
451,87

Figura 4. Serie anual de caudales generados con distribucin normal

1991
1992
1993
1994
1995
1996
1997
1998

448,23
456,08
444,82
425,99
413,25
397,12
397,12
366,03

1999
2000
2001
2002
2003
2004
2005
2006

384,77
372,87
362,69
357,52
377,96
370,43
374,94
401,93

2007
2008
2009
2010
2011
2012
2013

Tabla 2. Coeficientes de autocorrelacin

k
1
2
3
4

r
1,0000
0,8824
0,6996
0,5306

k
5
6
7
8

r
0,3161
0,0014
-0,2532
-0,5032

k
9
10
11
12

r
-0,7193
-0,8569
-0,9017
-0,8947

k
13
14
15
16

r
-0,7973
-0,5580
-0,2697
-0,0859

Tabla 3. Caudales anuales generados para 100 aos

ro Mayo Estacin Shanao
Ao Q (m3/s)

Figura 1. Localizacin del rea de estudio y estaciones hidrolgicas

Figura 5. Serie anual de caudales generados con distribucin log normal

METODOLOGIA
La serie histrica (31 aos) para el anlisis, corresponde a caudales mensuales
medidos por SENAMHI (Servicio Nacional de Meteorologa e Hidrologa) en la
estacin de Shanao del Rio Mayo (1983 2013). Se ha elegido el modelo
autorregresivo de primer orden (AR1), conocido tambin como el modelo de
Markov de primer orden (1).
Xi+1 = x + x,1 (Xi x) + 1+1

(1)

Para el proceso autorregresivo (Markov) de primer orden, el coeficiente de

correlacin serial con desfase K est dado por: x,k, = kX,1
(2)
La metodologa para analizar si las series observadas son o no estacionarias,
consiste en obtener, adems de los grficos de las series, los correlogramas
simples o funcin de autocorrelacin simple (FACS) y funcin de autocorrelacin
parcial (FACP). Los coeficientes de autocorrelacin proporcionan informacin
sobre la relacin lineal entre los residuos del modelo separados por k unidades
temporales. Es decir, indican el grado de correlacin entre cada valor del residuo y
los desplazados en k periodos. La verificacin del modelo se realiza observando la
funcin autorregresivo simple (FACS) de los residuos, que es significativamente
nula para cualquier retardo. La esencia bsica para el anlisis estocstico es que el
proceso sea estacionario, es decir, que las propiedades estadsticas del proceso no
varan en el tiempo. As, las propiedades de los registros histricos se pueden
utilizar para derivar series sintticas largas.

Los clculos se realizaron mediante un cdigo computacional en MATLAB.

Figura 6. Serie anual de caudales generados con distribucin gamma

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

369,99
383,31
353,38
325,06
336,13
330,45
345,87
363,47
381,72
374,54
385,34
389,64
404,33
412,94
425,97
421,99
418,25
432,31
397,65
391,40
374,37
372,69
386,71
401,74
387,34

Ao
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

Q (m3/s)
382,81
387,95
386,04
393,27
401,13
388,08
387,88
358,32
381,49
375,27
361,14
362,96
346,90
353,89
351,94
391,39
410,57
372,85
383,74
365,69
366,95
374,37
389,68
387,85
414,03

Ao
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75

Q (m3/s)
406,21
411,46
421,16
421,01
432,84
434,89
420,06
391,62
421,60
411,03
412,35
420,42
420,78
405,80
399,14
398,42
421,90
407,44
419,42
422,83
417,69
400,78
397,47
397,53
376,79

Ao
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100

Q (m3/s)
383,47
374,11
376,80
385,64
374,79
374,48
383,80
359,17
380,60
420,38
433,46
425,84
430,30
412,22
440,07
450,55
457,50
438,63
439,95
427,92
421,01
411,03
395,37
383,32
383,18

CONCLUSION
El desarrollo del modelo autorregresivos (AR1) para la generacin de series anuales
de caudales para 100 aos, a partir de la serie histrica (1983-2013) en el punto de
aforo de Shanao del ro Mayo, con distribucin normal, log normal y gamma, tienen
propiedades estadsticas variables; por lo que, para la fase de simulacin hidrolgica,
se requieren de un mejor ajuste mediante procesos de calibracin y validacin. Sin
embargo, en referencia al punto de aforo Shanao, la generacin de serie anual de
caudales con distribucin log normal, es el que representa mejor acercamiento al
comportamiento de la serie histrica; por lo tanto, ofrece mayor confianza para la
prediccin anual y descripcin del comportamiento del ro Mayo, para 100 aos.
REFERENCIAS BIBLIOGRAFICAS
Cadavid, J., Carvajal, L. 2013. Modelo autorregresivo bilineal aplicado a la prediccin mensual de caudales en Colombia. Medelln, Colombia.
Fiering, M., Jackson, B. 1971. Synthetic Streamflows. Colorado, EE.UU.
Garca, F. P. 2010, Modelacin hidrolgica estocstica: Desarrollo de un modelo de generacin sinttica de series temporales. Santa Cruz, Bolivia.
Marco, J. 1993. Hidrologa estocstica y planteamiento hidrulico en conceptos y mtodos para la planificacin hidrolgica. Barcelona, Espaa.
Marengo, J. A. 2006. On the hydrological cycle of the amazon basin: a historical review and current state of the arty. So Paulo, Brazil.
Molinier, M., Guyot, J. L., De Olivera, E., Guimares, V. 1995. Les rgimes hydrologiques de IAmazone et de ses affluents. Brasilia DF, BrsilYevjevich, V. 1972. Probability and statistics in hydrology. Fort Collins, Colorado, USA.