T4 Calibracion e Indicadores

Calibracin de
un modelo hidrolgico e
indicadores de eficiencia
Javier GARCA HERNNDEZ
SEMINARIO DE FORMATION EN MODELIZACION

HIDROLOGICA E HIDRAULICA CON RS MINERVE
Cusco, 3 de octubre de 2016

1. Introduccin
2. Funcin objetivo e indicadores de eficiencia
3. Calibracin de cuencas
4. Metodologa y algoritmos de calibracin
5. Calibracin vs validacin
1. Introduccin
1. Introduccin
Calibracin y validacin de un modelo hidrolgico
Calibracin: Operacin que consiste en determinar los

valores de los parmetros en un modelo hidrolgico que
minimizan los errores de modelizacin (en comparacin con
los valores observados).
Validacin: Operacin realizada despus de la calibracin e

indispensable para la utilizacin de un modelo hidrolgico,
que consiste en evaluar la calidad del modelo sobre un
conjunto de datos que no han sido utilizados en la fase de
calibracin.
4
1. Introduccin
Tipos de calibracin/validacin
Manual Visual
Manual Indicadores de eficiencia
Automtica Indicadores de eficiencia
Mixta (automtica y manual)
5
1. Introduccin
Funcin objetivo
Funcin constituida por uno o varios indicadores de

eficiencia definidos por el usuario y que permite, durante la
calibracin, comparar el error de las series de caudales
simulados respecto a los observados y definir el juego de
parmetros ptimo.
6
1. Introduccin
javier.garcia@crealp.vs.ch
Funcin objetivo
Si se considera un solo indicador de eficiencia, la funcin
objetivo (G) se representa de la siguiente manera :
G max(F )
donde
F es el indicador de eficiencia.
7
1. Introduccin
Funcin objetivo
Si la funcin objetivo (G) es multi-objetivo, se representar
generalmente de las formas siguientes:
n n n 2
G max wi Fi G max wi Fi G max wi Fi
i 1 i 1 i 1
donde
Fi son los indicadores de eficiencia considerados en el calculo de la

funcin multi-objetivo,
wi son los pesos atribuidos a cada indicador.
8
1. Introduccin
Eficiencia del modelo
Cul es el objetivo del modelo?
De qu manera estamos realizando la calibracin y su el

anlisis?
Qu se gana (o pierde) con la mejora de la eficiencia del

modelo?
stas son las preguntas que se tienen que responder antes

de saber si el modelo es til o no!!!
9
1. Introduccin
Metodologa de trabajo
Qu datos tenemos? Qu cuenca?
Qu modelo queremos utilizar? Lo conocemos?
De cunto tiempo disponemos?
stas son las preguntas que el hidrlogo se tiene que

plantear para encontrar la metodologa que se adapte a su
cuenca y a sus necesidades!!!
10
Funcin objetivo
Funcin objetivo (OF) multi-objetivos:
n n
OF max wi Fi w j F j

i 1 j 1
donde
Fi y Fj son los indicadores de eficiencia considerados en el

clculo de la funcin multi-objetivos,
wi y wj son los pesos adjudicados a los distintos

indicadores.
12
Indicadores de eficiencia
Nash tf
Mide cunto de la variabilidad de sim,t ref ,t

(Q Q
t t i
) 2
Nash 1
las observaciones es explicada por tf
la simulacin ref ,t ref

(Q
t t i
Q ) 2
Nash-ln
Similar al Nash pero tiene en
cuenta el logaritmo de los tf
caudales, dndole de esta manera

(ln( Q
t ti
sim ,t ) ln( Qref ,t )) 2
Nash ln 1 tf
una mayor importancia relativa a (ln( Q ) ln( Q ref )) 2
ref ,t
los caudales pequeos t ti
13
Pearson Correlation Coefficient

tf
Expresa la dependencia lineal (Q sim, t Q sim ) (Qref ,t Q ref )
t ti
entre los valores simulados y Pearson
tf tf
los observados y se (Q
t ti
sim, t Q sim ) (Qref ,t Q ref ) 2
2
t ti
recomienda cuando se espera
una relacin lineal entre esos
valores
Kling-Gupta Efficiency
Proporciona un indicador
= 1 (r 1)2 + ( 1)2 + ( 1)2
global basado en diferentes
componentes (correlacin,
error y variabilidad)
14
Bias Score
2
Proporciona un indicador no Q sim Q ref
BS 1 max( , ) 1
lineal que depende de los Q ref Q sim
caudales medios simulados y
observados
RRMSE
tf
Mide el error cuadrtico medio (Q
t ti
sim,t Qref ,t ) 2
relativo y cuantifica la magnitud
RRMSE n
de la desviacin de los valores Q ref
simulados respecto a los
observados
15
RVB (Relative Volume Bias) tf
Indica el sesgo relativo entre el

(Q
t ti
sim,t Qref ,t )
RVB tf
volumen del hidrograma simulado y
el del observado
(Q
t ti
ref ,t )
NPE (Normalized Peak Error) Smax Rmax

NPE
Error normalizado de pico de caudal Rmax
16
Rango de Valor
Indicador Peso valores ideal
Nash w1 - a 1 1
Nash-ln w2 - a 1 1
Pearson Correlation Coefficient w3 -1 a 1 1
Kling-Gupta Efficiency (KGE) w4 0a1 1
Bias Score (BS) w5 0a1 1
Relative Root Mean Square Error (RRMSE) w6 0 a + 0
Normalized Volume Bias (NVB) w7 - a + 0
Relative Peak Error (RPE) w8 - a + 0
OF max( Nash w1 Nashln w2 Pearson w3 KGE w4 BS w5 RRMSE w6 NVB w7 RPE w8 )
17
Calibracin de cuencas
B
B
A B
A C
A 1
C
D
D C
D 2
E E
3 E
19
Calibracin de cuencas en serie
Se calibran todas las cuencas

B
al mismo tiempo. A
C
D
20
Las sub-cuencas A+B+C+D

B
se calibran al mismo tiempo. A
La sub-cuenca E, en serie C
con las otras, se calibra D

2
posteriormente.
E
21
Sub-cuencas A+B estn

B
en serie con C+D y tambin A
1
con E. C
Se calibra primero A+B, D

2
a continuacin C+D y
E
finalmente E.
3
22
Calibracin de cuencas en paralelo
Todas las sub-cuencas

B
independientes y tienen A B
A
su punto de calibracin y C
se calibran D
C
D
independientemente.
E
23
Calibracin de cuencas en paralelo y en serie
Sub-cuencas A y B estn
B
en paralelo y se calibran A B
A
independientemente. C
A y B se encuentran en serie D
2
con C+D, que se calibran
E
posteriormente.
Finalmente se calibra E, que
3
est en serie con las precedentes.
24
Calibracin de cuencas en serie y en paralelo
Sub-cuencas A+B se calibran

B
conjuntamente y en primer lugar. A
1
Sub-cuencas C y D se C
encuentran en serie con A+B, D

C
D
pero en paralelo entre ellas.
E
Se calibran independientemente
3
una vez calibrado A+B.
Se calibra E, en serie con las
precedentes.
25
Optimizacin automtica: algoritmos

Shuffled Complex Evolution University of Arizona (SCE-UA)
Mtodo global de optimizacin para obtener el mejor juego de

parmetros en un sistema complejo
Empezar desde una muestra aleatoria
Evolucin continua de la poblacin
Convergencia de a muestra a la solucin optima
27

PASO 1 PASO 5
Generar muestra Mezclar los complejos
PASO 2 PASO 6
Numerar puntos Verificar el criterio de
PASO 3 convergencia
STEP 4
Particin en complejos Evolucin del complejo
Reflexin Contraccin Mutacin
28

PASO 1 PASO 5
Generar muestra Mezclar los complejos
PASO 2 PASO 6
Numerar puntos Verificar el criterio de
PASO 3 convergencia
STEP 4
Particin en complejos Evolucin del complejo
PASO 2
Numerar puntos
PASO 3
Particin en complejos
PASO 4
Evolucin del complejo
29

PASO 5
PASO 2 Shuffle complexes
Numerar puntos PASO 6
PASO 3 Check convergence
Particin en complejos criteria
PASO 4
Evolucin del complejo
30

31

Valor por
Algoritmo Nombre Unidad Descripcin
defecto
MAXM - Numero mximo de iteraciones 10000
NGS - Numero de complejos 3
Numero de bucles de mezclado
KSTOP - 10
hasta convergencia
SCE-UA
Criterio de parada para los
PCENTO - 0.1
bucles de mezclado
PEPS - Parmetro de convergencia 0.001
SEED - Valor semilla Aleatorio
32

Uniform Adaptive Monte Carlo (UAMC)
Inspirado en los experimentos de Monte Carlo, que se basan en la

realizacin de muestras aleatorias para obtener un conjunto de
resultados, donde se busca el optimo.
Modificado para optimizar iterativamente en un espacio de soluciones

optimo cada vez ms pequeo. Para ello, por cada grupo de
simulaciones, se busca el rango de cada parmetro que proporciona los
mejores resultados, y se adapta para el siguiente grupo de simulaciones
hasta converger al optimo.
33

Uniform Adaptive Monte Carlo
PASO 4
Seleccionar
nuevo rango
PASO 1
Generar muestra
PASO 2
Ordenar los valores de
la funcin objetivo
PASO 3
Verificar el criterio de
convergencia
34

PASO 4
Seleccionar
nuevo rango
PASO 1
Generar muestra
PASO 2
la funcin objetivo
PASO 3
convergencia
35

PASO 1
Generar muestra
PASO 2
la funcin objetivo
PASO 3
convergencia
36

37

Valor por
defecto
Nmero mximo de
MAXN - 2000
iteraciones
Nmero de iteraciones por
ITGR - 100
grupo
Numero de mejores valores
UAMC NUMBEST - tenidos en cuenta para el 5
prximo grupo de iteraciones
Coeficiente adicional del
COEFRANG - 0.1
rango
ERR - Parmetro de convergencia 0.001
SEED - Valor semilla Aleatorio
38

Hipercubo latino + Rosenbrock
Potente herramienta para la optimizacin de problemas complejos.
El hipercubo latino permite un muestreo bien distribuido y

pseudoaleatorio en el espacio de soluciones en funcin de la dimensin
del problema.
Los mejores resultados del hipercubo latino son los puntos de partida del
algoritmo de Rosenbrock, cuya ventaja reside en la rapidez a la hora de
obtener valores ptimos cercanos. ste se basa en una bsqueda por
gradientes, realizando cambios de ejes segn la direccin de mxima
mejora, reduciendo as el nmero de evaluaciones de la funcin objetivo.
39

40

41

42

Valor por
defecto
Nmero mximo de
MAXN - 2000
iteraciones
Divisiones del hipercubo
DivLHC - 100
latino
SEED - Valor semilla 5
Nmero de lanzamientos de
CLHR RLAUNCHES - 0.1
Rosenbrock
ALPHA Coeficiente de avance
BETA Coeficiente de retroceso
Nmero de subdivisiones del
STEPROS - 0.001
rango de los parmetros
ERR - Parmetro de convergencia Aleatorio
43
Procedimiento general de calibracin

Conocer el modelo y sus parmetros
Realizar una primera calibracin manual a la salida de la cuenca
Analizar grficamente
Realizar un anlisis de sensibilidad
Ajustar los parmetros automticamente utilizando una calibracin
automtica
Evaluar los parmetros obtenidos teniendo en cuenta su interpretacin
fsica
Validar los resultados de cada uno de los tanques del modelo para
determinar si su variacin es consistente con la realidad
Elegir los mejores parmetros de calibracin basndose en el anlisis
grafico, los indicadores de eficiencia y la interpretacin fsica
Efectuar la validacin del modelo evaluando otros periodos de tiempo y
verificando el resultado en los objetivos del estudio y para las cuatro
estaciones del ao
44
Configuracin de la calibracin
Calibracin nica:
Calibracin estndar: Una o ms

B
zonas, con una estacin de aforo aguas
abajo, calibradas con los mismos A
parmetros para todas las zonas.
Calibracin por zonas: Una o ms

zonas con una estacin de aforo aguas B
abajo, calibradas con diferentes A

parmetros para cada zona.
Calibracin regional: Una o ms

zonas, con varias estaciones de aforo B
aguas abajo, calibradas con los mismos
A
parmetros para todas las zonas
45
Configuracin de la calibracin
Calibracin mltiple:
B F
Cuencas no conectadas entre s: A
E
Varias cuencas independientes C G
pueden ser calibradas al mismo D
tiempo (mismo orden de importancia).
B
Cuencas en serie de aguas arriba a
A
aguas abajo: las cuencas son
C
dependientes y tienen que ser D
calibradas en serie desde aguas
arriba hasta aguas abajo E
46
Anlisis de los resultados
Anlisis grfico
Anlisis cualitativo basado en diferentes puntos de vista:

Caudal de base
Crecidas
()
47
Anlisis de los resultados
Anlisis de cada indicador de eficiencia

Anlisis de la funcin objetivo
Anlisis cuantitativo basado en diferentes

posibilidades de calculo:
Para todo el periodo de calibracin/validacin
Indicadores por ao hidrolgico y calculo de
media y desviacin tpica
()
48
Seleccin de los periodos de calibracin y validacin
Calibracin Validacin
50
Seleccin de los periodos de calibracin y validacin
Calibracin y validacin
51
Objectivity in sciences is a myth, in life an impossibility
and in decision making an irrelevance
(Anderson et al., 1977)
52
Gracias por
su atencin

54

T4 Calibracion e Indicadores

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

T4 Calibracion e Indicadores

Transféré par

Droits d'auteur :

Formats disponibles

Calibracin de

SEMINARIO DE FORMATION EN MODELIZACION

Cusco, 3 de octubre de 2016

Calibracin y validacin de un modelo hidrolgico

Calibracin: Operacin que consiste en determinar los

Validacin: Operacin realizada despus de la calibracin e

Manual Indicadores de eficiencia

Automtica Indicadores de eficiencia

Mixta (automtica y manual)

Funcin constituida por uno o varios indicadores de

Fi son los indicadores de eficiencia considerados en el calculo de la

wi son los pesos atribuidos a cada indicador.

Eficiencia del modelo

Cul es el objetivo del modelo?

De qu manera estamos realizando la calibracin y su el

Qu se gana (o pierde) con la mejora de la eficiencia del

stas son las preguntas que se tienen que responder antes

Qu datos tenemos? Qu cuenca?

Qu modelo queremos utilizar? Lo conocemos?

De cunto tiempo disponemos?

stas son las preguntas que el hidrlogo se tiene que

Fi y Fj son los indicadores de eficiencia considerados en el

wi y wj son los pesos adjudicados a los distintos

Mide cunto de la variabilidad de sim,t ref ,t

la simulacin ref ,t ref

caudales, dndole de esta manera

Pearson Correlation Coefficient

RVB (Relative Volume Bias) tf

Indica el sesgo relativo entre el

NPE (Normalized Peak Error) Smax Rmax

OF max( Nash w1 Nashln w2 Pearson w3 KGE w4 BS w5 RRMSE w6 NVB w7 RPE w8 )

Calibracin de cuencas en serie

Se calibran todas las cuencas

Calibracin de cuencas en serie

Las sub-cuencas A+B+C+D

con las otras, se calibra D

Calibracin de cuencas en serie

Sub-cuencas A+B estn

Se calibra primero A+B, D

Calibracin de cuencas en paralelo

Todas las sub-cuencas

Calibracin de cuencas en paralelo y en serie

est en serie con las precedentes.

Calibracin de cuencas en serie y en paralelo

Sub-cuencas A+B se calibran

encuentran en serie con A+B, D

Optimizacin automtica: algoritmos

Mtodo global de optimizacin para obtener el mejor juego de

Optimizacin automtica: algoritmos

Reflexin Contraccin Mutacin

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Inspirado en los experimentos de Monte Carlo, que se basan en la

Modificado para optimizar iterativamente en un espacio de soluciones

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Optimizacin automtica: algoritmos

Potente herramienta para la optimizacin de problemas complejos.