Pronóstico de crecidas en tiempo real (página 2)

Partes: 1, 2

ANÁLISIS DE LA INFORMACIÓN: CANTIDAD
CALIDAD
PERÍODO CON INFORMACIÓN CONCURRENTE
CONSISTENCIA DE LA INFORMACIÓN
CARACTERIZACIÓN DE LA CUENCA
TRABAJOS PREVIOS A LA MODELACIÓN

Modelos Hidrológicos: Distribuidos o Concentrados
Requieren información detallada espacial y temporal de parámetros y variables
Caracterización de cuencas puede ser mejorada con técnicas modernas
MODELACIÓN

Modelos Meteorológicos
MODELACIÓN

MODELO MM5
Distribución temporal y espacial de la Precipitación.
MODELACIÓN

MM5: Características Generales
El Modelo entrega dos dominios de salida:
45*45 km2
15*15 km2
Se determinan 13 variables en cada celda de la grilla
PPAC Presión
Temperatura HR Td
MODELACIÓN

MODELO SE INICIALIZA A LAS 20 HORAS Y LOS RESULTADOS SON CONOCIDOS A LAS 8AM
MODELACIÓN

SITUACIÓN EN TIEMPO REAL
MODELACIÓN

http://mapas.snet.gob.sv/hidrologia/sat.phtml
SITUACIÓN EN TIEMPO REAL
MODELACIÓN

MODELOS DE PRONÓSTICO
MODELOS CONCEPTUALES
MODELOS ARMA
MODELOS DE FUNCIÓN DE TRANSFERENCIA
MODELOS DE REDES NEURONALES
LÓGICA DIFUSA

Modelos Conceptuales

Modelo Sacramento….
Modelo Swat
Modelo VFlo

MODELOS DE PRONÓSTICO
MODELOS ARMA (p,q)
Son poco usados en tiempo real pues es difícil modelar la persistencia y responder, al mismo tiempo, a bruscas variaciones del caudal debido a una lluvia y al decaimiento gradual posterior.

MODELOS DE PRONÓSTICO

MODELOS DE PRONÓSTICO
MODELOS de FUNCIÓN de TRANSFERENCIA o ARMAX
SISTEMA
ENTRADA
RESPUESTA
SI VARIACIÓN EN LA ENTRADA (X) PROVOCA RESPUESTA RETRASADA (Y) DEBIDO A LA INERCIA DEL SISTEMA Y SE ALCANZA UN NUEVO VALOR DE EQUILIBRIO ?CAMBIO ES RESPUESTA DINÁMICA
MODELO DE FUNCIÓN DE TRANSFERENCIA ES AQUEL QUE DECRIBE ESTA RESPUESTA DINÁMICA

MODELO DE FUNCIÓN DE TRANSFERENCIA DISCRETO: OBSERVACIONES (X, Y) EN INTERVALOS EQUI-ESPACIADOS DE TIEMPO
APARTE DE X, OTRAS VARIABLES AFECTAN A Y: PERTURBACIONES O RUIDOS
MODELACIÓN DE SISTEMA REAL DEBE INCLUIR FUNCIÓN DE TRANSFERENCIA (MODELO DETERMINÍSTICO) Y MODELO DEL RUIDO
MODELOS DE PRONÓSTICO

FILTRO DE KALMAN
Xt: VARIABLE DE ESTADO
Xt = F(Xt-1,t-1) + G(Wt, t)
Ec. de estado o del Sistema
Función de Transición
MODELOS DE PRONÓSTICO

PRONÓSTICO DE CRECIDAS PARA CONSTRUCCIÓN DE AUTOPISTA EN CAUCE RÍO MAPOCHO
MODELOS DE PRONÓSTICO
4: QA ARRAYÁN EN LA MONTOSA
5: QM MAPOCHO EN LOS ALMENDROS

SISTEMA DE ALERTA DE CRECIDAS EN EL RIO MAPOCHO durante construcción costanera norte.
(Gp:) N
(Gp:) Cerro Calán
(Gp:) La Montosa
(Gp:) Los Almendros
(Gp:) Cerro San Cristóbal
(Gp:) San Carlos Channel

MODELOS DE PRONÓSTICO

REDES NEURONALES
Los problemas que interesa estudiar son aquellos que no pueden expresarse mediante un algoritmo, este tipo de problemas tienen como característica común la EXPERIENCIA, la cual es usada por el hombre para resolver problemas.
Se enmarcan dentro del área de la Inteligencia Artificial, cuyo principal objetivo es descubrir, describir y
simular la inteligencia humana mediante
métodos computacionales.
(Gp:) capa de
entrada
(Gp:) capa
oculta 2
(Gp:) capa de
salida
(Gp:) NEURONA
(Gp:) Pesos de las
Sinapsis

Capa oculta 1
MODELOS DE PRONÓSTICO

La Neurona
Wi1 Yj-1,1
Wi2 Yj-1,2
Win Yj-1,n
Ii
Xi
Yj

SINAPSIS
UMBRAL
ESTADO DE
EXCITACIÓN INTERNO
SALIDA
NEURONAL
MODELOS DE PRONÓSTICO

Funcionamiento de la Neurona.
Para iniciar la red, los pesos de las sinapsis toman valores pequeños.
La neurona comienza a operar cuando ocurre una Sinapsis hacia ella.
La neurona calcula su excitación interna Xi= S Wik Yj-1,k + Ii

Dónde el umbral pasa a ser W0k.
(Gp:) Wi1 Yj-1,1
(Gp:) Xi
(Gp:) Yj

MODELOS DE PRONÓSTICO

Luego la neurona calcula la salida como: Yi=F(Xi)
La función F puede ser una función no lineal para aprovechar la no-linealidad de la red neuronal.
MODELOS DE PRONÓSTICO

Otras Funciones típicas de transferencia
MODELOS DE PRONÓSTICO

ENTRENAMIENTO = Proceso de Aprendizaje
Para realizar el entrenamiento de la RN es necesario conocer pares de Entrada (xk) – Salida observados (ok) [Set de Ejemplos] que sean representativos del proceso que se quiere “enseñar” a modelar a la Red Neuronal.
(Gp:) ok = Salida observada. yk = Salida de la Red.

El proceso de Entrenamiento se basa fundamentalmente en
métodos de Optimización (Min S ei), tales como el del Gradiente
o los de Newton.
Función Objetivo: minimizar Sdk
MODELOS DE PRONÓSTICO

Retropropagación del error
(Gp:) Capa de salida
(Gp:) Yi

(Gp:) DWi

(Gp:) Oi
(Gp:) di

(Gp:) Wji+1=Wji+DWi
(Gp:) Matriz de pesos de la capa j modificada

MODELOS DE PRONÓSTICO

Inicializar todos los pesos con valores arbitrarios y pequeños.
Presentar un estímulo de entrada
Determinar la salida de la red
Adaptar los pesos según el siguiente algoritmo, partiendo de la capa de salida hasta la primera capa oculta.

ganancia
MODELOS DE PRONÓSTICO

Si neurona en capa interna
Peso entre neurona j,k
Salida de la neurona j
Si neurona en capa de salida
Salida observada
Salida calculada por red
MODELOS DE PRONÓSTICO

Es importante mencionar que para realizar el Entrenamiento,
los datos disponibles, se dividen en:

1.-Set de Entrenamiento
[Se usan para ajustar los pesos y bias de la Red]
Para asegurar un buen ajuste se utiliza Early Stopping, el cual permite que el Modelo Neuronal se comporte en forma correcta al ser usado con datos “no vistos” en el proceso de Entrenamiento.
3.-Set de prueba.
[Se usa para ver el comportamiento de la Red ante situaciones
nuevas ].
2.- Set de Validación.
[Se usan durante el Entrenamiento para comprobar como se
comporta la Red ante datos no “vistos”].
MODELOS DE PRONÓSTICO

RNs han probado (Maier y Dandy, 2000; Dawson y Wilby, 2001) ser un mecanismo versátil tanto para modelar diferentes elementos del proceso lluvia-escorrentía como para el pronóstico de caudales (Campolo et al, 1999; Hu et al, 2001)
Wilby et al (2003), entre otros aspectos, examinan el comportamiento de RNs para modelar el proceso lluvia –escorrentía y determinan la arquitectura que puede corresponder a un modelo parsimonioso de balance.

MODELOS DE PRONÓSTICO

Datos diarios de ríos de Turquía
1 día de adelanto

SISTEMA DE ALERTA DE CRECIDAS EN EL RIO BIOBÍO.
MODELOS DE PRONÓSTICO

ARQUITECTURA RED NEURONAL
Capa de Salida (solo 1 neurona)
Capa de Entrada
Pesos o conexiones
Pesos o conexiones
…
MODELOS DE PRONÓSTICO

Datos disponibles y confección del set de datos requerido.
– Biobío en Desembocadura
– Biobío en Rucalhue

Datos: eventos de crecidas (H Desembocadura ? 2.6 [m]) ocurridos en los últimos 25 años.
29 crecidas pluviales:
Escalamiento de los datos considerando el valor máximo registrado en todas las crecidas.
Entrenamiento : 15 crecidas => 5949 ejemplos (50 %)
Validación : 9 crecidas => 2928 ejemplos (25 %)
Prueba : 5 crecidas => 2973 ejemplos (25 %)
MODELOS DE PRONÓSTICO

Modelo para 1 paso de adelanto (k=1)
Variando el número de neuronas en la capa oculta y observando
aquella configuración de Red que entregue un menor error de
validación.
Con lo anterior se obtuvo una Red Neuronal [6 7 1]
MODELOS DE PRONÓSTICO

Modelos Directos para 6,10, 14 y 20 pasos de adelanto.
El uso recursivo del modelo Directo a 1 paso , da origen a una alternativa para realizar pronóstico con hasta 20 horas de adelanto
MODELOS DE PRONÓSTICO

Resultados obtenidos.
Modelo recursivo hasta 20 pasos de adelanto.
Modelos Directos a 1,6,10,14 y 20 pasos de adelanto.
MODELOS DE PRONÓSTICO

MODELOS DE PRONÓSTICO

Predicción hasta 20 pasos [Crecidas de Prueba]
MODELOS DE PRONÓSTICO

Alertas
De un total 32 Eventos, 25 Inundaciones:
14 horas de anticipación entre Evacuación e
inundación.
29 Evacuaciones y solo 4 Falsas Alarmas
32 Alertados y solo 7 Falsas Alarmas
MODELOS DE PRONÓSTICO

Calibración
Validación
Calibración
Validación
6 horas de adelanto
6 horas de adelanto
MODELOS DE PRONÓSTICO

PRONÓSTICO DE CAUDALES DE DESHIELO

Configuraciones Planteadas.
Arrayán en La Montosa.
RN (8,15,1)

Nace como una técnica perteneciente al área de la llamada inteligencia artificial y ha dado origen a sistemas expertos y sistemas de control automático, área en que se ha utilizado ampliamente.
En particular, permite traducir o interpretar un sistema mediante un conjunto de reglas o hipótesis multivaluadas, a diferencia de la lógica binaria, puesto que no impone en las proposiciones o hipótesis valores discretos de las variables de decisión y consecuencia (falso o verdadero).
Lógica Difusa
MODELOS DE PRONÓSTICO

Lo difuso puede entenderse como la posibilidad de asignar valores de verdad intermedios entre “falso'' y “verdadero”. Además, este tipo de esquema es “tolerante” debido a que las causas (variables de entrada) que producen cierto efecto (variable de salida) pueden variar dentro de cierto rango sin que el resultado se altere mayormente
MODELOS DE PRONÓSTICO

MFout 1 = ao1 + a11*(V1) + a21*(V2) + a31 *(V3) + a41*(V4)
Out 1 = W1 * MFout 1
W1 = MF11(V1) * MF21(V2) * MF31(V3) * MF41(V4)
(Gp:) MF(k, j)
(Gp:) Wi
(Gp:) Outi
(Gp:) Output

Estructura del FIS
Wi = MF1i(V1) * MF2i(V2) * MF3i(V3) * MF4i(V4)
Out i = Wi * MFout i (V1; V2; V3; V4)
MFout i = aoi + a1i*(V1) + a2i*(V2) + a3i *(V3) + a4i*(V4)
Output = (Out1+Out2+Out3+Out4) / (W1+W2+W3+W4)
Q / Qfalla = Output / 1000

(Gp:) MF41(V4)
(Gp:) MF31(V3)
(Gp:) MF21(V2)
(Gp:) MF11(V1)

MODELOS DE PRONÓSTICO

MODELOS DE PRONÓSTICO

PASO DE TORMENTA SOBRE CUENCA RÍO LLUTA
La temperatura del punto más alto de la superficie que registra el satélite, puede derivar de la radiación emitida desde la tierra o de una formación nubosa que cubre la zona observada. Esto puede definirse considerando que las temperaturas bajas son características de las nubes altas y que las temperaturas altas son explicadas por la reflexión de la radiación solar, típicamente alta en el norte del país en la época de verano.
AREA AFECTADA POR TORMENTA
COMENTARIOS FINALES

Izquierda: 1 Enero 2003 20:39:00. Derecha: 23:39:00
Izquierda: 1 Enero 2003 09:39:00. Derecha: 11:39:00
COMENTARIOS FINALES

DETECCIÓN DE AREAS NIVALES EN DÍAS PREVIOS A LOS EVENTOS USANDO IMÁGENES PROGRAMA MODIS (MODERATE RESOLUTION IMAGING SPECTRORADIOMETER)
COMENTARIOS FINALES

MODELACIÓN DISTRIBUIDA
CUENCAS NIVALES
SE REQUIEREN PRONÓSTICOS METEOROLÓGICOS
COMENTARIOS FINALES