124328103 Pronostico de Caudales Medios Mensuales Del Rio Ilave Utilizando Modelos de Redes Neuronales Artificiales

PRONÓSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO ILAVE UTILIZANDO MODELOS DE REDES NEURONALES  ARTIFICIALES  ARTIFICIA LES

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

Efrain, LUJANO LAURA  Puno,

de

del

OBJETIVOS OBJETIVO GENERAL 

Prono Pronost stica icarr los caud caudale aless medios medios mensua mensuale less del del rio Ilav Ilave utili utiliza zando ndo model modelos os de rede redess neuronale neuronaless artificiale artificialess

OBJETIVOS ESPECÍFICOS 

Establecer Establecer modelos basados basados en redes neuronales neuronales artificiales que permitan pronosticar pronosticar con cier cierta ta exac exacti titu tud d los los caud caudal ales es medio edioss mens mensu uales ales del del rio rio Ila Ilave en func funció ión n de vari variab able less independ independient ientes es como como precipi precipitació tación n y caudal. caudal.



Determinar la capacidad de desempeño de los modelos de redes neuronales artificiales frente al modelo hidrológico hidrológico de Lutz Scholz.

Servicio Nacional de Meteorología

ECI

Encuentro Encue ntro Cient Científico ífico

Universidad Nacion Universidad Nacional al del Altiplano Facultad de Ingeniería Agrícola

REDES NEURONALES ARTIFICIALES Según Toro, Mejia y Salazar (2004), las redes neuronales artificiales son modelos matemáticos que tratan de hacer una pequeña emulación del funcionamiento del cerebro humano. Son metodologías novedosas que permiten hacer pronósticos donde hay cierto comportamiento no lineal. Las redes neuronales se  “aprenden”  o modelan la dinámica del fenómeno en estudio y tienen en cuenta el tiempo como una variable que afecta el fenómeno; de esta forma ofrecen resultados más robustos y cercanos a la realidad.

FUNCIONAMIENTO NEURONA BIOLOGICA

Servicio Nacional de Meteorología

NEURONA ARTIFICIAL

ECI

Encuentro Científico

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

HISTORIA DE LAS REDES NEURONALES ARTIFICIALES En 1936 Alan Turing, fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación.

1943 McCulloch (neurofisiólogo) y Walter Pitts (matemático), Modelaron una red neuronal simple mediante circuitos eléctricos. 1949 Donald Hebb, propone el primer método de aprendizaje (A. hebbiano no supervisado). 1957 Frank Rosenblatt,   comenzó el desarrollo del   perceptrón (perceptrón simple). El perceptrón es la más antigua red neuronal y se usa hoy en día de varias formas para la aplicación como reconocedor de patrones. En  1969, Marvin Minsky y Papert,  esta casi fue el fin de las redes neuronales debido a que Minsky y Papert probaron matemáticamente que el Perceptrón no era capaz de resolver problemas relativamente fáciles. Concluyeron que en general, los descubrimientos en redes neuronales no merecían la pena. En   1974 Paul Werbos,   Desarrolló la idea básica del algoritmo de retropropagación con otro nombre, como parte de su tesis doctoral. En 1986 Rumelhart, Hinton y Williams, basándose en los trabajos de otros investigadores (Paul  Werbos), formaron un grupo de trabajo en lo que solucionaron los problemas propuestos por Minsky y Papert gracias al algoritmo backpropagatión. Para mejorar este procedimiento utilizaron más niveles de neuronas que los que utilizó Rosenblatt para desarrollar el perceptron.

Servicio Nacional de Meteorología

ECI

Encuentro Científico

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

UBICACIÓN DEL AMBITO DE ESTUDIO

Servicio Nacional de Meteorología

ECI

Encuentro Científico

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

MATERIALES INFORMACION CARTOGRÁFICA Cartas Nacionales que abarca la cuenca del rio Ilave a escala 1/100,000 del Instituto Geográfico Nacional (IGN) digitalizado bajo el entorno de SIG con equidistancia mínima entre curvas de nivel de50m.

INFORMACION HIDROMETEOROLÓGICA •

•

PLUVIOMÉTRICA

HIDROMETRICA

Estación

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Ichuña Mañazo Puno Laraqueri Rincón de la cruz Ilave Juli Chilligua Mazocruz Chichillapi Coypa Coypa Pampa Umalzo Vilacota Capazo Pizacoma Yorohoco Pocoaque

CO CO CP CO CO CO CO PLU CO PLU PLU CO CO CO CO CO CO

Tambo Illpa U. H. 01783 Ilave U. H. 01783 Ilave U. H. 01757 Ilave Ilave Ilave Ilave Locumba Mauri Mauri Mauri Chico Callaccame U. H. 01757

Estación

Tipo

Ubicación Política

Ubicación Geográfica

Distrito

Provincia

Dpto

Latitud Sur

Ichuña Mañazo Puno Pichacani Acora Ilave Ilave Conduriri Santa Rosa Santa Rosa Santa Rosa Candarave Susapaya Capazo Pizacoma Huacullani Pomata

Gral. Sanchez C. Puno Puno Puno Puno El collao Chucuito El collao El collao El collao El collao Candarave Tarata El collao Chucuito Chucuito Chucuito

Moquegua Puno Puno Puno Puno Puno Puno Puno Puno Puno Puno Tacna Tacna Puno Puno Puno Puno

16°07'57.4" 15°48'00.0" 15°49'34.5" 16°09'16.9" 15°59'26.1" 16°05'17.7" 16°12'13.6" 16°32'25.4" 16°44'24.4" 16°55'00.0" 17°01'00.0" 16°52'30.0" 17°07'06.0" 17°11'15.8" 16°54'25.3" 16°33'54.0" 16°22'49.0"

Ubicación Política  N° 1 2 3

Servicio Nacional de Meteorología

Unidad Tipo Hidrográfica (Cuenca)

 N°

Rio Ilave Huancané Ramis

Puente Ilave Puente Huancané Puente Ramis

Provincia

Dpto

HLG Ilave HLG Huancané HLG Taraco

El Collao Huancané Huancané

Puno Puno Puno

ECI

Altitud (msnm)

Propietario

70°33'07.5" 70°21'00.0" 70°00'43.5" 70°03'59.7" 69°48'39.0" 69°38'42.0" 69°27'35.7" 69°40'11.5" 69°42'21.9" 69°44'00.0" 69°56'00.0" 70º25'24.8" 70°03'03.0" 69°44'07.8" 69°22'06.8" 69°19'14.0" 69°17'06.0"

3800 3920 3820 3900 3835 3880 3812 3960 4003 4050 4450 4601 4390 4530 4060 3845 3850

Senamhi Senamhi Sena mhi Senamhi Senamhi Senamhi Senamhi Senamhi Senamhi Pet-Tacna Pet-Tacna Senamhi Senamhi Senamhi Senamhi Pet-Tacna Pelt

Ubicación Geográfica

Distrito

Encuentro Científico

Longitud Oeste

Latitud

Longitud

Sur 16°05'04.00" 15º12'57.10" 15°15'06.00"

Oeste 69°37'47.00" 69º47'33.37" 69°52'17.00"

Altitud (msnm)

Propietario

3825 3814 3813

Senamhi Senamhi Senamhi

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

METODOLOGIA

Servicio Nacional de Meteorología

ECI

Encuentro Científico

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES DELIMITACION HIDROGRÁFICA DE LA CUENCA

Área total: 7,832.53 Km2 Área (lugar pte Ilave): 7771.48 Km2 Servicio Nacional de Meteorología

ECI

Encuentro Científico

Universidad Nacional del Altiplano Facultad de Ingeniería Agrícola

RESULTADOS Y DISCUSIONES ANALISIS DE LA INFORMACION HIDROMETEOROLOGICA ANALISIS GRAFICO ANALISIS VISUAL DE HIDROGRAMAS

ANALISIS DE DOBLE MASA

1500 500

   )     ) 1200   m 400   m    (  m 900   n  m 300     (    ó    i   c  n 600 200   a    t    i    i   ó   c   p    i  a 300 100   c    t   e   r   i   p 00    P    i

  c   e   r    P

   5   5    6    6    9   9    1   1

  1    6   9   9   2   5  5    8   1   0   9   9   0    8   8    8   9   9    9    9    0   0   9   1   1  9   1   9   1   1  9   1   9   1   2  2

  1   4   7   3   7   0   3    8   1   7   7   7   7    8   8    8    6   7    9    9    9   9   9   9   9   1   9   1   9   1    1   1    1   1   1  1

   )   m   m    (  .    t   s    E  .   m   u   c    A  .   c   e   r    P

  7   4   7    0  0   0    0   0   0   2   2  2

Capazo C hich illa pi

Vilacota Mazocr uz

Coypa Coypa Pa mpa Uma lso

30000 25000 20000 15000 10000 5000 0 0

3000 6000 9000 12000 15000 18000 21000 24000 Prec. Acum. Prom. Est. (mm)

Tiempo (Años ) Tiempo (Años)

ANALISIS ESTADISTICOS ANÁLISIS DE SALTOS E st ació n

Capazo Vilacota Coypa Coypa Chichillapi Mazocruz Pampa Umalzo

P erio do

Periodo de análisis

 Nº Desviación Promedio de datos Estandar 

 N1

1965 - 1980

190

46.24

71.50

 N2

1981 - 2007

322

46.62

69.57

 N1

1965 - 1972

95

36.88

62.39

 N2

1973 - 2007

366

38.68

69.76

 N1

1965 - 1974

119

33.93

56.36

 N2

1975 - 1997

267

38.13

57.92

 N1

1965 - 1985

252

36.48

51.54

 N2

1986 - 1996

126

34.52

46.31

 N1

1965 - 1983

216

40.85

58.26

 N2

1984 - 2007

282

44.80

64.07

 N1

1965 - 1986

256

33.27

54.69

 N2

1987 - 2007

227

32.69

49.57

ANÁLISIS DE TENDENCIAS

Co ns ist en ci a e n l a M edia Sp

Sd

Tc

70.3 6.4 -0.060

Diferencia T t (95%) Comparación significativa 1.965

│Τc│