Resumen

Este trabajo evalúa el desempeño de pronóstico de dos modelos no lineares, de método de clasificación no paramétrico kNN y de redes neuronales con alimentación avanzada (FNNN), usando datos de flujo del río Kizilirmak, el mayor de Turquía. Para el modelo kNN, los parámetros requeridos son tiempo de retraso, número de vecindarios cercanos y dimensión de encrustamiento. El tiempo óptimo de retraso fue obtenido con la función de información mutua; el número de vecindarios cercanos fue obtenido con la optimización de procesos que minimizan el RMSE como una función del número de vecindarios y la dimensión de incrustación fue obtenida con el método de dimensión correlativa. La dimensión de correlación del río Kizilirmak fue utilizado en la formación de la estructura de ingreso de las redes FFNN. La integración cercana sobre la dimensión de correlación proveyó el número mínimo de variables requeridas para caracterizar el sistema y el número máximo de variables requeridas fue obtenido con el número entero por encima del valor (Takens, 1981). Se desarrollaron dos modelos de redes FNNN que incorporan 3 y 7 valores de descargas retrasadas y el desempeño de predicción comparado con el modelo kNN. Los resultados muestran que el modelo kNN fue superior al modelo de redes FFNN en el flujo de pronósticos. Sin embargo, como un resultado del modelo de estructura kNN, el modelo falla en los valores pico. Adicionalmente, se encontró que la dimensión de correlación (de existir) podría ser usada eficientemente en series temporales donde la determinación de estructura de ingreso es difícil por la gran interdependencia, como en las series temporales de flujo.

1. INTRODUCCIÓN

Para la gestión de los recursos hídricos es esencial una previsión fiable y precisa de los caudales. Las simulaciones y previsiones de los caudales son también importantes para la optimización de la planificación y asignación de los recursos hídricos. Por lo tanto, además de otras muchas razones, la comprensión de la dinámica de los caudales constituye uno de los problemas más importantes de la hidrología y los recursos hídricos. Con este propósito, se han desarrollado muchos modelos basados en datos, incluyendo modelos lineales, no lineales, paramétricos y no paramétricos para la predicción de series temporales hidrológicas en las últimas décadas (Marques et al., 2006). En general, en lo que respecta a la dinámica del sistema, hay dos supuestos básicos que subyacen a las diferentes técnicas de modelización, la dinámica estocástica y la caótica. En cuanto al primer supuesto, las series temporales hídricas observadas se originan en un proceso estocástico con un número infinito de grados de libertad. Con este supuesto, el comportamiento medio de una serie temporal puede ser capturado con modelos lineales como el autorregresivo, el autorregresivo de media móvil (Al-Awadhi y Jolliffe, 1998; Toth et al., 2000), el autorregresivo de media móvil integrada (Chang et al., 2002; Lisi y Villi, 2001) y el autorregresivo de media móvil integrada estacional (Modarres, 2007; Ooms y Franses, 2001; Pekárová et al., 2009), de los que se han obtenido grandes resultados.

• Materias:Redes neuronales (Computadores) Modelos matemáticos Medición hidrológica Hidrología Técnicas de predicción
• Subjects:Neural networks (Computer science) Mathematical models Hydrometry Hydrology Prediction techniques
• Palabras claves:Kizilirmak; Método de clasificación no paramétrico kNN; Redes neuronales con alimentación avanzada; Funciones de información mutua; dimensión de correlación.
• Keywords:Kızılırmak; k-nearest neighbor; Feed-forward neural networks; Mutual information function; Correlation dimension