Predicción de Precipitación mediante Redes Neuronales Artificiales

Redes Neuronales Artificiales para la Predicción de Precipitación

Artificial Neural Network for Precipitation Prediction

Por Eber Risco Sence

Los profesionales de las ciencias ambientales deben afrontar la escasez de datos meteorológicos para desarrollar su trabajo dentro de los distintos ámbitos que les toque desempeñar, uno de los de esos datos lo representa la precipitación, el cual representa el punto de partida en los estudios relacionados con la hidrología, por ello, conocer el comportamiento y la forma de evaluación que tiene la precipitación es de gran importancia. Entre los métodos utilizados para la estimación de la falta de precipitaciones son: aritmético, inverso de la distancia, regresiones, isoyetas y el método del polígono de Thiessen.

Las redes neuronales artificiales (RNA) se adaptan bien para el modelado de sistemas dinámicos en tiempo real, estas propiedades de la RNA son adecuadas para la predicción de caudales y datos faltantes de precipitación. Las RNA se han utilizado en la ingeniería de los recursos hídricos en la última década.

 

En este estudio, la estimación de la precipitación se realizó utilizando RNA, regresión general de redes neuronales y regresiones múltiples.

Área de Estudio

El área de estudio se encuentra ubicada en la cuenca alta río Paucartambo, ubicada en las regiones de Pasco y Junín, Perú. Existen 16 estaciones pluviométricas, ver figura 1, la estación sobre la cual se realiza la predicción de precipitación es la estación con ID 14 llamada Pacchapata, además teniendo en cuenta el mapa climático de la zona se seleccionaron 6 estaciones que se encontraran en la misma zona climática que la estación problema, las cuales son. Altos Machay, Jaico, Lecheconcha, Machavado, Huangush Alto y Huangush Bajo; donde las cuatro primeras estaciones se encuentran además en la misma subcuenca de la estación problema.

 Figura 1: Cuenca alta del río Paucartambo, ubicación de estaciones pluviométricas

Metodología

La metodología de este estudio esta dividida en dos partes. La primera parte explica los métodos usados para la predicción de la precipitación, la segunda parte discute los resultados usados en la estimación de datos de precipitación.

A.     Predicción de precipitación

En este estudio tres métodos han sido utilizados para la predicción de la precipitación en la estación Pacchapata (P_x), a partir de las estaciones cercanas Altos Machay (P₁), Jaico (P₈), Lecheconcha (P₁₀), Machavado (P₁₂), Huangush Alto (P₆) y Huangush Bajo (P₇). El primero mediante redes neuronales, para lo cual se utilizó una red backpropagation con n neuronas de entrada (6 si el modelo toma a todas las estaciones en la misma zona climática que la estación problema y 4 si el modelo toma a las estaciones que se encuentran en la misma subcuenca que la estación problema) y una capa de salida de 1 neurona con una capa oculta de 10 neuronas internas. El periodo de entrenamiento fue desde enero de 1967 hasta diciembre de 1993, mientras el periodo de validación fue desde enero 1994 hasta diciembre del 2002.

A.1 Redes neuronales artificiales

La red fue simulada mediante el algoritmo de aprendizaje de retropropagación Bayesian Regulation. La tasa de aprendizaje fueron aplicados a la red durante el aprendizaje. Los valores van desde 0.2 a 0.8. La red para ambos casos presenta una capa oculta con 10 neuronas. Las ecuaciones se presentan a continuación.

Caso1: Teniendo en cuenta las estaciones en la misma zona climática que la estación Pacchapata se tiene:

Caso 2.Teniendo en cuenta las estaciones en la misma zona climática y además en la misma subcuenca que la estación Pacchapata se tiene:

A.2 Regresión general de redes neuronales

Este tipo de modelo esta basado en funciones de base radial, se utilizaron dos modelos tomando un valor de propagación de 5.0 Así se tiene las siguientes estructuras de redes:

Caso 1:

 Caso 2:

Donde GRNN representa la regresión general de red neuronal y spread es el valor de propagación de las funciones de base radial.

A.3 Regresiones múltiples

Se generaron dos modelos, de acuerdo a los casos planteados, así se tiene:

Caso 1:

Caso 2:

Donde x_i representa los coeficientes de la ecuación de regresión múltiple.

Resultados

Los resultados de los tres métodos usados se presentan en la siguiente tabla, tanto para la etapa de entrenamiento como para la etapa de validación, la performance de los métodos han sido evaluados mediante el coeficiente de determinación R²  entre los valores observados y los obtenidos mediante los modelos propuestos.

Método	Casos	Entrenamiento	Validación
RNA	Caso 1	0.94994	0.9853
	Caso 2	0.9433	0.9484
GRNN	Caso 1	0.9999	0.8882
	Caso 2	0.9989	0.9175
RM	Caso 1	0.9431	0.9426
	Caso 2	0.9419	0.9399

Discusión

Se encontró que los modelos GRNN para los dos casos presentan buenos resultados en el periodo de entrenamiento pero en el periodo de validación esta performance disminuye incluso por debajo de los otros modelos, los modelos de RNA se presentan como los más robusto ante esta situación, ya que obtienen buena performance tanto en el periodo de validación como en la validación, además representan de manera adecuada la climatología de la estación Pacchapata (figura 3), los modelos en base a regresiones múltiples para este caso presentan buena eficiencia y robustez en las dos etapas pero por debajo de los modelos RNA, además de no representar de manera como lo hacen los modelos RNA.

Figura 2: Comparación entre la precipitación observada y simulada modelo RNA Caso 1

Figura 3: Climatología de la precipitación observada y simulada modelo RNA caso 1

Figura 4: Precipitación observada vs simulada modelo RNA caso 1

Conclusión

Los resultados de este estudio demuestran que, evidentemente, los modelos basados en RNA desarrollados son fiables para estimar la precipitación en la estación Pacchapata con datos faltantes a partir de estaciones con datos completos y ubicados en una misma zona climática, además de representar bien la climatología de la estación en el periodo de análisis de 1967 al 2002.

Referencias

1. Bustami, R; Nessaih, N; Bong, C. 2007.  Artificial Neural Network for Precipitation and Water Level Predictions of Bedup River. International Journal of Computer Science 34(2):10-16.
2. Dreyfus, G. 2004. Neural Networks: Methodology and Applications. New York, US. Springer. 516 p.
3. Minns, A; Hall, M. 2004. Rainfall-Runoff Modelling. In Abrahart, R. Neural Network for hydrological modelling. London, UK. A.A. BALKEMA PUBLISHER. 316 p.
4. Munakata, T. 2008. Fundamentals of New Artificial Intelligence: Neural, Evolutionary, Fuzzy and More.2 ed. London, UK. 266 p.

Video: