SIMULACIÓN Y PRONÓSTICO DE CAUDALES DIARIOS DEL RÍO AMAZONAS (TAMSHIYACU) USANDO MODELO HÍBRIDO WAVELET REDES NEURONALES
El pronóstico de caudales a corto plazo tales como horarios o diarios es de vital importancia para la mitigación y defensa de inundaciones. La precisión de los pronósticos se ve influida tanto por la calidad de los datos históricos y el método seleccionado para pronosticar el futuro. En este estudio, un modelo híbrido wavelet red neuronal (WNN) es abordado para predecir caudales a través de una combinación de dos técnicas, la transformada wavelet y redes neuronales artificiales (ANN). Las ANN han mostrado gran habilidad en modelamiento y pronóstico de series de tiempo no estacionario y no lineal, y la transformada wavelet provee descomposición útil sobre varios niveles de resolución. Los subseñales descompuestos fueron alimentados como input a la ANN para obtener los valores de caudales previstos para varios horizontes de tiempo. Los modelos de pronóstico ANN y WNN son aplicados a datos diarios de caudales en la primera estación de aforo (Tamshiyacu) en la corriente principal de la cuenca del río Amazonas en Perú. Los desempeños relativos de estos modelos fueron medidos usando diversos criterios de habilidad de pronóstico y verificados con datos no entrenados, utilizando Matlab (R.2013a). Los resultados en términos de raíz del error cuadrático medio (RMSE) y el coeficiente de determinación (R2) mostraron la eficacia y la mejora significativa del modelo híbrido WNN en comparación con la otra técnica de ANN estándar, y se concluye que el método aplicado es potencialmente muy útil para el pronóstico de caudales a corto plazo.
SIMULACIÓN Y PRONÓSTICO DE CAUDALES DIARIOS DEL RÍO AMAZONAS (TAMSHIYACU) USANDO MODELO HÍBRIDO WAVELET REDES NEURONALES
-
DOI: 10.37572/EdArt_2702237672
-
Palavras-chave: Pronóstico a corto plazo; ANN; transformada wavelet; híbrido; río Amazonas.
-
Keywords: Short-term streamflow forecasting; ANNs; wavelet transform; hybrid; Amazon River
-
Abstract:
The short-term streamflow forecasting such as hourly or daily is of vital importance for flood mitigation and defense. The accuracy of forecasts is influenced by both the quality of past data and the method selected to forecast the future. In this study, a hybrid wavelet neural network (WNN) model we boarded to predict streamflow through a combination of two techniques, wavelet transform and artificial neural networks (ANN). ANNs have shown great ability in modeling and forecasting of nonstationary and nonlinear time series, and wavelet transform provide useful decomposition on several resolution levels. The decomposed subsignals were fed as input to ANN to get the forecasted streamflow values for various time horizons. Forecasting models ANN and WNN are applied to daily streamflow data in the first gauging station (Tamshiyacu) into the mainstream of the Amazon river basin in Peru. The relative performance of these models were measured using various forecast skill criteria and verified with data untrained, using Matlab (R.2013a). The results in terms of root mean square error (RMSE) y coefficient of determination (R2) showed the effectiveness and significant improvement of the hybrid WNN model compared to the other standard technique ANN, and it is concluded that the method applied is potentially very useful for short-term streamflow forecasting.
-
Número de páginas: 15
- Lucio Vergara Saturno
- Waldo Sven Lavado-Casimiro