Calibraci on de los parametros del modelo

lluvia-escorrenta GR4J usando algoritmos geneticos

Luis A. Alfaro Casas Jose Herrera Quispe Juan Carlos Gutierrez
Jorge L. Sua na Chambi Henry Gallegos Velgara
Universidad Nacional de San Agustn - C atedra CONCYTEC, Arequipa - Per u
<lalfarocasas,jcgutierrezc,jherreraq,jlalexsu,henrygallegosv>@gmail.com
Resumen
El desarrollo de un metodo eciente y robusto para la estimaci on de par ametros de modelos hidrol ogicos
es un tema crtico en una cuenca. Los algoritmos geneticos, han demostrado ser metodos de optimizaci on
muy ecaces. En consecuencia, en el presente estudio se utiliza un Algoritmo Genetico (GA) para optimizar
los valores de los par ametros de calibraci on del modelo lluvia-escorrenta GR4J (Genie Rural a 4 parametres
Journalier) en dos sub-cuencas de la cuenca del ro Chili. Los datos de entrada utilizados fueron registros
diarios de precipitaci on y evapotranspiraci on, y el resultado es calibrado con los diarios de caudal observado.
La funci on objetivo utilizada, reduce al mnimo la desviaci on de error entre los resultados generados y
los datos observados. Este modelamiento consta de dos etapas, en primer lugar la calibraci on del modelo
y en segundo lugar la validaci on del modelo. Para la calibraci on del modelo, se utilizan datos de los
cinco primeros a nos y la validaci on con datos del sexto a no. Los metodos para obtener el error fueron el
coeciente Nash-Suclie (NS) y Relative Volume Error (RVE). Los resultados de este estudio, muestran
que los par ametros de los cinco primeros a nos, son muy similares a los par ametros con los datos del sexto
a no. En consecuencia, se puede concluir que el modelo GA tiene la capacidad para desempe narse con
eciencia, si se aplica a la calibraci on de un modelo lluvia-escorrenta.
Palabras clave: Lluvia-escorrenta, modelo GR4J, estudio de caudales, algoritmo genetico, optimizacion
1. Introducci on
El modelado de lluvia-escorrenta, por lo general, implica un analisis estadstico, para extender y predecir
datos futuros. Hay problemas para construir y calibrar un modelo de lluvia-escorrenta, ya que depende de las
caractersticas fsicas de la cuenca de un ro. Un modelo diario de lluvia-escorrenta (usado en este estudio)
es el GR4J (Genie Rural a 4 parametres Journalier) que fue desarrollado por Perrin et al.[2] y ha demostrado
ser un modelo robusto y eciente. GR4J, se desarrollo a partir de modelos anteriores como GR3J, propuesto
originalmente por Edijatno [7] y luego mejorado con exito por Nascimento [11] y Edijatno [8].
La necesidad de un metodo de optimizacion eciente para encontrar los mejores valores de los paramet-
ros del modelo es muy necesaria. Muchos metodos tradicionales, tales como la programacion lineal (LP) y
programacion dinamica (DP), se han utilizado para resolver estos problemas. Los GAs, estan basados en la
seleccion natural darwiniana, que combina el concepto de la supervivencia de los mas fuertes y operadores
geneticos naturales [5]. La forma de trabajar y su aplicacion estan bien documentadas por Goldberg [9] y
Michaelwiez [10]. Una de las ventajas de los GAs es la identicacion de alterativas casi optimas. En el campo
de la hidrologa, los GAs, son metodos de optimizacion que se muestran potentes. Franchini y Galeati [3],
hacen un estudio comparativo de diversos esquemas de algoritmos geneticos para la calibracion de modelos
conceptuales de lluvia-escorrenta y concluyeron que los GAs son un metodo robusto, demostrando ser un
instrumento valido para la optimizacion de funciones objetivo complejas. Sharif et al. [4], utilizan GA en el
desarrollo de los recursos hdricos y la comparo con la programacion dinamica, que llego a la conclusion de
que ambos resultados eran comparables.
Los GAs, pueden ser congurados de muchas maneras, pero hasta ahora existe poca literatura sobre el tipo
mas adecuado para la calibracion de un modelo lluvia-escorrenta. Este trabajo, pretende llenar este vaco,
Figura 1:

Ambito de la Cuenca del ro Chili.
mediante la aplicacion de un GA para calibrar el modelo lluvia-escorrenta GR4J. El proposito de este trabajo
ha sido presentar que los GAs pueden facilmente hacer frente a este tipo de problemas y presentarse como
una herramienta robusta de optimizacion. Varios experimentos han sido dise nados para elegir los componentes
adecuados del GA, incluyendo los metodos de seleccion como ruleta, torneo, estocastico y metodos de cruce
como: Scattered, punto simple, punto doble. El ciclo de evolucion se repite hasta un criterio de nalizacion
(ejecuciones computacionales), la variacion de individuos entre las diferentes generaciones o un valor de aptitud
predenido.
2.

Area de estudio
La cuenca del ro Chili se encuentra ubicada al Sur del Per u, basicamente esta ubicado en el departamento
de Arequipa, con peque nos sectores de los departamentos de Cusco, Puno y Moquegua, como se muestra en
la Figura 1.
2.1. Subcuenca El Pa ne
Ubicada al extremo norte del area en estudio, esta sobre los 4 585 m.s.n.m. caracterizado por tener un
clima h umedo (tropical). Tiene una extension de 198 Km
2
, una precipitacion media diaria de 2.21 mm/d, la
evapotranspiracion promedio es de 4 mm/d y el caudal medio diario es de 2.66 m
3
/s [5].
Cuenta con una Estacion Climatologica y una Estacion Limnimetrica, ambas denominadas El Pa ne (ubi-
cadas en el mismo reservorio).
2.2. Subcuenca El Frayle
La Subcuenca del Fraile abarca desde el nacimiento de los ros Yamanayo, Collpamayo, Paltimayo, Can-
cusane, Pasto Grande (entre otros ros menores); hasta el ro Blanco (que nace de la conuencia de los ros ya
mencionados) presentando un area de drenaje de 1041 Km
2
y naliza en el embalse El Fraile ubicado sobre
el ro Blanco a una altitud media de 4000 m.s.n.m., regulando los recursos hdricos. Cuenta con una Estacion
Climatologica y una Estacion Limnimetrica, ambas denominadas El Frayle (ubicadas en el mismo reservorio).
Teniendo una precipitacion media anual de 386 mm, un caudal medio anual de 3.32 m
3
/s [5].
3. Descripcion del modelo GR4J
GR4J es un modelo lluvia-escorrenta que se basa en cuatro parametros libres de datos de precipitacion
diaria. El modelo GR4J es la ultimaversion modicada del modelo GR3J, propuesto originalmente por Edijatno
[7] y luego sucesivamente mejorado por Nascimento [11] y Edijatno [8].
Figura 2: Descripcion del modelo lluvia-escorrenta GR4J.
x
1
: Capacidad maxima de tanque de produccion (mm).
x
2
: Coeciente de intercambio de aguas subterraneas (mm).
x
3
: Capacidad maxima de tanque de enrutamiento (mm).
x
4
: Odenada de la hora pico del hidrograma unitario UH1 (dia).
En el estudio desarrollado por Perrin et al. [2], el modelo GR4J ofrece mejores resultados que otros modelos
lluvia-escorrenta. En este estudio, Perrin et al. [2] uso 429 cuencas hidrogracas con diferentes climas. La
descripcion de los procesos fsicos de lluvia a escurrimiento del modelo GR4J,se da de la siguiente manera.
El tanque de produccion (x
1
), es el almacenamiento supercial del suelo, que puede almacenar las lluvias.
En este tamque, se producen evapotranspiracion y percolacion. la capacidad de este tanque, depende del tipo
de suelo de la cuenca hidrograca. Poca porosidad del suelo puede permitir mayor almacenamiento en el
tanque de produccion. Coeciente de intercambio de aguas subterraneas (x
2
), es una funcion de interccambio
de aguas subterraneas que inuyen en el tanque de enrutamiento. Cuando tiene un valor negativo, el agua
ingresa a un acufero profundo; cuando elvalor es positivo, entonces el agua sale del acufero al exterior(tanque
de enrutamiento). Tanque de enrutamiento (x
3
),es el aumento de agua que puede ser almacenado en el suelo
poroso. El valor del tamque de enrutamiento depende del tipo y humedad del suelo. Tiempo pico (x
4
), es el
tiempo donde se forma el pico en la ordenada del hidrograma unitario del modelo GR4J. La ordenadade este
hidrograma escreado a partir de la escorrenta, donde el 90 % del caudal, es un ujo lento que se inltra en el
suelo y el 10 % del caudal, es un ujo rapido que uye sobre la supercie del suelo (ver Figura 2).
4. Modelo de desarrollo
4.1. Datos de entrada
Para calibrar el modelo, se utilizo registros historicos pertenecientes a: precipitacion, evaporacion y caudal
observado de 5 a nos. En la Figura 3, se muestra la precipitacion utilizada en el estudio.
4.2. Algoritmo Genetico
Para el proceso de optimizacion se realizo la construccion un algoritmo genetico combinado con el metodo
de Gauss-Newton, el esquema se puede ver en la Figura 4, con un cromosona de seis elementos, referidos a los
parametros de calibracion.
Figura 3: Datos de precipitasion. a) Datos de precipitasion, subcuenca Pa ne b) Datos de precipitasion,
subcuenca Frayle
Figura 4: Estructura del algoritmo genetico empleado para la optimizacion
4.3. Funcion objetivo
La principal consideracion para la optimizacion de la funcion objetivo, es maximizar el coeciente Nash-
Sutclie (NS), que se utiliza para calcular el cambio entre la sumatoria de los cuadrados de los datos observados
menos los generados por el modelo. La ecuacion general del coeciente Nash-Sutclie se expresa como:
E(Q) = 100

Q
i


Q
i

Q
i
Q
i

(1)
Donde:
Q
i
: es el caudal observado en el da i.

Q
i
: es el caudal generado en el da i.

Q
i
: es el promedio del caudal observado en el da i.
La funcion de aptitud del GA, esta sujeta a los siguientes lmites y restricciones:
1 < x
1
< 2000, x
1
R (2)
50 < x
2
< 50, x
2
R (3)
1 < x
3
< 400, x
3
R (4)
0 < x
4
< 99, x
4
R (5)
Adicionalmente,se utilizo el metodo Relative Volume Error (RVE), que se utiliza para calcular el volumen
de los datos observados con los datos resultantes del modelo [6]. La ecuacion general del error de volumen
Figura 5: Valores de aptitud para diferentes tama nos de poblacion. a)Sub-cuenca Pa ne b)Sub-cuenca Frayle
relativo esta dada como:
RV E =

Q
i


Q
i

(Q
i
)
(6)
5. Modelo de aplicacion y discuci on
Para aplicar el modelo de GA desarrollado, se ha utilizado registros diarios de : precipitacion, evaporacion
y caudales observados de 5 a nos, del 2003 al 2007. Luego de obtener los valores de los parametros, el modelo
ha sido validado con registros del a no 2008. En este modelo, el valor de calibracion para el coeciente Nash-
Sutclie (NS) debe ser cien y el valor del metodo Relative Volume Error (RVE) debe ser cero. En un GA,
uno de los parametros mas importantes es el tama no de la poblacion. En aplicaciones de recursos hdricos
este valor esta entre 64 y 300 y hasta 1000 individuos [1]. Una gran poblacion ayuda a tener una mayor
diversidad, pero involucra un considedarble costo computacional. A n de encotrar un tama no optimo de
poblacion, en este estudio, se consideraron diferentes tama nos de poblacion. La busqueda inicial se realizo con
una probabilidad de cruce de 0.8 y un tama nos de poblacion de 50 individuos, incrementando la poblacion
en 15 individuos en cada caso, alcanzando una poblacion de 305. El resultado del sistema para la sub-cuenca
Pa ne inicialmente fue 79.269 %, siendo incrementado hasta 83.436 % y para la sub-cuenca Frayle 42.436 %
a 55.9 %. La Figura 5, muestra como la funcion objetivo se reduce resultando un rendimiento mejorado del
sistema. El rendimiento del sistema mejora signicativamente cuando el tama no de la poblacion aumenta
hasta un numero determinado. Luego, con el aumento de la poblacion, el sistema produce mejores resultados,
no hay una mejora signicativa. Ese punto importante en este trabajo se produce con 200 individuos, luego
el rendimiento no mejora signicativamente.
El segundo parametro importante que inuye en el rendimiento del GA, es la probabilidad de cruce, el
metodo de cruce y el metodo de seleccion. Su efecto sobre el rendimiento del sistema es estudiado mediante
la variacion de la probabilidad de cruce desde 0.6 a 0.9, con un incremento de 0.02 con metodos de seleccion
como: ruleta, torneo, estocastico uniforme y metodos de cruce como: Punto simple, punto doble, dispersos;
con una poblacion optima de 200 individuos. Los resultados, se muestran en la Figura 6, comparando la
probabilidad de cruce con el rendimiento del sistema, se puede ver que el rendimiento del sistema mejora con
el aumento de la probabilidad de cruce hasta 0.75. Despues de este valor, el rendimiento del sistema no tiene
mejoras signicativas y hasta disminuye al aumentar la probabilidad de cruce.
En la Figura 7, se muestra los resultados obtenidos por diferentes metodos de cruce.
En las Figuras 8 y 9, se muestra la comparacion de los datos observados de caudales con los caudales
generados por el modelo, usando los parametros que ofrecen el menor error.
La Tabla 1, muestra la eciencia del modelo mediante el coeciente Nash-Sutclie, para la sub-cuenca Pa ne
da un valor de 83.43 %. Esto demuestra que los datos de calibracion y la validacion tienen patrones similares.
El coeciente Nash-Sutclie describe que los son los datos generados por el modelo en comparacion con los
datos observados, son similares. Si el valor es cercano a 1 (100 %), los datos generados tienen un patron similar
al desempe no observado del sistema. Para la sub-cuenca el Frayle, el coeciente de Nash-Sutclie da un valor
Figura 6: Valores de aptitud para diferentes probabilidades de cruce. a)Sub-cuenca Pa ne b)Sub-cuenca Frayle
Figura 7: Valores de aptitud para diferentes probabilidades de cruce. a)Sub-cuenca Pa ne b)Sub-cuenca Frayle
Figura 8: Series de caudales simulados y observados para la sub-cuenca Pa ne.
Figura 9: Series de caudales simulados y observados para la sub-cuenca Frayle
Error Sub-cuenca Pa ne Sub-cuenca Frayle
Nash (NS) 83,436 55.900
RVE(Q) 0.6760 10.20
Tabla 1: Funciones de aptitud obtenidos por el GA.
Parametros Sub-cuenca Pa ne Sub-cuenca Frayle
x
1
2.77 40.27
x
2
0.00 0.00
x
3
4.67 5.15
x
4
0.00 0.00
Tabla 2: Parametros optimos obtenidos por el GA.
de 55.90 % , que decribe que los datos generados por el modelo en comparacion con los datos observados, no
son similares. Si el valor supera 0.5 (50 %), el modelo tienen un desempe no superior a la media del caudal
observado. El error obtenido en la sub-cuenca del Frayle, se puede atribuir a la poca representatividad de los
registros usados para la calibracion del modelo, puesto que solo se cuenta con una estacion de medicion para
una cuenca con una area de 1041 km
2
, motivo por el cual como trabajo futuro se plantea la utilizacion de
algunos metodos como por ejemplo polgomos de Thiessen, que nos permita obtener series mas representativas
para la calibracion.
En la Tabla 2, se pueden ver los valores optimos de los parametros para ambas sub-cuencas.
6. Conclusiones
La aplicacion de algoritmos geneticos es satisfactorio para el ajuste de parametros del modelo GR4J,
generando una representacion signicativa de las series diarias de caudales, especialmente la tendencia de
estos y los caudales mnimos. Los criterios de eciencia, estan entre 50 y 100 % , esto demuestra el potencial
del modelo para la calibracion de modelos hidrologicos. En este estudio, se han encontrado valores cercanos a
la solucion optima en 100 generaciones, con una poblacion de 200 individuos. Una representacion de cadena
real, la incorporacion del metodo de seleccion uniforme estocastica y la forma de cruce dispersa, junto con
una probabilidad de cruce de 0.75, dan los mejores resultados. El modelo GR4J, es facil de implementar, en
comparacion con otros modelos robustos, ya que es dicil tener el control total sobre todos los parametros y las
variables. El uso de 4 parametros facilita su optimizacion mediante el uso de algoritmos geneticos. Se espera
que una combinacion hbrida con diferentes metodos de calibracion y optimizacion basados en metaheursticas
y metodos numericos puedan dar mejores resultados.
Referencias
[1] R. S. Govindaraju A.R. Rao. Articial Neural Networks in Hydrology (Water Science and Technology
Library). Springer, 2000.
[2] Charles Perrin Claude Michel Vazken Andreassian. Improvement of a parsimonious model for streamow
simulation. Journal of Hydrology, 279:275289, 2003.
[3] Marco Franchini Giorgio Galeati. Comparing several genetic algorithm schemes for the calibration of
conceptual rainfall-runo models. Hydrological Sciences Journal, 42:3:357379, 1997.
[4] Waleed ARM MSM Amin G Abdul Halim ARM Shari W Aimrun. Calibrated radar-derived rainfall
data for rainfallruno modeling. European Journal of Scientic Research, 30 (4):608619, 2009.
[5] Autodema. Diagnostico de gestion de la oferta de agua de la cuenca quilca-chili. Technical report,
Autodema, 2002.
[6] M.J. Booij. Impact of climate change on river ooding assessed with dierent spatial model resolutions.
Journal of Hydrology, 303(1-4):176198, 2005.
[7] C. Michel Edijatno. Un modele pluie-debit journalier a trois parameters. La Houille Blanche, pages
113121, 1989.
[8] C. Michel Edijatno. Gr3j: a daily watershed model with three free parameters. Journal of Hydrology, 44
(2):263 277, 1999.
[9] David E. Goldberg. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley
Professional, 1989.
[10] Zbigniew Michalewicz. Genetic Algorithms + Data Structures = Evolution Program. Springer, 1996.
[11] N. O. Nascimento. Appreciation a Laide Dun Modele Emirique Des Eets Daction Anthropiques Sur
La Relation Pluie-Debit a Lechelle Du Bassin Versant. PhD thesis, CERGRENE/ENPC, Paris, France,
1995.