Professional Documents
Culture Documents
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.