PREDICCIÓN DE CAUDALES MEDIOS MENSUALES DEL RÍO HUANCANÉ UNIVERSIDAD NACIONAL AGRARIA LA MOLINA ESCUELA DE POST GRADO MAESTRÍA EN RECURSOS HÍDRICOS PREDICCIÓN DE CAUDALES MEDIOS MENSUALES DEL RÍO HUANCANÉ UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES WILBER FERMÍN LAQUI VILCA1 MIGUEL SÁNCHEZ DELGADO2 INTRODUCCIÓN El río Huancané es uno de los principales tributarios del lago Titicaca, cuya cuenca hidrográfica tiene una extensión de 3,521.98 km2 y una longitud de cauce de aproximadamente 125 km, esto hace que sea una de las principales fuentes de abastecimiento de agua para distintos usos en la cuenca. Por esta razón diversas entidades se han interesado en conocer la disponibilidad hídrica actual y futura del río Huancané y otros ríos de la cuenca del lago Titicaca, ya que conocer dichos valores es de fundamental importancia para el planeamiento y manejo de los sistemas de recursos hídricos. Esta investigación centró sus esfuerzos en la predicción de los caudales medios mensuales del río Huancané, desarrollo de modelos de redes neuronales a partir de datos de caudales, precipitación y evaporación, así como la evaluación de la capacidad de desempeño frente a modelos estocásticos. DATOS Figura 1 La información hidrometeorológica utilizada en esta investigación, comprende caudales medios mensuales, precipitación total mensual y evaporación mensual correspondiente al periodo 1964-2002, de las estaciones localizadas en la cuenca del río Huancané (Figura 1) y sus alrededores. Las estaciones utilizadas pertenecen al Servicio Nacional de Meteorología e Hidrología del Perú – SENAMHI, las que se presentan en el Cuadro 1 y Figura 2. Figura 2 Cuadro 1 Precipitación - Estación Putina Caudales - Estación Puente Huancané RESULTADOS Se desarrollaron 10 modelos de redes neuronales artificiales con distintas arquitecturas (Cuadro 2 y Figura 3), cuyo entrenamiento se realizó con un primer conjunto de datos correspondientes al periodo 1964 – 1996, y su validación con el periodo 1997 – 2002. Los modelos de redes neuronales artificiales mostraron comparativamente mejor desempeño en materia de predicción frente a un modelo autorregresivo periódico de primer orden PAR (1), tal como muestra el análisis de errores y prueba de ajuste ( Cuadro 3 y Figura 4). Cuadro 2 Noviembre Setiembre Abril, Julio y Agosto Figura 4 Cuadro 3 Enero y Junio Febrero y Marzo Mayo Octubre y Diciembre Figura 3: Modelo 10 CONCLUSIONES Los modelos de redes neuronales artificiales desde la predicción de caudales mensuales, muestra grados superiores de eficiencia, ya que presentan porcentajes de ajuste superiores al 72%, en comparación al 59% que presenta el modelo PAR (1) y mejores rendimientos en términos de error de predicción y estimación de picos. El modelo 3, es el que presenta mejor desempeño dentro de los modelos que consideran como variables de entrada únicamente caudales medios mensuales. El modelo 7, presenta mejor desempeño dentro de los modelos que consideran como variables de entrada valores de precipitación y evaporación mensual. El modelo 10, presenta mejor desempeño dentro de los 3 modelos que consideran como variables de entrada valores de precipitación, evaporación, y caudales medios mensuales. BIBLIOGRAFÍA Baganha, A. 1999. Modelagem chuva – vazão em bacias hidrográficas com suporte em redes neurais artificiais. Tesis Dr. Universidade Estadual de Campinas. Brasil. 279p. Ballini, R. 2000. Análise e previzâo de vazões utilizando modelos de séries temporais, redes neurais e redes neurais nebulosas. Tesis Dr. Universidade Estadual de Campinas. Brasil. 183 p. Ovando, G; Bocco, M; Sayazo, S. 2005. Redes neuronales para modelar predicción de heladas. Agricultura Técnica. 65(1):65-73. Tokar, A; Markus, M. 2000. Precipitation-runoff modeling using artificial neural networks and conceptual models. Journal of Hydrologic Engineering 4(4), 156-161. Weigert, F. 2005. Modelagem chuva - vazão mensal utilizando redes neurais artificiais. Tesis Mg. Sc. Universidade Federal do Paraná. Curitiva, Brasil. 174 p. Zúñiga, A; Jordán, C. 2005. Pronóstico de caudales medios mensuales empleando sistemas neuro-fuzzy. Revista Tecnológica de la Escuela Superior Politécnica del Litoral 18(1): 17-23. 1 Ingeniero Agrícola. Magister Scientiae en Recursos Hídricos. E-mail: wilfer.lv@gmail.com 2 Profesor Principal del Departamento de Recursos de Agua y Tierra. Facultad de Ingeniería Agrícola. Universidad Nacional Agraria La Molina.