Mapeo de procesos autorregresivos mediante red neuronal perceptron multicapa con componente estocástica. Aplicación a la cuenca del Júcar

Abstract

[ES] En la actualidad se está observando una disminución a escala global de la disponibilidad de recursos hídricos. Este problema se ha intensificado en las últimas décadas debido al cambio climático y a la contaminación de las aguas (ya sean masas de agua superficiales como subterráneas), hecho que repercute directamente en la calidad de vida de la población y en la producción de alimentos a escala mundial. De este modo, ante los escenarios actuales de preocupación y de incertidumbre en el que se encuentra la sociedad, se hace necesario desarrollar nuevos modelos que sean capaces de prever posibles sequías y poder así, adoptar medidas tendentes a la minimización de sus efectos. Si se atiende a los modelos tradicionales, estos se basan en el enfoque probabilístico, ya que permite efectuar la simulación de la gestión del sistema a gracias a las series equiprobables generadas a partir de los datos históricos disponibles para estimar los probables estados del sistema en el futuro. Dentro de esos modelos de generación de series, los de mayor uso tienden a no reproducir de forma satisfactoria las características de las sequías históricas, entre otras propiedades. Por este motivo, en el presente trabajo final de máster se ha tratado de estudiar las redes neuronales artificiales para poder incorporarse de forma satisfactoria en el campo de la Hidrología Operacional y aportar una mayor calidad a la hora de generar series sintéticas. Las aplicaciones del estudio consistieron en generar series sintéticas de caudales mensuales empleando los modelos tradicionales y un modelo de red neuronal perceptron multicapa con componente estocástica. En un primer estudio se analizaron los resultados para un modelo univariado. Estos resultados aparecen en el estudio Mapping autoregressive processes with a stochastic three-layer perceptron. Application to hydrologic time series modeling (Ochoa-Rivera et al., en revisión) y después, se aplicó el mismo procedimiento para un modelo bivariado en otra cuenca de estudio diferente. De los resultados se extrae que el modelo perceptron multicapa es más fiable y robusto que los métodos tradicionales, presentando un mejor rendimiento y fiabilidad.

[EN] Nowadays can be observed a severe global reduction of water resources, this problem has been increased due to the global warming and water pollution (surface water and groundwater) as a result affect global food production and quality of life. Because of this, it is necessary to devevelop new models with ability to predict drought time series and offer measures that reduce the risk in future scenarios that may occur. Classical models study this problem from the probabilistic viewpoint, meaning those kinds of models which use historical time series to predict future time series. For this reason, it is necessary to undertake further studies in Hydrology to develop new models for generating synthetic time series. Classical models use to exhibit some problems when they are applied to reproduce historical droughts. In this study have tried to apply artificial neural networks to improve the classicals models and obtain better results in time series. The applications of the study consisted of generating synthetic monthly time series using classical models and a model of multilayer perceptron neural network with stochastic component. In a first study, we observed better results for unviariado model, these results appear in the study ¿Study Autorregresive Processes Mapping with a stochastic three-layer perceptron. Application to hydrologic time series modeling¿ (Ochoa-Rivera et al., under review) and then the same procedure was applied to bivariate model in another separate study basin. The results showed that the proposed neural network is more reliable and robust than classical methods, thus presenting a better performance and reliability