extracciÓn de operadores de transiciÓn de...

128
EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE ESTADO EN SISTEMAS COMPLEJOS. APLICACIONES EN HIDROLOGÍA HÉCTOR ANDRÉS ANGARITA CORREDOR Ingeniero Civil Pontificia Universidad Javeriana Maestría en Hidrosistemas Bogotá D.C., Diciembre de 2008

Upload: vuthien

Post on 25-Sep-2018

218 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE ESTADO EN 

SISTEMAS COMPLEJOS. APLICACIONES EN HIDROLOGÍA 

 

 

 

 

 

 

HÉCTOR ANDRÉS ANGARITA CORREDOR 

Ingeniero Civil 

 

 

 

 

 

 

Pontificia Universidad Javeriana 

Maestría en Hidrosistemas 

Bogotá D.C., Diciembre de 2008 

Page 2: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 2

 

EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE ESTADO EN 

SISTEMAS COMPLEJOS. APLICACIONES EN HIDROLOGÍA 

 

 

HÉCTOR ANDRÉS ANGARITA CORREDOR 

Ingeniero Civil 

 

 

Trabajo de grado presentado para optar el título de Magíster en Hidrosistemas. 

 

 

Director: 

EFRAÍN DOMÍNGUEZ CALLE 

Ing. Hidrólogo, MSc Ecología Hidrometeorologíca 

PhD en Ciencias Técnicas 

 

 

Pontificia Universidad Javeriana 

Maestría en Hidrosistemas 

Bogotá D.C., Diciembre de 2008

Page 3: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  3

 

CONTENIDO 

RESUMEN .................................................................................................................................. 8 

Introducción .............................................................................................................................. 9 

1.  Extracción de operadores de transición a partir de datos observados .......................... 13 

1.1.  Marco Conceptual ................................................................................................... 13 

1.2.  El método de operadores adaptativos ‐ AOM ........................................................ 14 

1.3.  Enfoque adaptativo para la extracción de operadores de transición ..................... 15 

1.4.  Optimización de un operador adaptativo ............................................................... 19 

1.5.  Aplicación de un operador adaptativo .................................................................... 20 

1.6.  Frecuencia de muestreo necesaria para la aplicación de operadores adaptativos 22 

1.7.  Ejemplos .................................................................................................................. 25 

1.7.1.  Operadores de transición del atractor de Lorenz. .......................................... 26 

1.7.2.  Extracción de operadores de un sistema caótico simple (DOF = 2) ................ 29 

2.  Aplicación del método de extracción de operadores de  transición en el diseño de un 

sistema de pronóstico hidrológico de niveles en tiempo real ................................................ 34 

2.1.  Alcance y fuentes de información ........................................................................... 34 

2.2.  Comentarios sobre la notación de operadores adaptativos ................................... 36 

2.3.  Ejemplo 1. Estación El Banco .................................................................................. 37 

2.4.  Ejemplo 2. Estación Puente. Balseadero ................................................................. 43 

2.5.  Viabilidad de los pronósticos y análisis de los resultados ....................................... 48 

3.  Aplicación  del método  de  extracción  de  operadores  de  transición  de  estado  en  la 

decodificación de caudales ..................................................................................................... 53 

Page 4: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 4

3.1.  Efecto del proceso codificación‐decodificación en la incertidumbre de la medición 

de caudales .......................................................................................................................... 53 

3.2.  Diseño Experimental ............................................................................................... 56 

3.3.  Resultados ............................................................................................................... 58 

Conclusiones ........................................................................................................................... 61 

 

Page 5: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  5

 

LISTADO DE FIGURAS 

Figura 1 Línea de tiempo de calibración y pronóstico en un modelo AOM donde se ilustra el 

concepto de ventana de parametrización. ............................................................................. 18 

Figura 2. Algoritmo de identificación de un operador adaptativo óptimo ............................. 21 

Figura 3. Algoritmo de pronóstico operativo de un operador adaptativo ............................. 22 

Figura 4 Canal Ruidoso. ........................................................................................................... 23 

Figura 5. Un modelo de pronóstico como un canal ruidoso. .................................................. 23 

Figura 6. Modelos de pronóstico AOM de la forma (9) aplicados en dos señales de caudales 

diferentes (a) Estación El Banco (b) Estación Paicol , a Δt = 1 dia. ......................................... 24 

Figura 7 Criterio de identificación de frecuencia de muestreo óptima .................................. 25 

Figura 8 Series de tiempo del atractor de Lorenz ................................................................... 26 

Figura 9. Resultados de pronóstico de Y utilizando un operador óptimo de la forma (9)...... 28 

Figura 10. Series de tiempo de los Coeficientes del operador de Y = L(Wt) ........................... 28 

Figura 11. Pronóstico de P(yt+1,t). ........................................................................................... 29 

Figura 12 Imágenes capturadas en un modelo físico del péndulo caótico. en los instantes t = 

50, 150 y 250 ........................................................................................................................... 30 

Figura 13 Series de tiempo registradas en las posiciones de un péndulo caótico ................. 30 

Figura 14 Resultados de pronóstico de Y en T = 1, 3, 5 utilizando un operador óptimo de la 

forma (9) ................................................................................................................................. 32 

Figura 15 Resultados de pronóstico de P(Y) en T = 1, 3, 5 utilizando un operador óptimo de la 

forma (10) ............................................................................................................................... 33 

Figura 16 Estaciones limnigráficas seleccionadas de los ríos Cauca y Magdalena ................. 35 

Figura 17. Convención adoptada para presentar el operador adaptativo óptimo.  (a): Series 

de tiempo pronosticadas y observadas (la gráfica  inferior muestra mayor detalle temporal) 

(b) Diagrama de dispersión observado vs  simulado  (c). Parámetros del operador óptimo y 

criterios de desempeño. ......................................................................................................... 36 

Figura  18  Convención  para  la  presentación  de  un  pronóstico  probabilístico  (d)  serie  de 

tiempo de P(Y(t),t) y (e) Gausiana bivariada de P(r,L(Wt)). .................................................... 37 

Page 6: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 6

Figura  19  Series  de  tiempo  del  niveles  diarios  en  la  estación  El  Banco  (X1),  Promedio 

multianual del dia de años precedentes (X2) y niveles registrados en Estación Pto Berrio (X3)

 ................................................................................................................................................. 38 

Figura  20  Series  de  tiempo  del  niveles  horarios  en  la  estación  El  Banco  (Xh1),  niveles 

registrados en Estación Pto Berrio (Xh3) ................................................................................ 38 

Figura 21 Modelos de pronóstico en el Banco a resolución diaria. T = 1,3 y 14 días. ............ 39 

Figura 22 Pronóstico estocástico en el Banco a resolución diaria. T = 1,3 y 14 días .............. 40 

Figura 23. Modelos de pronóstico en el Banco a resolución horaria. T = 1,3 y 6 horas. ........ 41 

Figura 24 Pronóstico estocástico en el Banco a resolución horaria. T = 1,3 y 6 horas ........... 42 

Figura 25. Estimación de la frecuencia óptima de muestreo en la estación el Banco. ........... 43 

Figura 26  Series de  tiempo del niveles horarios en  la estación Puente Balseadero  (Xh1)  y 

precipitacón (Xh2) y niveles registrados en Pte Garces. (Xh3) ............................................... 44 

Figura 27 Modelos de pronóstico en Pte Balseadero a resolución horaria. T = 1 y3 horas. ... 45 

Figura 28. Modelos de pronóstico en Pte Balseadero a resolución horaria. T = 6 y 12 horas.

 ................................................................................................................................................. 46 

Figura 29 Pronóstico estocástico en Puente Balseadero a resolución horaria. T = 1,3, 6 y 12 

horas ........................................................................................................................................ 47 

Figura  30.  Estimación  de  la  frecuencia  óptima  de  muestreo  en  la  estación  Puente 

Balseadero. .............................................................................................................................. 48 

Figura 31 Desempeño de  los operadores según el criterio AMI/H en  las estaciones del Río 

Magdalena a resoluciones temporales Horarias. .................................................................... 51 

Figura 32  Desempeño de los operadores según el S/σΔ en las estaciones del Río Magdalena 

a resoluciones temporales Horarias. ....................................................................................... 51 

Figura 33 Desempeño de  los operadores según el AMI/H en  las estaciones del Río Cauca a 

resoluciones temporales Horarias. ......................................................................................... 52 

Figura 34 Desempeño de  los operadores  según el S/σΔ en  las estaciones del Río Cauca a 

resoluciones temporales Horarias. ......................................................................................... 52 

Figura 35. Esquema de la comunicación aplicado a la observación de un proceso hidrológico.

 ................................................................................................................................................. 53 

Figura 36  Campañas de aforo realizadas en la estación Juanchito. Fuente IDEAM. .............. 54 

Figura 37 Puntos de Caudal y Nivel ......................................................................................... 55 

Page 7: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  7

Figura  38  Diseño  Experimental  para  la  definición  de  una  función  de  decodificación  de 

caudales basada en un modelo de espacio de fase. ............................................................... 56 

Figura 39 Hidrograma de creciente a resolución horaria en la estación La Balsa. ................. 57 

Figura 40 Tramo de Rio Modelado en Mike 11 ....................................................................... 57 

Figura 41 Solución de la onda dinámica en la sección de control considerada ...................... 58 

Figura 42 Diagramas de dispersión de caudal decodificado vs caudal teórico en la sección de 

control.  (a) Curva de gasto  (b) Decodificador de espacio de fase ........................................ 59 

 

 

Page 8: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 8

 

RESUMEN 

Este  trabajo  propone  una  metodología  para  identificar  operadores  que  describen  la transición  de  sistemas  de  complejidad  algorítmica  significativa.  En  el método  es  posible identificar a partir de un conjunto de señales observadas: (1) la matriz de estado del sistema en términos de componentes de  las señales y (2) reglas  locales en el tiempo para predecir las transiciones de dicho estado. Se han realizado dos aplicaciones del método. La primera es la evaluación de la viabilidad de implementar un sistema de pronóstico en tiempo real de niveles  y  caudales  en  los  Ríos  Magdalena  y  Cauca.  Los  resultados  de  esta  aplicación demuestran  la  viabilidad  operativa  de  desarrollar modelos  de  pronóstico  hidrológico  de niveles de agua y caudales en  la mayoría de  las corrientes naturales evaluadas, en escalas desde horarias hasta  semanales.  La  segunda aplicación es un método de definición de  la curva de calibración de caudales que explota la dinámica de la señal observada del nivel. Los resultados  indican que el método  conduce a una  reducción del efecto de  la histéresis en decodificación  del  caudal,  que  no  obstante  no  es  satisfactoria  pues  induce  a  una modificación de la escala en los valores decodificados.  

Abstract 

This work proposes a method  for extracting operators  to describe  transitions  in observed signals from significant algorithmic complexity systems. The method identifies from a set of observed signals: (1) a description of the system state in terms of components of signals and (2)  local  rules  in  time  to predict  the  system  transition  to next  state. The method uses an adaptive approach suitable for systems in non stationary conditions. Two applications of the method have been developed. First, the evaluation of the feasibility for implementing real‐time  forecasting models  for  levels and  flow rates  in the Magdalena and Cauca rivers  from hourly to two weeks lead times. The results of this application demonstrate its operational feasibility  for  implementing predictive models of hydrological water  levels  for most of  the cases  evaluated.  The  second  application  is  the  definition  of  discharge  decoding method which exploits the dynamics of the water level observed signal. The results indicate that the method leads to a reduction in the effect of hysteresis in the decoded flow, which however is not satisfactory as to induce a change of scale in the decoded values.  

Palabras clave: 

Pronóstico  hidrológico,  Sistemas  complejos,  Complejidad  algorítmica,  Modelos determinísticos, Modelos estocásticos. 

Hydrological  Forecast,  Complex  Systems,  Algoritmic  complexity,  Deterministic  models, Stochastic Models. 

Page 9: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  9

 

 

INTRODUCCIÓN 

Una  cuestión  fundamental  en  el  estudio  de  sistemas  naturales  radica  en  cómo  explicar 

secuencias de datos observados con el fin identificar los patrones o estructuras que definen 

su evolución. En esencia,  identificar  reglas de  transición permite disminuir  la  cantidad de 

incertidumbre  sobre el  comportamiento no observado  futuro o pasado. En el  caso de un 

sistema simple, como un péndulo, para un observador  la  incertidumbre   sobre  los estados 

no observados es muy pequeña, pues para éste será posible predecir con precisión estados 

no  observados  a  partir  de  un  conjunto  sencillo  de  reglas  y  el  conocimiento  de  las 

condiciones  las  condiciones  iniciales.  En  la medida  que  el  proceso  sea más  incierto,  un 

observador percibirá en la secuencia de eventos un componente aleatorio hasta el punto en 

el  que  dicho  componente  supere  cualquier  capacidad  del  observador  de  identificar  las 

reglas que determinan su comportamiento.  

A  partir  de  esta  noción  de  incertidumbre  se  introduce  una  definición  intuitiva  de  la 

complejidad de un sistema: Para el observador un proceso será más complejo en la medida 

que  requiera  más  información  para  describir  la  evolución  observada  de  un  sistema. 

Kolmogorov y Chaitin,  formalizaron este concepto desde el punto de vista  informático en 

términos  la  longitud  en  bits  del  programa/algoritmo  más  corto  capaz  de  reproducir  la 

secuencia  de  los  estados  observados  del  sistema.  Esta  definición  guarda  relación  con  la 

capacidad de un observador de describir  el  sistema observado para comunicar la secuencia 

de estados a otro observador:  la complejidad puede medirse como el número mínimo de 

bits  que  deben  "transmitirse"  para  comunicar  toda  la  secuencia  sin  que  existan 

ambigüedades (Cover 1991). Para un sistema simple, o de complejidad algorítmica mínima, 

como  el  de  un  péndulo,  un  observador  podrá  comunicar  una  secuencia  muy  larga  de 

posiciones  en  términos  del  programa  que  numéricamente  implementa  la  ecuación 

diferencial  y  las  condiciones  iniciales  que  gobiernan  su  evolución,  sin  importar  que  el 

Page 10: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 10

intervalo de  simulación  tienda  a  infinito. Por  el  contrario,  en un  sistema de  complejidad 

algorítmica máxima,  el mensaje/programa más  corto  para  transmitir  una  secuencia  de 

estados observados del sistema  es la secuencia misma. 

La  hidrología  como  disciplina  científica  estudia  sistemas  intermedios  bajo  la  definición 

anterior que ocupan una posición entre  los sistemas alta predictibilidad  (simples) como el 

péndulo  y  aquellos  impredecibles  o  totalmente  aleatorios.  Estos  sistemas  pueden 

denominarse  como  de  complejidad  algorítmica  significativa  y  suelen  exhibir 

comportamientos  donde  se  identifican  componentes  estructurables,  es  decir,  sujetos  a 

reglas  identificables  que  determinan  su  evolución  y  otros  no  periódicos  e  irregulares,  o 

aleatorios, que se convierten en una fuente de  incertidumbre para sus observadores. Bajo 

esta definición la existencia de elementos aleatorios en la secuencia de estados observables 

de un  sistema es el  resultado de  la  incapacidad práctica del observador de  identificar  las 

reglas que determinan  las  interacciones dinámicas no observables entre  los componentes 

del sistema y su entorno. 

Existen diversos enfoques para el estudio de  las señales que describen  la evolución de un 

sistema. Un enfoque ampliamente aceptado se basa en el concepto de reconstrucción del 

espacio  de  fase,  definido  como  espacio  donde  es  posible  representar  el  estado  de  un 

sistema. A partir de  los  trabajos de  (Takens 1981), quien demostró que en  la ausencia de 

ruido algunos aspectos  cualitativos el espacio de  fase puede  reconstruirse a partir de  las 

series datos observadas, se han realizado avances en la definición de modelos de pronóstico 

a partir de datos ruidosos, generales y locales, entre otros por (Casdagli, Eubank et al. 1991; 

Juke 2006), (Wagener and Gupta 2005),(Hunt, Kostelich et al. 2007) y  (Friedrich, Siegert et 

al. 2000; Frank, Beekb et al. 2004). Otro enfoque común consiste en modelos autoregresivos 

–AR (Box, Gwilym et al. 2008) que aprovechan  las propiedades de  inercia del proceso para 

estimar los estados futuros como una transformación de los estados pasados. En cualquiera 

de los dos casos, la estimación de los estados futuros requiere la existencia de una regla, o 

un operador, que describa la transiciones entre los estados del sistema. 

Este  trabajo  se  presenta  en  este  contexto.  Su  objetivo  general  es  proponer  un  marco 

metodológico  para  aproximarse  de  forma  empírica  y  cuantitativa  a  la  modelación 

Page 11: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  11

matemática de  sistemas hidrológicos de  complejidad algorítmica  significativa utilizando el 

concepto de operador de  transición en  los datos observados. Para alcanzar este objetivo 

general se plantean los siguientes objetivos específicos: 

• Adopción  del  enfoque  de  operadores  adaptativos  (AOM)  para  la  deducción  de 

ecuaciones  diferenciales  estocásticas  que  sirvan  como  operadores  de  transición  de 

estado en sistemas de complejidad algorítmica significativa,  

• Implementar el método en aplicaciones hidrológicas. 

En relación con el primer objetivo específico, este trabajo establece la conexión matemática 

entre el método de AOM y  los modelos de ecuaciones diferenciales ordinarias  (ODE) y de 

ecuaciones diferenciales estocásticas (SDE). Con respecto al segundo objetivo específico se 

desarrollaron  dos  aplicaciones  del  método.  La  primera  es  el  diseño  de  un  sistema  de 

pronóstico estocástico en tiempo real en la red hidrológica de las cuencas del Magdalena y 

Cauca, donde se aplica el método para definir los operadores de transición en algunas de las 

principales  estaciones  automáticas  del  Instituto  de  Hidrología,  Meteorología  y  Estudios 

Ambientales  ‐  IDEAM.  La  segunda  aplicación  es  la  definición  de  un  procedimiento  de 

codificación y decodificación de la curva de gasto, basada en el espacio de fase Nivel, Caudal 

(Q H) de un  sistema hidrológico. Esta aplicación del AOM aprovecha  la dinámica  local del 

flujo no permanente y no uniforme como alternativa frente al problema de la capacidad de 

medición de  caudales  en  corrientes naturales.  El método para  estimar  la  eficacia de una 

codificación se relaciona con el concepto de capacidad de canal en los casos en que ocurre 

una codificación ruidosa  ‐ CR (o noisy encoding) que es una  interpretación del teorema de 

capacidad de canal propuesto por Shannon (Shannon 1948) en el contexto de ingeniería de 

comunicaciones. 

La  estructura  del  documento  se  desarrolla  de manera  similar.  En  un  primer  capítulo  se 

presentarán los aspectos conceptuales y teóricos del método propuesto y algunos ejemplos 

que  tienen el propósito de aclarar  los detalles operativos del método. El  capítulo 2  trata 

sobre  los resultados de  la evaluación de  la viabilidad de  implementación de operadores de 

transición para fines de pronóstico hidrológico. Complementario a este capítulo se presenta 

el Anexo 1, que contiene  la definición de  los operadores óptimos de pronóstico en  las 11 

Page 12: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 12

estaciones seleccionadas. A continuación, el capítulo 3 ilustra los elementos conceptuales y 

los  resultados  de  la  aplicación  del  método  en  la  identificación  de  un  operador  de 

decodificación de caudales. Finalmente se presentarán las conclusiones y recomendaciones 

del estudio. 

Page 13: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  13

 

1. EXTRACCIÓN DE OPERADORES DE TRANSICIÓN A PARTIR DE 

DATOS OBSERVADOS 

Este capítulo describe el método de extracción de operadores y presenta algunos ejemplos 

y  recomendaciones para  su correcta aplicación. En una primera  sección  se  introducen  los 

fundamentos  conceptuales  y matemáticos  y  los  procedimientos  de  implementación  del 

método propuesto. En  la sección final de este capítulo se presentan algunos ejemplos que 

buscan dar claridad sobre la mecánica y los resultados de la aplicación.  

1.1. Marco Conceptual 

Es  posible  estudiar  las  propiedades  de  la  transición  de  X(t)={X1,  X2,…,  Xm},  el  vector m‐

dimensional de variables de estado de un sistema, a través del concepto de espacio de fase. 

Una aproximación consiste en  suponer que  la derivada con  respecto al  tiempo de X(t)  se 

expresa  en  términos  de  una  función  de  X,  es  decir, mediante  una  ecuación  diferencial 

ordinaria de la forma: 

)),(()(

ttXgdt

tdXi

i = 

(1) 

Dada la sustitución: 

m][1,i ∈

⎥⎥⎥⎥

⎢⎢⎢⎢

= ,...

,

2,

1,

ni

i

i

i

x

xx

X

 

nInI

II

II

xdt

tdx

xdt

tdx

xdt

tdx

,1,

3,2,

2,1,

)(...

)(

)(

=

=

=

  (2)

 

Page 14: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 14

que garantiza que xi,1, xi,2 … xi,n pertenecen al mismo proceso Xi. Ahora,  aceptando que para 

un sistema de complejidad algorítmica  intermedia  la función g(X(t),t) no está determinada 

completamente  ni  el  vector  X(t)  puede  ser  medido  o  decodificado1  perfectamente,  es 

necesario  adoptar  una  formalización  sobre  la  incertidumbre  preservada  en  la  transición 

modelada.  Si  se  supone  que  esta  puede  explicarse matemáticamente  como  alteraciones 

irregulares y no periódicas en las trayectorias del espacio de fase, la ecuación (1) adquiere la 

forma de una ecuación diferencial estocástica (o ecuación de Langevin) de la forma: 

)()),(()),(()( tttXhttXgdt

tdXii

i Γ+=    (3) 

Donde  g(X(t),t)  es  el  componente  determinístico  definido  en  (1),  )(tΓ es  una  señal 

aperiódica  e  irregular  (o  "ruidosa")  y  h(X(t),t)  una  transformación  lineal  que  ajusta  la 

influencia dinámica del ruido en  la evolución del sistema(Gardiner 2004). En una ecuación 

de la forma (3), xi(t) son variables aleatorias. La solución de la ecuación es la evolución de la 

curva  de  densidad  de  probabilidad,  P(xi(t),t),  dadas  las  condiciones  iniciales  y  la 

incertidumbre del sistema.  

La  identificación  de  un modelo  de  espacio  de  fase  basado  en  la  ecuación  (3)  requiere 

establecer  la  forma  y  parámetros  de  g(X(t),t)  y  h(X(t),t)  que  definen  las  transiciones 

observadas de xi(t). Una vez  identificada,  la ecuación  (3) puede ser tratada analíticamente 

mediante  cálculo  estocástico  o  mediante  la  solución  de  la  ecuación  de  Fokker  Plank 

Kolmogorov. También existen técnicas de solución numérica entre otras, Euler (Orden 1) y 

métodos de orden superior, presentados por (Gardiner 2004). 

1.2. El método de operadores adaptativos ‐ AOM 

El  concepto  de  operador  adaptativo  óptimo  ‐  AOM  propuesto  por  (Dominguez  2005; 

Dominguez, Angarita et al. 2009), fue originalmente desarrollado con fines de mejoramiento 

de  las  capacidades  de  pronóstico  en  tiempo  real  de  niveles  y  caudales  en  corrientes 

                                                            

1 Véase capítulo 3 de este documento 

Page 15: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  15

naturales, cuya dinámica no estacionaria limita la capacidad de pronóstico a ciertas escalas 

temporales.  De manera  general,  el  AOM  es  similar  a  otros  enfoques  de modelación  de 

sistemas  dinámicos  en  tiempo  discreto  basados  en  el  concepto  de  espacio  de  fase,  por 

ejemplo, el filtro(Kalman 1960) y también a métodos de análisis de series de tiempo como 

AR, ARX, ARMAX  (Box, Gwilym et al. 2008).  La diferencia  fundamental  consiste en que el 

AOM  explota  las  dinámicas  locales  de  las  señales  observadas,  que  pueden  proveer  una 

aproximación eficiente desde un punto de vista computacional para el análisis de sistemas 

sujetos  a  condiciones  no  estacionarias  y  con  componentes  periódicos  que  ocurren  a 

diferentes  frecuencias.  En  esencia,  el  AOM  consiste  en  adaptar  continuamente modelos 

matemáticos  simples  (lineales  o  no  lineales)  a  la  geometría  y  la  cinemática  observable 

localmente en el espacio de  fase de un sistema. Este enfoque adaptativo continuo resulta 

útil  en  aplicaciones  de  pronóstico  de  tiempo  real  donde  sea  necesario  el  reajuste  no 

supervisado  de modelos  de  pronóstico  en  caso  de  fallas  en  el  proceso  de  transmisión  o 

asimilación  de  datos.  Así  mismo,  permite  enfrentar  operativamente  el  problema  de  la 

dimensionalidad del atractor de un sistema caótico al  identificar entre el vector de señales 

conocidas de un sistema, aquellas que definen el estado en un  instante dato y a partir de 

ello encontrar y ajustar continuamente las reglas de transición al siguiente.  

1.3. Enfoque adaptativo para la extracción de operadores de transición  

El  problema  de  explicar  una  secuencia  de  datos  observados  puede  definirse  como  un 

problema  inverso  de  Tipo  3  (Dominguez  2007),  en  donde  el  objetivo  es  identificar  y 

parametrizar  un  operador  óptimo  que  relacione  las  entradas  y  salidas  conocidas  de  un 

sistema. En este  trabajo por operador se entiende el objeto matemático "L" que modifica 

una función W.  

Definimos W(t) como los estados precedentes del conjunto de m señales observadas de 

X(t), }~,...,~,~{)(~21 mXXXt =X en  el  intervalo  [t-ρ, t],  que  contienen  la  información 

suficiente para representar el estado de un sistema en un instante t: 

Page 16: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 16

⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢

=

−−−

−−−

ρρρ tmtt

tmtt

tmtt

xxx

xxxxxx

t

,,2,1

2,2,21,1

,,2,1

~...~~......

~...~~~...~~

)(W   (4) 

un  operador  de  transición  puede  definirse  como  el  operador  L  que  transforma W(t)  en 

Y(t+T), donde T es el horizonte de tiempo del pronóstico y Y = {x1, x2, xn} es el vector de 

pronóstico n‐dimensional de X: 

)]([Pr tLonósticoTt WY =+   (5) 

nm RRL ⎯→⎯×ρ:  

Con el número de variables de pronóstico n no necesariamente igual al número de variables 

que definen el estado del sistema m. Por convención, se definen como variables endógenas 

las primeras n variables de  )(~ tX , con n ≤ m.  

Aquí  se  propone  una  aproximación  simple  para  identificar  la  forma  de  la  ecuación 

diferencial  estocástica  (3).  Se  supone  un  sistema  en  el  que  es  posible  monitorear 

continuamente y  las dinámicas globales no  lineales pueden aproximarse en el corto plazo 

mediante transiciones locales lineales. Partiendo de las ecuaciones (1) y (3), si se adopta la 

forma lineal para gi(X(t),t): 

( ) ∑∑==

⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢

×

⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢

==n

i

i

i

i

mimi

i

iii

n

iiii

x

xx

tbtb

tbtbtbtb

tXtBttXg1

,

2,

1,

,,1,,

1,2,

,1,2,1,1,1,

1

)(......)(......

)()(...)()(

)()()),((

ρρ

ρ

  (6)

 

y  dada  la  condición  de  la  ecuación  (2),  las  ecuaciones  (1)  y  (3)  se  pueden  reemplazar 

respectivamente por ecuaciones diferenciales de orden superior de la forma: 

( )tqxdtdxta

dtxdta

dtxdta

ii

iii

ii =⎟⎟

⎞⎜⎜⎝

⎛++++∑

=−

ρ

ρ

ρ

ρρ

ρ

ρ1

11

1

1,, )(...)()(   (7) 

Page 17: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  17

( ) )()),((ˆ)(...)()(1

11

1

1,, tttXhtqxdtdxta

dtxdta

dtxdta

ii

iii

ii Γ−=⎟⎟

⎞⎜⎜⎝

⎛++++∑

=−

ρ

ρ

ρ

ρρ

ρ

ρ   (8) 

Ahora, si se aproxima el diferencial de orden n de xi como una diferencia finita hacia atrás 

(Ames 1977): 

( ) iti

it x

ix

dtxd

−=∑ ⎟⎟

⎞⎜⎜⎝

⎛−=∇≅

ρρ

ρ

ρ ρ

0

1  

con  

ρ

ρρρ

ifiii=

−=⎟⎟

⎞⎜⎜⎝

⎛)!(!

!  

Se obtienen los siguientes operadores lineales:  

n][1, , (t) ∈+== ∑∑= =

+icttctWLY i

m

k jikjikjii Tt

1 1

)()()]([ρ

W   (9) 

n][1, , ∈Γ++== ∑∑= =

+itttYhtcttctWLY ii

m

k jikjikjii Tt

)()),(()()()()]([1 1

ρ

W   (10) 

Donde el operador L es una solución numérica de la ecuación de la dinámica del espacio de 

fase  del  sistema,  determinística  (9)  o  estocástica  (10),  y  cikj(t)  y  ci(t)  son  coeficientes 

dependientes del tiempo. La relación entre los coeficientes de las ecuación diferencial (7) y 

la solución numérica (9) está dada por: 

⎥⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢⎢

=

⎥⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢⎢

ki

k

ki

te

ki

ki

ki

ki

c

cicc

a

aaa

ρρ

......2

1

2

1

0

donde 

Page 18: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 18

⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢

=

ρρ

ρ

ρ

f

fffff

...00......

...0

...

11

1

01

00

0

F  

Para  identificar  los coeficientes cikj(t) en cada  instante k se adopta un enfoque de ventana 

móvil, que supone  la posibilidad de explicar  linealmente  las transiciones de corto plazo del 

sistema. Se define  la ventana de parametrización θ, como el  intervalo óptimo de estados 

precedentes del sistema: W(t), W(t‐1),…, W(t‐θ) necesarios para determinar óptimamente 

los coeficientes cikj de las ecuaciones (9) y (10) en t. En general θ<Ns, donde Ns es la longitud 

de las series de tiempo observadas de X(t). La Figura 1 ilustra este concepto.  

 

Figura 1 Línea de tiempo de calibración y pronóstico en un modelo AOM donde se ilustra el concepto de ventana de parametrización.

Por  otra  parte,  la  determinación  del  componente  aleatorio  de  la  ecuación  (10), 

)()),((ˆ tttXh Γ  requiere identificar la intensidad del ruido asociada a la transición de estado 

del sistema. Aquí se adopta una aproximación de la estructura del ruido que supone (1) que 

el  ruido es gausiano  δ‐correlacionado,  según propone  (Friedrich, Siegert et al. 2000) y  (2) 

que h(X(t),t) no varía en el tiempo en el intervalo de pronóstico. Por lo tanto: 

)())(()()),((ˆ ttYhtttYh Γ≈Γ   (11) 

En este caso, se asume una distribución normal bivariada (Fernández, Guijarro et al. 1994) 

para  representar  las  propiedades  aleatorias  de  los  residuales  dado  el  pronóstico 

determinístico del sistema, es decir: 

Page 19: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  19

)))((|()())((ˆ tLxrPttYh iii W==Γ   (12) 

dada  la  distribución  de  probabilidad  conjunta  entre  la  serie  de  residuales  r  y  la  señal 

observada Xi: 

[ ] [ ]iiiii rxrxrxrx

iniii eXrP

−−− −

=1

21

2/12/)2(1)~,(

K

Kπ   (13) 

⎥⎦

⎤⎢⎣

⎡=

i

ii X

rrx ~  

⎥⎦

⎤⎢⎣

⎡=

i

ii X

rrx  

⎥⎥⎦

⎢⎢⎣

⎡= 2

2

rirx

rxri

i

i

SSσ

σK

 

donde  irx  es el vector de los promedios de los residuales y de los valores observados y K la 

matriz de varianza ‐ covarianza de r y  iX~ . 

1.4. Optimización de un operador adaptativo 

Para una solución en el  instante t de  las ecuaciones (6), si se define el error de pronóstico 

como la siguiente diferencia:  

δ=− ++onóstico

TtObservado

TtPrYX   (14) 

L puede denominarse como un operador óptimo si minimiza alguna función de δ. 

El proceso general de identificación de un operador adaptativo óptimo de la forma (1) o (3) 

dadas  (9)  y  (10)  se muestra  en  la  Figura  2.    Por  lo  general,  un  algoritmo  de  búsqueda 

exhaustiva  utilizando  los  criterios  min  (s/σΔ)  como  función  objetivo  (cociente  entre  la 

desviación estándar al cuadrado del error de pronóstico (s (δ)) y  la desviación estándar de 

los incrementos Xi(t+T)‐Xi(t), (σΔ)), es capaz de identificar óptimamente la forma de W(t) y θ 

en un plazo de  tiempo  razonable. Este  criterio exige al modelo que  la variabilidad de  los 

Page 20: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 20

errores  cometidos  en  los  pronósticos  no  supere  la  variabilidad  de  los  incrementos  de  la 

señal observada, es decir, mide  la habilidad que  tiene  la metodología de pronóstico para 

superar al “pronóstico por inercia”, entendido este último como la estimación: 

ObservadoT

InerciaTt XY =+  

Un primer ciclo busca la forma de W(t) entre los componentes de las señales  X~  con rezagos 

en el intervalo de [1,ρmax]. El segundo ciclo tiene que encontrar la longitud de la ventana de 

parametrización óptima θ entre T+m∙ρmax y Ns. Según el criterio de desempeño de Centro de 

Hidrometeorología de Rusia (Appolov 1974), el valor de S / σΔ tiene que ser menor que 0,8 

aceptar que el modelo supera el pronóstico por inercia. 

Dentro  del  ciclo  de  búsqueda  del mejor  operador  aparece  el  ciclo  de  evaluación  de  un 

operador adaptativo, que determina  los coeficientes cij(t) y  la constante ci(t) óptimos  del 

operador L(W(t)). Esto se consigue si se minimiza el error cuadrático σ² (cijk) en el intervalo 

[t‐T‐θ, t‐T] mediante la solución del siguiente problema de optimización: 

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⎥⎥⎦

⎢⎢⎣

⎡⎟⎟⎠

⎞⎜⎜⎝

⎛+−+=→ ∑∑

= =

2

1 1

2 )()( it

m

k jkjikj

Observadoiijk c(t)cTtYEc

ρ

σ W min   (15) 

En el cual los coeficientes cjk y cit son la solución del sistema de ecuaciones: 

0

1,0

2

2

=∂∂

===∂∂

i

ijk

c

..., c

σ

ρσ ,j m , 1,... k

 

(16) 

1.5. Aplicación de un operador adaptativo 

Una vez establecidos  los parámetros del operador óptimo W(t) y  θ para un horizonte de 

pronóstico T, el proceso de emisión de pronósticos se realiza según aparece en el diagrama 

de la Figura 3.  

 

Page 21: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  21

 

Figura 2. Algoritmo de identificación de un operador adaptativo óptimo

Ciclo A. Ooftnidón ...... ___ CIclo .. "CM E_

( - -, -/ -_ .. _ .. -

-.1 - / .... _._ .. - / " "", •

- J l _ .. _"t'l

-"-' _. • / --- / _ .. _-_" __ ," _ ... "

r< -_.- > i >-r< ... '.'-"---"'-

11 -:;¡- JJ -_."-""" ... - .. , ....... I

1-::--1 r< ...... ,-_ ... - ) --I "-"-"",", J _ .. _- I I _o" _ ..... _,,.~

___ o

1-"--r .•• , - L. [II' (,JI- f f < .. (!jI ~

,-, 'o,

I C-_" __ "'~ f _. ~

.. , /--¡ "-..-/

1 U-7,--1 11 .. , : ... , 11

{ _ .. -----"'J -e,

u .. - 11 '" Ciclo c. Doft_ .... com~ .... torio

( :)

/ .... _ .. __ .- /

r< _ .. ,_ .. _ .. _ .. - > ,

, ...... ~-.... ; «-,,_ ¡:.y "l' I ,.

~--, -'

Page 22: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 22

 

Figura 3. Algoritmo de pronóstico operativo de un operador adaptativo

 

1.6. Frecuencia de muestreo necesaria para la aplicación de operadores adaptativos  

En general,  los criterios de desempeño de modelos basados en relaciones de  inercia de  la 

señal  como  s/σΔ,  proveen  información  sobre  la  bondad  del modelo  en  relación  con  su 

capacidad de superar el pronóstico por inercia (o naive forecast) sin establecer una métrica 

sobre la precisión del pronóstico. Es decir, en ningún modo describe el nivel de error que se 

pueda  cometer en  los pronósticos. En  la Figura 6  se  ilustra esta  situación. En un proceso 

altamente predecible (caso A), el pronóstico por  inercia es una estimación muy precisa del 

siguiente estado del sistema. Por el contrario, en el caso (B) este pronóstico es impreciso. La 

situación  anterior  conduce  a  que  en  una  señal  observada  como  irregular  y  aperiódica,  o 

ruidosa, es posible que superar el pronóstico por inercia no necesariamente conduzca a un 

pronóstico  preciso.  Desde  la  perspectiva  del modelador  o  del  usuario  del  pronóstico,  la 

Page 23: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  23

relación  entre  la  señal    y  el  ruido, definida  como  la  relación P/N  entre  la potencia de  la 

señales de L(W(t) y H(Y(t,t)), es  inferior al umbral que garantiza una capacidad del modelo 

de emitir un pronóstico cuantitativo preciso.  

Formalmente, esto guarda  relación con el  teorema de capacidad de canal, propuesto por 

(Shannon 1959), que define la cantidad de información C que puede ser enviada a través de 

un canal ruidoso : 

Ruido (N)

hh Canal: P(h | h) 

Figura 4 Canal Ruidoso.

como: 

)ˆ,(max)(

hhIChp

=   (17) 

Donde  )ˆ,( hhI  es  la  información mutua promedio entre  las señales de entrada y salida del 

canal, h y  h . En este caso se interpreta un operador de transición como el siguiente canal: 

 

Figura 5. Un modelo de pronóstico como un canal ruidoso.

En el que dado un estado del sistema W(t) transmite un estimativo Y(t+T) del estado futuro 

de X.  La  capacidad del operador de  reproducir el estado  futuro del  sistema X(t+T) podría 

expresarse como: 

),(max Pr

)(

ObservadoTt

onósticoTtWtp

XYIC ++=   (18) 

Page 24: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 24

Dada una relación P/N para una señal continua, el teorema de capacidad de canal (Shannon, 

1956)  establece  el  límite  superior  de  la  capacidad  como  función  de  la  frecuencia  de 

muestreo: 

( )NPC +≤ 1logω   (19) 

 

 

Figura 6. Modelos de pronóstico AOM de la forma (9) aplicados en dos señales de caudales diferentes (a) Estación El Banco (b) Estación Paicol , a ∆t = 1 dia.

La  aplicación  de modelos  AOM  en  señales  de  sistemas  hidrológicos  a  diferentes  escalas 

espaciales (Véase Anexo 1) muestra resultados experimentales que relacionan la resolución 

temporal  de  la  señal  de  entrada  con  la  capacidad  de  realizar  un  pronóstico  preciso  que  

supera la inercia del sistema, que corresponde a la interpretación del teorema de Shannon 

donde que  relaciona  la  frecuencia de muestreo  ω  y  la  capacidad de un modelo AOM de 

reproducir las transiciones de estado del sistema.  

Según lo anterior, se supone que en X(t) existe una frecuencia de muestreo que maximiza la 

cantidad de información que es posible transmitir por el canal de la Figura 8. Se propone el 

Page 25: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  25

siguiente  experimento  para  identificar  ω  que  maximiza  la  ecuación  (18):  Dada  una 

frecuencia de muestreo ω, es posible realizar un experimento para  identificar  la existencia 

de un modelo tipo AOM que maximiza  ),( Pr ObservadoTt

onósticoTt XYI ++  y también garantiza  la emisión 

de pronósticos que  superen  la  inercia del proceso  (s/σΔ<0.8). El primer  criterio  reduce el 

efecto  del  ruido  en  la  calidad  del  pronóstico.  Por  su  parte  el  segundo  garantiza  que  el 

operador  aporta  información  a  partir  de  la  dinámica  local  del  proceso.  El  experimento 

consiste en que dada una señal a resolución temporal ∆t, crear series sub‐muestreadas de 

la serie original a 3∆t , 6∆t, 12∆t, etc. En cada caso, mediante el proceso exhaustivo de  la 

Figura 2 se estima el mejor modelo tomando como criterio la ecuación (18) y las condiciones 

min(s/σΔ) y s/σΔ<0.8. 

La  Figura  7  ilustra  un  resultado  de  este  procedimiento.  En  las  abscisas  aparecen  las 

frecuencias  de  muestreo  y  en  las  ordenadas  respectivamente  max  ),( Pr ObservadoTt

onósticoTt YYI ++   y 

min(s/σΔ). En ω=3∆t (3 horas) se alcanza un valor de AMI > 0.99 y min(s/σΔ) = 0.72 < 0.8. 

Esto es un  indicio que  la mayor cantidad de  información sobre  la dinámica de  la transición 

del sistema se encuentra al realizar muestreos en periodos de 3 horas.  

0

0.10.2

0.3

0.4

0.5

0.60.7

0.8

0.9

1

0.94

0.95

0.96

0.97

0.98

0.99

1

1.01

0 2 4 6 8 10 12 14

S/SigmaDelta

AMI

Frecuencia de muestreo (horas)

Pto Berrio(2309703)

AMI

S/s?Min AMI = 0.95

Max S/s?  = 0.8

 

Figura 7 Criterio de identificación de frecuencia de muestreo óptima

1.7. Ejemplos 

En esta  sección de presentan dos ejemplos de aplicación del método. El primero de ellos 

consiste en  identificar el operador de transición del atractor de Lorenz, un sistema caótico 

Page 26: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 26

determinístico. La segunda aplicación es la identificación de un modelo de pronóstico de la 

posición  de  un  péndulo  caótico  (DOF=2)  a  partir  de  información  medida 

experimentalmente.  En  el  siguiente  capítulo,  donde  se  trata  la  implementación  de  un 

sistema  de  pronóstico  hidrológico  de  niveles,  se  presentarán  ejemplos  de    aplicaciones 

específicas en hidrología. 

1.7.1. Operadores de transición del atractor de Lorenz. 

Este primer ejemplo describe el proceso de identificación de los operadores de transición de 

un  sistema  determinístico  donde  las  secuencias  de  estados  X(t)  =  {x(t),y(t),z(t)}  son  la 

solución del sistema de Lorenz: 

   

 

 

Con los parámetros σ = 10, β = 8/3 and ρ = 28. Véase Figura 8 

 Figura 8 Series de tiempo del atractor de Lorenz

Page 27: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  27

En este caso el número de variables de estado y el número de variables de pronóstico, m y n 

=  3, y el operador de la ecuación (5) será de la forma: 

⎪⎭

⎪⎬

⎪⎩

⎪⎨

⎧=

⎥⎥⎥

⎢⎢⎢

+

+

+

)]([)]([)]([

33

22

11

Pr

Pr

Pr

tLtLtL

z

y

x

onósticoTt

onósticoTt

onósticoTt

WWW

   

33: RRL ⎯→⎯×ρ 

Se toma como ejemplo el operador y = L2(W(t)). El procedimiento es igual para los otros dos 

casos.  

Una vez adoptado el horizonte de pronóstico (en este caso T=1), el primer paso consiste en 

identificar  los  parámetros  que  definen  la  estructura  del  operador:  θ,  la  ventana  de 

parametrización y W(t), la matriz de estado del sistema. Siguiendo el algoritmo de búsqueda 

exhaustiva presentado en la Figura 2 se encuentran  θ=177 y W(t): 

⎥⎥⎥⎥

⎢⎢⎢⎢

=

00yz0yzxyzxy

4-t

3-t3-t

2-t2-t2-t

1-t1-t1-t

2Wt

 

que minimizan s/σΔ. Por lo tanto, la forma del operador es: 

te

3

1

4

122 c )()]([ +== ∑∑

= =+

k jkjikj tctWLY

TtWt

 

La  Figura 10 muestra  los valores  calculados de  los  coeficientes  c2jk para  los primeros 500 

pronósticos,  utilizando  en  cada  paso  la  ecuación  (13).  Para  este  operador  los  valores 

obtenidos de  los criterios de desempeño son s/σΔ = 0.12, r² = 0.99 y PI=0.985. La Figura 9 

resume estos resultados.  

Page 28: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 28

 

Figura 9. Resultados de pronóstico de Y utilizando un operador óptimo de la forma (9)

 

Figura 10. Series de tiempo de los Coeficientes del operador de Y = L(Wt)

Finalmente, el componente probabilístico de la señal que reproduce la incertidumbre de los 

pronósticos se estima utilizando la ecuación (9). Los resultados aparecen en la Figura 11: 

⎥⎦

⎤⎢⎣

⎡=

8984.00032.0

irx   ⎥⎦

⎤⎢⎣

⎡−

−=

0476.900274.00274.0 0.0148

K  

Page 29: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  29

 

Figura 11. Pronóstico de P(yt+1,t).

Los resultados indican que en este caso, a la resolución temporal de la solución numérica de 

las  ecuaciones  de  Lorenz,  el  proceso  es  altamente  predecible  según  los  criterios  de 

desempeño evaluados: s/σΔ cercano a cero y r² cercano a 1. El efecto de la precisión de los 

pronósticos determinísticos se observa en el componente probabilístico de Figura 11, conde 

la varianza de los residuales tiende a 0. 

1.7.2. Extracción de operadores de un sistema caótico simple (DOF = 2) 

En  este  ejemplo  se  desea  establecer  los  operadores  transición  de  la  posición  en  Y  de  la 

esfera superior de un péndulo caótico amortiguado (DOF=2) a horizontes de tiempo de 1, 3 

y 5 ∆t. El estado del  sistema  se define por  las coordenadas   X(t) =  [x1,y1,x2,y2], obtenidas 

mediante procesamiento de  imágenes del modelo físico que se muestra en  la Figura 11. Al 

ser obtenido de la observación directa, el vector X(t) se encuentra sujeto a las limitaciones 

de la observación, en particular a la frecuencia de muestreo de la cámara utilizada (30fps, es 

decir 30 s‐1). A diferencia del caso teórico del ejemplo anterior donde  la solución numérica 

permite  adoptar  un  intervalo  de  tiempo  indefinidamente  pequeño,  en  este  caso  las 

características de la medición conducen a una limitación en la cantidad de información que 

es posible recopilar del proceso.  

Para  efectos  del  ejemplo,  se  trabajará  con  información  incompleta,  suponiendo  que 

solamente son conocidas las series x2,y2. 

Page 30: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 30

 

Figura 12 Imágenes capturadas en un modelo físico del péndulo caótico. en los instantes t = 50, 150 y 250

 

Figura 13 Series de tiempo registradas en las posiciones de un péndulo caótico

En el caso considerado, se desea identificar el operador: 

⎪⎭

⎪⎬

⎪⎩

⎪⎨

⎧=

⎥⎥⎥

⎢⎢⎢

+

+

+

)]([)]([)]([

33

22

11

Pr5

Pr3

Pr1

tLtLtL

y

y

x

onósticot

onósticot

onósticot

WWW

 33: RRL ⎯→⎯×ρ  

Siguiendo el procedimiento del ejemplo anterior se encuentran los operadores  

Page 31: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  31

te

2

1

2

1112 c )()]([

1+== ∑∑

= =+

k jkjikj tctWLY

tWt

 

c)()]([2

1

5

1te222 3 ∑∑

= =

+==+

k jkjikj tctWLY

tWt

 

te

2

1

8

1332 c )()]([

5+== ∑∑

= =+

k jkjikj tctWLY

tWt

 

con: 

⎥⎦

⎤⎢⎣

⎡=

2-t2-t

1-t1-t1 xy

xyWt

                ⎥⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢⎢

=

5-t5-t

4-t4-t

3-t3-t

2-t2-t

1-t1-t

2

xyxyxyxyxy

Wt

              

⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢

=

8-t8-t

2-t2-t

1-t1-t

3

xy

......xyxy

Wt

 

 

Utilizando la ecuación (9), se obtienen los siguientes parámetros del componente aleatorio 

de la ecuación (6b): 

⎥⎦

⎤⎢⎣

⎡=

030.47022.0

2rx

                    

⎥⎦

⎤⎢⎣

⎡=

8720.00027.00027.0 0.0586

2xK 

⎥⎦

⎤⎢⎣

⎡=

939.46194.0

2ry                    

⎥⎦

⎤⎢⎣

⎡−

−=

8072.00839.00839.0 0.1255

2YK 

⎥⎦

⎤⎢⎣

⎡=

1889.471336.0

2ry                    

⎥⎦

⎤⎢⎣

⎡−

−=

3793.00027.00027.0 0.0419

2YK 

Las Figura 14 y 12muestran los resultados del modelo. 

Page 32: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 32

  

  

 Figura 14 Resultados de pronóstico de Y en T = 1, 3, 5 utilizando un operador óptimo de la forma (9)

 

. ,----,----__ ------c .... O=~·" ... ~O'<~~, .. "'·~ ... ~------_,--o==c __ ,~ .. "

·W •.•• · •• VV\J\flfAlf\fV\jJ vy-v • "

" . . .. .: .; .¡

• ,i.. : t -+ ',~----'---i.c---------~, • .---------~, • .---------_Io--------~

•• r---------,--c----~r-------_,--------_,--------_,

\f' . . : ; " "','"

,,' < .. :.::¡::' ! " •• •

,,¡ •• --------'''~,-------'-__o, • ._--------~_,__--------_;io_--------_I,'"

.,,--------,---C----'T---------,--------,co-------,

.:: f\f~ vy~1V'l ~~ ,~ - = -'-

_ _ 0:- , _ .. _ • • ". , .:: ,

• ". c .. ., ". • - .• --

,.

... "'. on ..... _

...

-......... '" ~ ...... . .. " .... ' .. -"._ .

, " 1-"., . : .

" 1 , .,1 ,o--.--..._-!,---:;--!.' ..,. ...."....

._~

""-----, .. --.,~ ........... . , .. '............, -....... -· ".-. ... ....,., - .... -

.. " .. ._~

"''0.<>01. __ _ _ .. , .. . -_ ._u_, · ........ .. . ~", .. - ........

-

Page 33: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  33

 

 

 Figura 15 Resultados de pronóstico de P(Y) en T = 1, 3, 5 utilizando un operador óptimo de la forma (10)

El análisis de  los resultados muestra que en los tres horizontes de pronóstico considerados 

(1, 3 y 5 ∆t) se satisface el criterio de desempeño s/σΔ<0.8 en los modelos identificados. No 

obstante, el criterio de precisión AMI/H, no se cumple en todos los casos.  

a  la  luz que este sistema es determinístico  , es un  indicador del efecto de  la frecuencia de 

muestreo en la capacidad de pronóstico del sistema. 

Page 34: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 34

 

 

2. APLICACIÓN DEL MÉTODO DE EXTRACCIÓN DE OPERADORES DE 

TRANSICIÓN EN EL DISEÑO DE UN SISTEMA DE PRONÓSTICO 

HIDROLÓGICO DE NIVELES EN TIEMPO REAL  

Este capítulo presenta  la aplicación del método de extracción de operadores de transición 

en el pronóstico hidrológico de niveles de agua en estaciones  limnimétricas  localizadas en 

diferentes puntos de  los Ríos Magdalena y Cauca. Aquí  se desarrollan y discuten algunos 

ejemplos generales de implementación de los modelos AOM y se presenta un resumen con 

los  resultados  de  la  viabilidad  de  implementación  del  sistema.  La  información  detallada 

sobre  la configuración de  los mejores modelos de  las 11 estaciones evaluadas se presenta 

en los Anexos 1, 2 y 3 

2.1. Alcance y fuentes de información 

Mediante  esta  aplicación  se  desea  estudiar  la  viabilidad  del  método  de  extracción  de 

operadores de transición en  la definición de modelos de pronóstico hidrológico de niveles 

en  las  estaciones  hidrológicas  automáticas  mostradas  en  la  Figura  16.  Las  estaciones 

seleccionadas abarcan un espectro significativo de escalas espaciales de  las cuencas de  los 

ríos Cauca y Magdalena.  

El diseño  experimental propone  la  evaluación  en dos  grupos:  (a) pronósticos basados  en 

series diarias con horizontes de 1, 3 y 14 días y (b) pronósticos basados en series horarias 

con horizontes de 1, 3, 6 y 12 horas. Con la información obtenida en ambos casos, se estudia 

la  frecuencia  de muestreo  óptima  según  la metodología  propuesta  en  la  sección  1.6  del 

capítulo anterior.  

Page 35: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  35

 

Figura 16 Estaciones limnigráficas seleccionadas de los ríos Cauca y Magdalena

 

Convención

@ Estllci6n piloto

estaciones ® Automática. PM

® Automátic.&, LO

- RIO MAGDALENA

-- RIOCAUCA

Page 36: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 36

2.2. Comentarios sobre la notación de operadores adaptativos 

La  Figura  17 muestra  la  convención  adoptada  para  representar  el  operador  adaptativo 

óptimo. Allí se incluyen los parámetros del operador T, horizonte de pronóstico y θ, ventana 

de parametrización. La notación utilizada: X1 : (1,2,3,..,ρ1), X2 : (1,2,3,..,ρ2), Xm : (1,2,3,..,ρm) 

es equivalente a la ecuación (4) en la forma: 

⎥⎥⎥⎥⎥

⎢⎢⎢⎢⎢

=

m

1

2

,

,1

,2

tm,t2,t1,

x...00...0x

...x...x...xx

ρ

ρ

ρ

tm

t

tWt

 

En el formato también se presentan los criterios de desempeño s/σΔ, r², PI e I/H. Para cada 

modelo se presentan  las series de  tiempo  (hasta 730 pronósticos, según disponibilidad de 

información) y el diagrama de dispersión de niveles observados vs pronosticados. En el caso 

de  los  pronóstico  probabilísticos,  se  presentan  las  series  de  tiempo  de  P(Y(t),t)  y  la 

distribución de probabilidad  ))(,( WtLrP ii  correspondiente. 

 

Figura 17. Convención adoptada para presentar el operador adaptativo óptimo. (a): Series de tiempo pronosticadas y observadas (la gráfica inferior muestra mayor detalle temporal) (b) Diagrama de dispersión observado vs simulado (c). Parámetros del operador óptimo y criterios de desempeño.

(b) 

(c)

(a)  

Page 37: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  37

 

Figura 18 Convención para la presentación de un pronóstico probabilístico (d) serie de tiempo de P(Y(t),t) y (e) Gausiana bivariada de P(r,L(Wt)).

2.3. Ejemplo 1. Estación El Banco 

Los datos de la estación El Banco, localizada en la cuenca baja del Rio Magdalena, muestran 

un  fuerte patrón de  inercia, es decir  los niveles  futuros del  sistema varían  lentamente en 

relación  con  el  estado  actual.  Las  Figura  19  y  Figura  20  muestran  que  a  resoluciones 

temporales  horarias  la  función  de  autocorrelación  alcanza  una memoria  de más  de  100 

horas, y en las series diarias el radio de correlación supera 40 días. En estos casos, como se 

mencionó en  la sección 1.6,  los modelos de predicción suelen  tener valores de s/σΔ altos 

(en algunos casos, s/σΔ>1), que muestran que la historia del proceso en sí misma contiene la 

información  suficiente  para  prever  con  precisión  el  futuro  inmediato.  Cualquier modelo 

aplicado tiene que ser lo suficientemente bueno para traer nueva información acerca de la 

dinámica del proceso a fin de explicarlo más allá de la influencia de la inercia.  

Las  Figura  21  a  21 muestran  los  operadores  obtenidos  y  los modelos  determinísticos  y 

estocásticos  para horizontes de pronóstico de 1, 3, 6, 12 horas y 1,3 y 14 días. En general, 

se observa que los modelos con resoluciones temporales por encima de 3 horas superan el 

pronóstico por  inercia, con valores de S/σ∆ entre 0.65 y 0.75 y PI entre 0.20 y 0.55. Por su 

parte, en  los modelos probabilísticos también es posible observar el efecto del ruido en  la 

incertidumbre de los pronósticos de los horizontes de 3 y 14 días.  

Por otra parte, el análisis de  frecuencias de muestreo, mostrado en  la Figura 25, muestra 

que en el rango de resoluciones temporales de entre 3 horas y 3 días es posible reproducir 

(e) (d)  

Page 38: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 38

pronósticos  precisos  (AMI>0.95)  que  superan  la  inercia  del  proceso.  Esto  no  ocurre  con 

pronósticos a resolución de 1 hora, en donde el modelo no mejora el pronóstico por inercia. 

No obstante, en este caso esto se debe a los errores de cuantización en la señal observada. 

 

Figura 19 Series de tiempo del niveles diarios en la estación El Banco (X1), Promedio multianual del dia de años precedentes (X2) y niveles registrados en Estación Pto Berrio (X3)

 

Figura 20 Series de tiempo del niveles horarios en la estación El Banco (Xh1), niveles registrados en Estación Pto Berrio (Xh3)

Page 39: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  39

 

 

 

Figura 21 Modelos de pronóstico en el Banco a resolución diaria. T = 1,3 y 14 días.

-- --.-T . . . ~

'- .!'I': ,.r "i· ¡ \Ah \r/~

_l---------... k---------... >'''-''---, .. io--------, .. k---------, .. k---------.... -, , . ~ . .. ~~~ . ,;...~/ -, ,)., .. : rJ:........ . ; .--.. '''R ' ' ~ .... ' t ' • --''...Q ' : ~ . , . ' I ,

',," .. '" .. ..

'. .. .. .. .. .. .. '-

.,.C"--------__ ------------r------------,-------------,--------------....

.;.-

-j---, . ' "

.. ,--- --

..

"

, i

"

• !

"

"''''0'''''_''''''''

., .. , ... . , .... ,,", .. ' ...... . --.. •. ",., , -0.­... ......" _ ... -

" •

" • '--...,."cn __

., .. u~..., ., .. . J .,~, ........

....... , ... , ~ "'._50 ........... - ........

. " ._-... JO ..... __

--,,, .. , .. -.... ............. '~.~' .. ".'~,~' .... ,'.,".> ',~OJ _ . . ~.:~=-.. -._ .. - -......

"

Page 40: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 40

 

 

 

 

Figura 22 Pronóstico estocástico en el Banco a resolución diaria. T = 1,3 y 14 días

¡

, •

, , . ~ - ~ ........ ••

Page 41: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  41

 

 

 Figura 23. Modelos de pronóstico en el Banco a resolución horaria. T = 1,3 y 6 horas.

 

Page 42: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 42

 

 

 

Figura 24 Pronóstico estocástico en el Banco a resolución horaria. T = 1,3 y 6 horas

Page 43: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  43

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0.93

0.94

0.95

0.96

0.97

0.98

0.99

1

1.01

0 100 200 300 400

S/SigmaDelta

AMI

Frecuencia de muestreo (horas)

El Banco(2502702)

AMI

S/s?Min AMI

Max S/s?

 

Figura 25. Estimación de la frecuencia óptima de muestreo en la estación el Banco.

Las siguientes tablas se muestran los tiempos de cálculo obtenidos en la identificación de los 

de los operadores óptimos.  

Tabla 1 Tiempos de cómputo de identificación y pronóstico en la estación el Banco. Resolución Diaria.

Horizonte de pronóstico(H) 

Tiempo de extracción del operador 

(HH:MM:SS) 

Tiempo de cómputo para 365 pronósticos 

(Seg) 

1  00:02:10  0.53 

3  00:05:20  0.48 

14  00:14:44  2.05 

Tabla 2 Tiempos de cómputo y desempeño de los operadores adaptativos en la estación el Banco.

Frecuencia de muestreoω 

(H) 

Tiempo de extracción del operador 

(HH:MM:SS) 

Tiempo de cómputo para 365 pronósticos 

(Seg) 

1  00:00:32  0.31 

3  00:00:38  0.28 

6  00:00:37  0.37 

12  00:00:36  0.40 

2.4. Ejemplo 2. Estación Puente. Balseadero 

En  la estación de Puente Balseadero,  localizada en  la cuenca media del Rio Magdalena,  los 

datos horarios muestran que el proceso de escorrentía tiene una memoria de menos de 5 

horas. Este tipo de proceso, en comparación con  la estación de El Banco, es más difícil de 

predecir  con  precisión  y  es  comparativamente  más  sencillo  superar  el  pronóstico  por 

inercia.  

Page 44: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 44

El  análisis  de  las  frecuencias  de  medición  muestra  que  los  pronósticos  son  viables  a 

resoluciones temporales de 3 horas. 

Por otra parte, los tiempos de cálculo obtenidos en la identificación de los de los operadores 

óptimos en la estación Puente Balseadero son los siguientes: 

Tabla 3 Tiempos de cómputo y desempeño de los operadores adaptativos en la estación Puente Balseadero.

ω

(H) 

Tiempo de extracción del operador 

(HH:MM:SS) 

Tiempo de cómputo para 365 pronósticos 

(Seg) 

1  00:02:10  0.53 

3  00:05:20  0.48 

6  00:14:44  2.05 

12  00:48:00  3.44 

 

 

Figura 26 Series de tiempo del niveles horarios en la estación Puente Balseadero (Xh1) y precipitacón (Xh2) y niveles registrados en Pte Garces. (Xh3)

 

Page 45: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  45

 

 

Figura 27 Modelos de pronóstico en Pte Balseadero a resolución horaria. T = 1 y3 horas.

Page 46: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 46

 

 

Figura 28. Modelos de pronóstico en Pte Balseadero a resolución horaria. T = 6 y 12 horas.

Page 47: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  47

 

 

 

 Figura 29 Pronóstico estocástico en Puente Balseadero a resolución horaria. T = 1,3, 6 y 12 horas

,

,

,

" "

. --

" " -

'" ,.

," '

"

"

" •

Page 48: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 48

0

0.2

0.4

0.6

0.8

1

1.2

0

0.1

0.20.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0 2 4 6 8 10 12 14

S/SigmaDelta

AMI

Frecuencia de muestreo (horas)

PteBalseadero (2104701)

AMI

S/s?

Min AMI = 0.95

Max S/s?  = 0.8

 

Figura 30. Estimación de la frecuencia óptima de muestreo en la estación Puente Balseadero.

 

2.5. Viabilidad de los pronósticos y análisis de los resultados 

Las  siguientes  tablas  resumen  los  resultados  de  desempeño  de  los modelos  basados  en 

operadores  de  transición  para  la  emisión  de  pronósticos  hidrológicos  en  los  casos  de 

pronóstico horario y diario. Según los criterios adoptados (S/σ∆<0.8 y AMI > 0.95),a escalas 

horarias, en 9 de las 11 estaciones evaluadas es viable la implementación de un sistema de 

pronóstico en tiempo real a resolución entre 1 a 12 horas. En los pronósticos diarios, en 5 de 

las 8 estaciones evaluadas se identificaron modelos de pronóstico satisfactorios.  

Tabla 4 Viabilidad de implementación de los pronósticos de resolución horaria en las estaciones evaluadas

Estación 

AMI    S/σΔ   Viabilidad del pronóstico 

basado en AOM 

Horizonte (Días)    Horizonte (Días)    Horizonte (Días) 

1  3  14    1  3  14    1  3  14 

El Banco (2502702)  1.00  0.99  0.99    0.62  0.67  0.72    Viable  Viable  Viable 

Nariño (2123701)    0.95  0.61      0.76  0.90      Viable   

Puerto Araujo  0.95  0.89  0.82    0.79  0.91  0.85    Viable     

Puerto Berrio (2309703)  0.94  0.97  0.87    0.82  0.70  0.82      Viable   

Puerto Salgar (2303701)    0.95  0.76      0.79  0.83      Viable   

Purificación (2502702)  0.72  0.83  0.62    0.92  0.89  0.85         

Puente. Balseadero (2104701)  0.48  0.85  0.65    0.92  0.76  0.77         

Salado Blanco (2101704)  0.66  0.74  0.53    0.86  0.88  0.74         

 

Page 49: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  49

Tabla 5 Viabilidad de implementación de los pronósticos de resolución horaria en las estaciones evaluadas

Estación 

AMI  S/σΔ Viabilidad del pronóstico 

basado en AOM Frecuencia de 

muestreo (Horas) Frecuencia de muestreo 

(Horas) Frecuencia de muestreo (Horas) 

1  3  6  12  1  3  6  12  1  3  6  12 

Bolombolo (2620708)  0.99   0.97  0.92     0.768  0.955  0.816     Viable       

La coquera (2624702)  1.00   0.98  0.95  0.91  0.759  0.762  0.855  0.857  Viable  Viable     

El Banco (2502702)  1.00   1.00  1.00  1.00  0.913  0.703  0.656  0.616    Viable  Viable  Viable 

Narino (2123701)  1.00   0.99  0.94     0.500  0.628  0.858       Viable     

Pte. Balseadero (2104701)  0.90   0.95  0.82  0.48  0.988  0.774  0.828  0.919    Viable     

PtoAraujo (2312702)  1.00   0.94  0.97  0.93  0.738  0.953  0.845  0.790  Viable       

Pto. Berrio (2309703)  0.90   0.95  0.82  0.48  0.812  0.725  0.874  0.818    Viable     

Pto. Salgar (2303701)  1.00   0.99  0.98     0.436  0.533  0.520     Viable  Viable  Viable   

Purificación (2502702)  1.00   0.97  0.86  0.72  0.553  0.878  0.917  0.925  Viable       

Salado Blanco (2101704)  0.98   0.93  0.83  0.66  1.107  1.116  0.915  0.858         

La Victoria (2610707)  1.00   1.00  0.99  0.97  1.033  0.849  0.923  0.964         

 

En  la cuenca del Río Magdalena  (Véase Figuras 31 y 32), sobre el análisis comparativo del 

desempeño de los modelos de pronóstico encontrados cabe mencionar: 

• En  la Estación el Banco,  localizada en el extremo aguas abajo del tramo analizado, 

son  viables  los  pronósticos  en  todas  las  escalas  temporales  a  excepción  de  la 

frecuencia de muestreo de una hora. Un análisis detallado de  la  señal observada 

indica que  la medición de  los niveles del agua a esta  frecuencia de muestreo esta 

afectada   por errores de  cuantización del  instrumento, pues  las  variaciones en el 

proceso ocurren en escalas  inferiores a  la precisión de  la medición  (0.01m). Véase 

¡Error!  No  se  encuentra  el  origen  de  la  referencia.a.  En  estas  condiciones  la 

secuencia  de  observaciones  no  contiene  suficiente  información  sobre  las 

transiciones de estado del proceso.  

• En  la  estación  Salado  Blanco,  localizada  en  extremo  aguas  arriba  del  tramo 

considerado, no se encontró ningún modelo viable  en las resoluciones evaluadas.  

• En  las  estaciones  localizadas  entre  los  extremos,  se  observa  una  tendencia  a 

aumentar el número de modelos viables en  la medida que el tamaño de  la cuenca 

Page 50: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 50

es mayor. Sin embargo, no existe un patrón que permita relacionar la viabilidad de 

la implementación del modelo a una resolución temporal específica (1, 3 horas, etc) 

con  la posición de  la  estación  en  el Rio,  es decir,  el orden de  las  estaciones que 

indirectamente provee una noción del  tamaño de  la  cuenca aferente, no permite 

inferir  la  viabilidad  del  pronóstico.  Sin  embargo,  cabe  aclarar  en  los  modelos 

construidos  se  construyeron  a  partir  de  información  de  un  número  limitado  de 

estaciones  hidrológicas.  En  la  medida  que  sea  posible  utilizar  información  mas 

completa de la red hidrometeorológica del país se podrá evaluar con mayor detalle 

la existencia de una tendencia en este sentido.  

Por  otra  parte  en  la  cuenca  del  Río  Cauca  (Véase  Figuras  31  y  32),  en  los  pronósticos  a 

resolución  horaria  se  observa  una  situación  similar  al  Río Magdalena.  En  la  estación  La 

Victoria,  localizada mas aguas arriba del tramo considerado, no son viables  los pronósticos 

en ninguno de los casos considerados. Es posible que la explicación de esta situación sea la 

incapacidad  de  la  frecuencia  de  muestreo  actual  de  capturar  con  suficiente  detalle  la 

dinámica del proceso, en particular porque en general, entre menor  sea el  tamaño de  la 

cuenca, son menores los tiempos de respuesta del sistema a los eventos de lluvia.  

Sobre los resultados obtenidos, un elemento importante lo constituye identificar los límites 

de los sistemas de medición actual para anticipar la ocurrencia de eventos extremos. En las 

cuencas  de  menor  tamaño,  a  la  luz  del método  propuesto,  los  intervalos  de medición 

actuales hacen  inviable el pronóstico de  los eventos extremos del proceso y por  lo  tanto, 

limitan de manera  importante  la  capacidad de  implementar un  sistema de pronóstico en 

tiempo real, en particular en aplicaciones en sistemas de alerta.  

 

Page 51: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  51

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

AMI /

 H

1h 1.00 0.90 1.00 1.00 1.00 1.00 0.90 0.98

3h 1.00 0.95 0.99 0.99 0.94 0.97 0.95 0.93

6h 1.00 0.82 0.98 0.94 0.97 0.86 0.82 0.83

12h 1.00 0.48 0.93 0.72 0.48 0.66

El Banco (2502702)

Pto. Berrio (2309703)

Pto. Salgar (2303701)

Narino (2123701) PtoAraujoPurificación (2502702)

Pte. Balseadero (2104701)

Salado Blanco (2101704)

min AMI/H 

 

Figura 31 Desempeño de los operadores según el criterio AMI/H en las estaciones del Río Magdalena a resoluciones temporales Horarias.

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

S/σΔ

1  0.91   0.81   0.44   0.50   0.74   0.55   0.99   1.11 

3  0.70   0.72   0.53   0.63   0.95   0.88   0.77   1.12 

6  0.66   0.87   0.52   0.86   0.84   0.92   0.83   0.91 

12  0.62   0.82   0.79   0.92   0.92   0.86 

El Banco (2502702)

Pto. Berrio (2309703)

Pto. Salgar (2303701)

Narino (2123701) PtoAraujoPurificación (2502702)

Pte. Balseadero (2104701)

Salado Blanco (2101704)

max S/σ∆ = 0.80

 

Figura 32 Desempeño de los operadores según el S/σΔ en las estaciones del Río Magdalena a resoluciones temporales Horarias.

Page 52: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 52

0.86

0.88

0.90

0.92

0.94

0.96

0.98

1.00AMI / H

1h 1.00 0.99 1.00

3h 0.98 0.97 1.00

6h 0.95 0.92 0.99

12h 0.91 0.97

La  coquera  (2624702) Bolombolo (2620708) La Victoria (2610707)

min AMI/H = 0.95

 

Figura 33 Desempeño de los operadores según el AMI/H en las estaciones del Río Cauca a resoluciones temporales Horarias.

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

S/σΔ

1  0.76   0.77   1.03 

3  0.76   0.95   0.85 

6  0.85   0.82   0.92 

12  0.86   0.96 

La coquera  (2624702) Bolombolo (2620708) La  Victoria  (2610707)

max S/σΔ = 0.8

 

Figura 34 Desempeño de los operadores según el S/σ∆ en las estaciones del Río Cauca a resoluciones temporales Horarias.

Page 53: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  53

 

3. APLICACIÓN DEL MÉTODO DE EXTRACCIÓN DE OPERADORES DE 

TRANSICIÓN DE ESTADO EN LA DECODIFICACIÓN DE CAUDALES  

En este capítulo se presenta una aplicación del método de extracción de operadores  en la 

decodificación de caudales. El desarrollo aquí presentado esta motivado por  la posibilidad 

práctica de ofrecer alternativas al procedimiento basado en  la curva de calibración para  la 

estimación de los caudales a partir de la medición  sistemática de los niveles de agua en una 

corriente natural.  

3.1. Efecto del proceso codificación‐decodificación en la incertidumbre de la medición de caudales 

La observación de  las  señales generadas por un  sistema hidrológico puede describirse de 

manera  general mediante  el  esquema  de  comunicación  propuesto  por  (Shannon  1948)  

mostrado en  la Figura 35. En este caso, no obstante, debe considerarse el hecho que en el 

sistema hidrológico  la señal "real" se encuentra oculta para el observador. Un ejemplo de 

esta situación es la medición de series de tiempo de caudales: Un observador "ve" el Caudal 

tQ  en un punto de la corriente tras realizar un proceso de codificación en términos del nivel 

medido del agua ht y una la función de decodificación  )ˆ(ˆthftQ = . La eficiencia o bondad de 

este proceso de codificación ‐ decodificación puede estimarse de forma cuantitativa como la 

información mutua promedio  )ˆ;( tQQI , que mide  la cantidad de  información de  la variable 

"real" Q (oculta) está contenida en  el valor estimado  )ˆ(ˆthftQ =  

 Figura 35. Esquema de la comunicación aplicado a la observación de un proceso hidrológico.

Page 54: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 54

Convencionalmente  la  función de decodificación  )ˆ(ˆthftQ =   es una  expresión de  la  forma  

(Rantz 1982): 

bzHaQ )( −=   (13) 

donde Q es el caudal, (H‐z) es la diferencia entre la cota del agua y la cota de flujo cero, y a y 

b son coeficientes que contienen información empírica sobre las características de la sección 

hidráulica. La ecuación (13) supone una relación biunívoca entre  los caudales "reales" y los 

niveles en el punto donde se realiza  la medición del nivel, que generalmente se determina 

ajustando  una  curva  a  puntos  conocidos  de  registros  de  nivel  y  caudal,  obtenidos  en 

campañas de aforo.  

0

100

200

300

400

500

600

700

800

0 200 400 600 800 1000 1200

Caudal (m3/s)

(H-z

) (cm

)

0

50

100

150

200

250

300

350

400

450

500

0 100 200 300 400 500

Caudal

(H-z

) (cm

)

 

Figura 36 Campañas de aforo realizadas en la estación Juanchito. Fuente IDEAM.

La Figura 36 muestra los datos de una serie de campañas de aforo en la estación Juanchito, 

localizada en el Río Cauca, señalando mediante una  línea entre  los puntos  la secuencia de 

las mediciones. En esta gráfica se evidencia una dispersión entre  los datos observados que 

implica que no existe una decodificación única del caudal Q dado un nivel h y por  lo tanto 

adoptar una expresión de  la  forma  )ˆ(ˆthftQ =  no conduce a una estimación precisa de Q. 

Incluso en  los datos tomados en un mismo año (gráfica de  la derecha)  los datos sucesivos 

con Q similar ocurren a niveles muy diferentes. En el recuadro rojo, las diferencias alcanzan 

90m3/s en relación con caudales del orden de 250 m³/s, lo que indica una variación relativa 

de aproximadamente 35%. Esto se debe a muchos factores, entre otros, el método de aforo, 

Page 55: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  55

la variabilidad de  la geomorfología del cauce y particularmente, al efecto de  las fuerzas de 

inercia de la onda de una creciente en la relación nivel caudal.  

El estudio teórico de la física del proceso de flujo mediante las ecuaciones de onda dinámica 

de Saint Vennant, ofrece una posible explicación a esta situación observada. La solución de 

las ecuaciones en condiciones de flujo no permanente ni uniforme, demuestra la existencia 

de  ciclos  de  histéresis  en  la  relación  de  caudal  nivel,  que  conducen  a  las  relaciones  de 

"varios a varios" observadas en los datos de las campañas de aforo. La Figura 37 muestra un 

ejemplo de  solución de  las ecuaciones de  flujo para el  tránsito de un hidrograma en una 

corriente  natural  a  resolución  temporal  horaria,  realizada  con  el  software Mike  11  (DHI 

2007).   A esta escala temporal,  la histéresis demuestra una secuencia ordenada de valores 

de Q‐H que concuerda de manera general con  la situación observada en  las campañas de 

aforo.   

 

Figura 37 Puntos de Caudal y Nivel

Page 56: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 56

3.2. Diseño Experimental 

La existencia de una  secuencia  con estructura  temporal de estados del nivel caudal en el 

sistema hidrológico supone la posibilidad de implementar un modelo de espacio de fase que 

asimile la dinámica observada de h en una función de decodificación de la serie de caudales. 

El experimento propuesto es el siguiente: 

 Figura 38 Diseño Experimental para la definición de una función de decodificación de caudales basada en un modelo de espacio de fase.

1. Solución de un modelo hidráulico de onda dinámica en un tramo de una corriente 

natural de  condiciones de  frontera  conocidas, utilizando el  software MIKE 11. De 

esta solución, para una sección de control arbitraria, se toman las series modeladas 

de caudal (Qt) y nivel (ht). Los datos utilizados corresponden al tramo del Rio Cauca 

comprendido entre  las estaciones  limnimétricas La Balsa y Juanchito (Véase Figura 

Figura 40)(Sandoval 2007). La sección de análisis se ubicó 4648m aguas debajo de la 

estación la Balsa.  

La  condición  de  frontera  adoptada  es  el  hidrograma  a  resolución  12  horas  de  la 

creciente iniciada el 11 de Noviembre de 2001 que se muestra en la Figura 39.  

Page 57: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  57

0.00

50.00

100.00

150.00

200.00

250.00

300.00

350.00

400.00

450.00

500.00

11/11/2001

12/11/2001

13/11/2001

14/11/2001

15/11/2001

16/11/2001

17/11/2001

18/11/2001

19/11/2001

20/11/2001

21/11/2001

22/11/2001

23/11/2001

24/11/2001

25/11/2001

26/11/2001

27/11/2001

28/11/2001

29/11/2001

30/11/2001

01/12/2001

02/12/2001

03/12/2001

04/12/2001

05/12/2001

06/12/2001

Caudal (m³/s)

Título del eje

 

Figura 39 Hidrograma de creciente a resolución horaria en la estación La Balsa.

 

Figura 40 Tramo de Rio Modelado en Mike 11

Page 58: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 58

2. Definición  de  la  curva  de  gasto  de  la  sección  de  control  arbitraria:  )ˆ(ˆ0 thftQ =   y 

reconstrucción de  la serie de caudales decodificados a partir de  la serie de niveles. 

La eficiencia de  la codificación está dada por  ))(;( 0 hfQI . Este es el valor se asume 

como referencia de la eficiencia de un modelo convencional de decodificación para 

el caso estudiado. 

3. Dadas las series de tiempo de Qt y ht, se determina la forma de la matriz de estado 

Wt para un operador de la forma (9) siguiendo el proceso de la Figura 3. Se define la 

condición  01 =jx  para  ],1[ ρ∈j  que garantiza que el caudal real está oculto para 

el operador de transición.  

4. Definición de un modelo de regresión de la forma   cBatQ )(ˆ Wt⋅=  y reconstrucción de 

la serie de caudales decodificados a partir de  la serie de niveles. La eficiencia de  la 

codificación está dada por  )))((;(1cBaQI tW⋅ . 

5. Comparación de  ))(;( 0 hfQI  y  )))((;(1cBaQI tW⋅  

3.3. Resultados  

La Figura 36 muestra  los resultados de  las series de tiempo de caudal y nivel a resolución 

horaria obtenidas en la sección de análisis. 

0

50

100

150

200

250

300

350

400

450

500

1 73 145 217 289 361 433 505 577 649 721 793 865 937 1009 1081 1153

Tiempo

Q

972

973

974

975

976

977

978

m.s

.n.m

Caudal (m3/s)

Cota (m)

 Figura 41 Solución de la onda dinámica en la sección de control considerada

Page 59: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  59

El  algoritmo  de  optimización  del  operador  adaptativo,  se  encuentra  una  función  de 

decodificación de la forma: 

[ ] { } tet cBtLQ +⋅== )()]([ 11 tWW

 

⎥⎥⎥

⎢⎢⎢

⎡=

2

1

t

t

t

hhh

Wt

  

con  

[ ]12075

86192118−=

−=

tecB

 

En la Figura 37 se muestran respectivamente los resultados de decodificación de la curva de 

gasto  y  del modelo  de  espacio  de  fase.  En  el  caso  de  la  decodificación  convencional  se 

obtiene un criterio de desempeño de AMI = 0.998. En comparación, el operador de espacio 

de  fase  muestra  un  AMI  de  0.984,  inferior  al  método  convencional.  El  principal 

inconveniente observado con  la decodificación propuesta es  la perdida de escala entre  los 

caudales  decodificados  y  teóricos.  No  obstante,  a  pesar  que  según  el  criterio  de 

optimización establecido el método ofrece  resultados no  satisfactorios,  se observa que el 

método propuesto reduce el efecto de la histéresis en la decodificación. 

 

Figura 42 Diagramas de dispersión de caudal decodificado vs caudal teórico en la sección de control. (a) Curva de gasto (b) Decodificador de espacio de fase

Page 60: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 60

Page 61: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  61

 

CONCLUSIONES 

Este  trabajo  propone  y  evalúa  un marco  de modelación matemática  de  las  transiciones 

observadas  en  señales  de  sistemas  hidrológicos,  que  según  la  definición  adoptada  en 

relación con la complejidad de un sistema, constituyen sistemas de complejidad algorítmica 

significativa. En este sentido, el principal aporte se de este trabajo se desarrolla en torno a 

dos elementos fundamentales: 

• La  adopción  de  un  método  que  permite  identificar  a  partir  de  información 

disponible: (1) una descripción del estado del sistema en términos de componentes 

de señales observadas y (2) reglas locales en el tiempo para predecir las transiciones 

de dicho estado.  

• La capacidad operativa de desarrollar modelos de pronóstico hidrológico de niveles 

de agua y caudales en corrientes naturales.  

La construcción del método se basa en el supuesto de la capacidad de describir en el corto 

plazo  las  transiciones  observadas  de  los  estados  de  un  sistema  hidrológico  complejo  en 

términos  de  transformaciones  lineales  locales.  En  su  mayoría,  los  resultados  obtenidos 

validan este supuesto. En el diseño del sistema de pronóstico en tiempo real, en el caso de 

pronósticos a resoluciones horarias (1, 3, 6 y 12) en 9 de las 11 estaciones consideradas se 

logró  definir  pronósticos  viables,  tomando  en  consideración  criterios  de  precisión  del 

pronóstico  y  de  capacidad  de  superar  la  inercia  de  la  señal.  En  el  caso  de  pronósticos  a 

resoluciones diarias (1,3 y 14 días), en 5 de 8 estaciones los resultados fueron satisfactorios. 

El  principal  inconveniente  en  el  caso  de  los  pronósticos  diarios  es  la  incapacidad  de 

garantizar  el  criterio  de AMI  sub  optima  >  0.95,  es  decir,  un  pronóstico  suficientemente 

preciso.  Otros  inconvenientes  se  relacionan  con  la  incertidumbre  por  cuantización 

observados en  las señales hidrológicas a resoluciones temporales horarias  (Véase estación 

El Banco), que indican que la precisión actual de los instrumentos de medición de niveles no 

captura el detalle de las variaciones de estado en el sistema. 

Page 62: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 62

El método  se basa en una aproximación matemática que  conduce a modelos adaptativos 

computacionalmente simples. Esta característica ofrece algunos atributos interesantes para 

aplicaciones de pronóstico en tiempo real. El primero y más importante es la capacidad de 

ajustarse continuamente y sin supervisión a dinámicas no estacionarias del sistema o incluso 

construir nuevos modelos en casos de fallas en los procesos de transmisión o asimilación de 

información. Por ejemplo, en la aplicación del método en el pronóstico de niveles y caudales 

en  las  estaciones  estudiadas,  la  ejecución  del  proceso  exhaustivo  de  identificación  del 

operador óptimo tomó en promedio menos de 2 minutos para horizontes de pronóstico de 

horas  y  hasta  14  minutos  en  pronósticos  de  14  días.  Así  mismo,  en  el  método  es 

transparente  la  evaluación  y  adopción  de  variables  con  estructura  temporal  como 

predictores. Esto desde una perspectiva operacional, conduce a una salida operacional para 

identificar  relaciones  causa  efecto  que  permitan  inferir  algunas  propiedades  de  los 

fenómenos estudiados. Tal es el caso de la modelación de niveles de una corriente, donde el 

proceso  de  definición  de  la  forma  del  operador  óptimo  conduce  a  identificar  entre  las 

señales observables de precipitación,  los  componentes que  contienen mayor  información 

sobre la escorrentía en un horizonte de tiempo dado. 

Desde el punto de vista operacional, la adopción de un esquema probabilístico en el método 

robustece  su  aplicabilidad  pues  permite  al modelador  aceptar  el  grado  de  certidumbre 

sobre la información que provee y además garantiza que el usuario conoce la incertidumbre 

al tomar las decisiones. 

Por otra parte,  la  aplicación del método  condujo  de  forma  empírica  a  una  aproximación 

operativa para  la definición de  la  frecuencia de muestreo óptima de sistemas hidrológicos 

con fines de pronóstico. Esta aproximación está relacionada con el teorema de capacidad de 

canal propuesto por Shannon, en particular, a la relación de la frecuencia de muestreo (o de 

la  resolución  temporal  de  la  señal)  con  la  capacidad  de  pronosticar  con  precisión  las 

transiciones de estado de un sistema, o en otras palabras, en minimizar el efecto del ruido 

en la emisión del pronóstico. 

Con  respecto a  la  implementación de un decodificador de caudales basado en un modelo 

AOM, aquí se propone una  técnica para estimar una  relación  funcional entre  los caudales 

Page 63: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

  63

"reales" en una corriente con los niveles de la superficie del agua basada operadores AOM. 

Se manera general, se encontró que según el criterio de desempeño propuesto AMI > 0.95 

la  técnica  es  aplicable  y  conduce  a  una  reducción  del  efecto  de  la  histéresis  en  la 

decodificación del caudal. Sin embargo, en los resultados se observa una perdida de escala 

en los valores decodificados, situación que hace imposible la aplicación del método. 

Recomendaciones sobre el desarrollo de la investigación 

Con miras al desarrollo de  la  técnica aquí presentada, algunos elementos que pueden ser 

objeto de investigaciones posteriores son: 

• Formalización matemática  del  concepto  de  capacidad  de  canal  y  el  efecto  de  la 

relación  señal  a  ruido  (SNR)  en  las  frecuencias  de muestreo  óptimo  de  sistemas 

hidrológicos. 

• Definición de un método de validación del pronóstico probabilístico y mejoramiento 

de procedimiento para definir el  componente aleatorio en  la ecuación diferencial 

estocástica 

• Análisis detallado de  la  influencia de  la  frecuencia de muestreo en  la precisión del 

pronóstico  y  de  las  propiedades  de  escalamiento  de  la  frecuencia  óptima  de 

muestreo. 

• Investigación  de  otros  posibles  predictores  a  los  aquí  empleados,  por  ejemplo 

estimadores basados en sensores remotos. 

 

Page 64: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 64

• BIBLIOGRAFÍA 

Ames, W.  F.  (1977). Numerical Methods  for  Partial Differential  Equations,  Section 1.6 New York, Academic Press. 

Appolov, B., et al. (1974). Kurs guidrologuicheskij prognozov. Leningrad. Box, G., J. Gwilym, et al. (2008). Time Series Analisis, Wiley & Sons. Casdagli,  M.,  S.  Eubank,  et  al.  (1991).  "State  space  reconstruction  in  the  presence  of 

noise." Physica D: Nonlinear Phenomena 51(1‐3): 52‐98. Cover, T. T., Joy (1991). Elements of Information Theory, Wiley. DHI (2007). MIKE 11, Danish Hydraulic Institute. Dominguez,  E.  (2005).  "Pronóstico  probabilistico  de  afluencias  para  la  evaluación  de 

riesgos en embalses hidroeléctricos." Avances de recursos hídricos(12): 25. Dominguez,  E.  (2007).  "Protocolo  de  modelación  matemática."      Retrieved  10‐2008, 

2008, from http://mathmodelling.googlepages.com/. Dominguez,  E.,  H.  Angarita,  et  al.  (2009).  Hydrological  Risk  Modeling  using  adaptive 

operators.  Overview  and  Applications.  VIII  Hydroinformatics  International Conference Concepción, Chile, IAHR; IAHS. 

Fernández, H., M. Guijarro, et al. (1994). Distribución normal n‐dimensional. Cálculo de probabilidades de estadística, Ariel. 

Frank,  T.  D.,  P.  J.  Beekb,  et  al.  (2004).  "Identifying  noise  sources  of  time‐delayed feedback systems." Physics Letters A(328): 219‐224. 

Friedrich,  R.,  S.  Siegert,  et  al.  (2000).  "Extracting model  equations  from  experimental data." Physics Letters A(271): 217‐222. 

Gardiner, C. W. (2004). Handbook of stochastic methods. New York, Springer. Hunt, B. R., E.  J. Kostelich, et al.  (2007).  "Efficient data assimilation  for spatiotemporal 

chaos: A local ensemble transform Kalman filter." Physica D(230): 112‐126. Juke, J. P. (2006). Embeding Non‐Linear Dynamic Systems, A guide to Takens' theorem 

Manchester, The University of Manchester. Kalman, R.  E.  (1960).  "A New Approach  to Linear Filtering  and Prediction Problems." 

Journal of Basic Engineering(82D): 35‐45. Rantz,  S.  E.  (1982).  "Measurement  and  computation  of  steam  flow.  Measurement  of 

stage discharge." Us Geological Survey Water Supply: 284. Sandoval, M. (2007). El rio Cauca en su valle alto. Cali, Editorial Universidad del Valle. Shannon, C. (1948). "A mathematical theory of communication." Shannon, C. (1959). "Communications in the presence of noise." IEEE Transactions. Takens, F. (1981). "Detecting strange attractors in turbulence." Dynamical systems and 

turbulence(898): 366‐381. Wagener,  T.  and  H.  Gupta  (2005).  "Model  identification  for  hydrological  forecasting 

under uncertainty."  Stochastic Environmental Resources Risk Assessment(19): 378‐387. 

  

Page 65: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

LISTADO DE ANEXOS 

Anexo 1 Modelos de pronóstico en tiempo real a resolución diaria en el rio Magdalena 

Pto Araujo (2312702) 

Salado Blanco (2101704) 

Pte Balseadero (2104701) 

Purificación (2113701) 

Nariño (2123701) 

Pto Salgar (2303701) 

Pto Berrio (2309703) 

El Banco (2502702) 

Anexo 2 Modelos de pronóstico en tiempo real a resolución horaria EN los rios cauca y Magdalena 

Río Cauca 

La Victoria (2610707) 

Bolombolo (2620708). 

La coquera (2624702) 

Río Magdalena 

Pto Araujo (2312702) 

Salado Blanco (2101704) 

Pte Balseadero (2104701) 

Purificación (2113701) 

Nariño (2123701) 

Pto Salgar (2303701) 

Pto Berrio (2309703) 

El Banco (2502702) 

Anexo 3 Frecuencias de muestreo óptimas en las estaciones identificadas 

Rio Cauca 

Rio Magdalena 

 

   

Page 66: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

ANEXO 1 MODELOS DE PRONÓSTICO EN TIEMPO REAL A 

RESOLUCIÓN DIARIA EN EL RIO MAGDALENA 

Pto Araujo (2312702) 

 

 

 Figura 1. Modelo de pronóstico determinístico Estación Pto. Araujo (2312702), x2 = promedio multianual de Niveles en Pto. Araujo en Pto. Araujo (2312702). x3 = precipitación en Pto. Araujo (2312702). Horizonte = 1,3 y 14 días

Page 67: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 Figura 2. Pronóstico probabilístico Estación Pto. Araujo (2312702). Horizonte =1,3 y 14 Días.

 

-,"

-

K'iD_,o~ • .oOl., ' OIII "-.~-¡.,,,

_ . • "M

"""_,II~'_.eom'~I""I

.. _,¡..o02/M,lOlII

_ . .. .. , k'iD_~O_OO_~1ltlI

"_'"_1'''

Page 68: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Salado Blanco (2101704) 

 

 

 Figura 3. Modelo de pronóstico determinístico Estación Salado Blanco (2101704), x2 = promedio multianual de Niveles en Salado Blanco en Salado Blanco (2101704). x3 = precipitación en Salado Blanco (2101704). Horizonte = 1, 3 y 14 Días.

 

lA 1¡ll , , 11

, V\ \ ,V\;",'/\ ,

,-

.;.:;.

,,:~---¡-, ---IJ-~,--¡~-

! ' :~Jv~ ~~,,,,/J.¡ .. ,' '' .. . .L [...... t ({' ¡~ 'd;" ·\:,·,,'·A·· ,~ _ ' i r ~

r_ >22 ... ,~

- - " .... , ' ,"'I'''''','' '''J --.. ..-~ "'.'"'" .. - .. ", .. _ . .., ....

... "'._ ..... --" ,.,' ........ ' . ... 0;

- .. .. , .. , ~ _u_, .. - .~ ... . - ....... ,

:;~ !:!::" ' . ,.,', .... "."., .. "., .. "."j

--.. ....... ~ -0,-O< ••. .,... - -. .-..

Page 69: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

  

 Figura 4. Pronóstico probabilístico Estación Salado Blanco (2101704). Horizonte =1, 3 y 14 Días.

 

-' .... , M·lO '.'AOIIIMOAOO_~ ,t<\j

~_.¡.o"""l'!OI

_ . ... "" ....... _ ................ f~

"-.¡.o_' ....

-" .. ,., ""p_"' ......... ..,"~11.11 ft_ ... _,,~

Page 70: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Pte Balseadero (2104701)  

 

 

  

Figura 5. Modelo de pronóstico determinístico Estación Pte Balseadero (2104701), x2 = promedio multianual de Niveles en Pte Balseadero (2104701) en Pte. Garces. x3 = precipitación en Pte. Garces. Horizonte = 1(x2 = promedio multianual de Niveles en Pte Balseadero (2104701) en Pte. Garces. x3 = promedio multianual de Niveles en Pte Balseadero (2104701) en Salado Blanco), 3 y 14 Días.

' =: »#~~~ ~ '. '" '-

--

-

.... _, ..... "'.j

-

-

-

': -- r\" -_, _-_1--- -úA I A~ Ai. . ~, ! ..lA l ' 0Ii¡ ) 'V. "f1'L:J1't :--" ::::' . . .. ' ir ..

I "-.........J\: I = ,.. ". ,. ,. '" ,-

"

.. ..

"""'.on ..... .....,.".

. , .. . ........ . ,.,1.2.1 . , ....... ,...

..... .. ,., .. ~ • .... m ., ..... ." - ..... ",

__ ' o .---

"T ..i ..

-l. i I

' ," ........ ,., ... ,,) .,. ,~ ..... ,

"­... -.. " .. ' ~ . -.. .., .. ., -.. _ , _.-

r ,'" , j-i T

i " , ._-

"",.,'00 .. _

.. '~.M." '_"'", ' ~'',''''''' ",", ;; ... ' ," ..... ~, .... ' .... 0 .. ''' ... ' ." ... ' ...

Do_' ....... ....., ~ "o."'" PI • •. ,.'" - _U>,.,

1

Page 71: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 6. Pronóstico probabilístico Estación Pte Balseadero (2104701). Horizonte =1, 3 y 14 Días.

-

-' ... "'1D0IU0,.oOD1tIII,.oOD_""iI6j ft_"t4_"1

-, 0'-

~·"""'../I..,.._.o""':lM111$1

ft_,I'IO"".'''~

-" .. m

Page 72: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Purificación (2113701) 

 

 

 Figura 7. Modelo de pronóstico determinístico Estación Purificación (2113701), Horizonte = 1 (x2 = promedio multianual de Niveles en Purificación (2113701) en Piedras de Cobre. x3 == promedio multianual de Niveles en Purificación (2113701) en Pte Balseadero), 3 y 14 Días (x2 = promedio multianual de Niveles en Purificación (2113701) en Piedras de Cobre. x3 = precipitación en Piedras de Cobre.).

, ,

.. ,------,--~----,-----,

:

.Á·J'vr¡'-: .. i.· . v- --' . t l' ~ ,

"

, . .:::.

..

" • 6 ._~

I """',---_ .. o·, ..

'," '~J'," ' .... . , .. ,,%,

- " ,,-, - " ._, ..... , ... , - -<MM,

". . . , ._-

1--· , " , '.. "

, .. ' ..

I[~

Page 73: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 8. Pronóstico probabilístico Estación Purificación (2113701). Horizonte =1, 3 y 14 Días.

   

¡

-

¡

-' o·' .. ~·ID_~OI_O,~'O'.I.11I

ft_"¡.oQ:lIIIUOoI'lI

""111_,00_". ___ D_'¡.o_,OII

-­.. ~ K'P \.I,oO:"",.oO""~M<'" ",_,¡.o_,,,;

Page 74: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Nariño (2123701) 

 

 

 Figura 9. Modelo de pronóstico determinístico Estación Nariño (2123701), x2 = promedio multianual de Niveles en Nariño (2123701)en Cod. Estación: 2113705. x3 = precipitación en Cod. Estación: 2113705. Horizonte = 1, 3 y 14 Días.

 

" t OO ' ''' r_ -

,- '" '" -I ,

-j ., 1 f~,

,:h~ ... •.. t~k •.. • t, : .• \1A . '1r~f . r·· ,_

... ..,,_00'01 _ _ .

.... ,,­.. ........ :.. .:.:~

¡ + ., J ~ . ... 'T "

........... " U..., .,~t, ... ....., . ,~.J .,~"

T T..... !

'. , . .!..-. ...

"""""", - .......,,. _ ,O .. '"

- , , .. n.,,,,,,,,,,,,,,,,,,> ~',~',',',' .''''''

:~-:.~; .... , .. ,"" .".".,'" 0. ___ ,

.... ::;:;: .. .. , .. .. :. ...... ,.

Page 75: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 10. Pronóstico probabilístico Estación Nariño (2123701). Horizonte =1, 3 y 14 Días.

--' .. ~ K. p_,,.OO,''''''O,,.,~ ...... ~_.¡.¡I(MI1.1I»1

_ . .. ,. ~.p~ .. (I",'.e""'¡;U"",, ,,-'1'1(10111,101';01

-" .. '" .·p..., . .o-..o-.allllll ~_ ... m')~

Page 76: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Pto Salgar (2303701) 

 

 

 Figura 11. Modelo de pronóstico determinístico Estación Pto Salgar (2303701), x2 = promedio multianual de Niveles en Pto Salgar (2303701)en Cod. Estación: 2113705. x3 = precipitación en Cod. Estación: 2113705. Horizonte = 1, 3 y 14 Días.

-...... ..-,,"

-

-, . o , W':''-::f{ o O ," .', L o, X l '/"

' : :~fi,oA Mi .. ry\::Pvv0:§{,:<::»~.:"'J."" " ,. ,:.\ ;;J;,¡ : r:r"" . ... "",'"" v.""~"".. -. " .. - ,, ' r ":"', ~ , .. ""!. "'-

o. ',- '" -.... ...... " ... '",

-

' :n'~~i ¡ : • • ~ 1, .

,:: "" -", : ' , ,:," "r¡f"\" ':'~: ":' " .- " "~,, ",rJ ' . , > '. " " , - • , " -, ",-. . ,. , I ~ _ , .. ,. ' .. ' 1- ," -

" . i ," ,J., - j

' " .,. .,tf.i~ ... : J, , ,j)f~': "":""

" I ~' i " .,' > ; . '.

" " ," ." 1 , '" " "

._-"" .... 0 __ __

- " , -... -" ........ , " .. .. " '." ' ........ -... -•. _. ~ '- ... ... .. -.. ..... --.. -

'lo " > >. 0_-

," L

-"".--~ 0 ' -

' ," ... '>'O'> " .. . J.,. .. ,........, _ . .... -•. ..-. ~ -....... " ,­-........

_ .

.,

"

.... ' .• ~ ..... ..,u .... " .... '~' .. ' .. ' .. ,'J :~::~; ..... , .. ".,~,~, •. ,OJ --... -.... ,.. ~ . -.... " , ..... " ... - -.... ,,,

Page 77: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 12. Pronóstico probabilístico Estación Pto Salgar (2303701). Horizonte =1, 3 y 14 Días.

   

-

,.

-, 0.110

.' P 01001/,-11 00<1 1 \,.0 1:0<1. ,.o 201~

~_.¡.oOO~"."S~

~.pOJ"'DOO..u.oO"'.U 101$1

"-'~_l'"

"'ID_"'~OJM~OI'¡~

"-'¡.oU~'"

Page 78: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Pto Berrio (2309703) 

 

 

 Figura 13. Modelo de pronóstico determinístico Estación Pto Berrio (2309703), x2 = promedio multianual de Niveles en en Pto Berrio (2309703) en Pto Salgar (2303701). x3 = precipitación en Pto Salgar (2303701). Horizonte = 1, 3 y 14 Días.

... - .. --

·:~,\;w; 1\1k.t~ L N .t 4.f\M .1 ,= .. -.:." , T r '\Lq·:VW '\y¡, nI" • , "r' ., "T ~ . •

"~.-----..1-----.,.k-----,,.k-----J,..-----.. ¡'----~,.I.----~ .. !.----'¡ .. -

---

• I ~' " 7~ I . ..... _ . LA'V:v" .. : .... "," ..... . ,:f ifAr·c,~,,; .":\c;. .... ,: .' : ,. .. ; •..• ..: . j , .~'~'. l ' t

'1", ,,. ,.. ,.., _ ,. ,-

• .. ,

i .. 1 ' ..

.. t OO

1 ' ' ..

) ..

_TO'DOI.""'~_

.... ",..., ...... , .. ., ......... "

-.... ,.," ~ .... ' ... O< •• .IM» - ...... ..

• ... '~""".," ""," '.>. ....... , --........ . ~ .... n» .. . ... ",. - ....... .

.... , " I . '"

... TO. __ ..... _

--,,, ..... _ _ o

.... ,,>->,., .... , ..... , ..... , .. , ... , .. , .. ,., ..

. .... , ...... >, . ..... , ..... , ..... , .. , ... , .. , ...

--' _ .· •. M". " ........ :. .. -:='

Page 79: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 14. Pronóstico probabilístico Estación Pto Berrio (2309703). Horizonte =1, 3 y 14 Días.

   

¡

-' .. ~ ~'IIl~""U(l(!,,,,,,,..,_~,,,,,

"-,,,_,m¡

_ . . ~ .. •. "'......0 ....... _ ... ,... "_·iD" ..... ""

Page 80: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

El Banco (2502702) 

 

 

 Figura 15. Modelo de pronóstico determinístico Estación El Banco (2502702), x2 = promedio multianual de Niveles en en El Banco (2502702)en Pto Berrio (2309703) x3 = precipitación en Pto Berrio (2309703) Horizonte = 1, 3 y 14 Días.

 

 

Page 81: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 16. Pronóstico probabilístico Estación El Banco (2502702). Horizonte =1, 3 y 14 Días.

   

. . . ,. ,. -

Page 82: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

ANEXO 2 MODELOS DE PRONÓSTICO EN TIEMPO REAL A 

RESOLUCIÓN HORARIA EN LOS RIOS CAUCA Y MAGDALENA 

Río Cauca 

La Victoria (2610707) 

 Figura 17. Modelo de pronóstico determinístico Estación La Victoria (2610707), x2 = nivel en Juanchito (2606701). x3 = precipitación en Juanchito (2606701). ∆t = 1 hora

 Figura 18. Modelo de pronóstico determinístico Estación La Victoria (2610707), x2 = nivel en Juanchito (2606701). x3 = precipitación en Juanchito (2606701). ∆t = 3 horas

Page 83: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Figura 19. Modelo de pronóstico determinístico Estación La Victoria (2610707), x2 = nivel en Juanchito (2606701). x3 = precipitación en Juanchito (2606701). ∆t = 6 horas

 

 

Figura 20. Modelo de pronóstico determinístico Estación La Victoria (2610707), x2 = nivel en Juanchito (2606701). x3 = precipitación en Juanchito (2606701). ∆t = 12 horas

 

Page 84: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Figura 21. Pronóstico probabilístico Estación La Victoria (2610707). ∆t = 1 hora

 

Figura 22. Pronóstico probabilístico Estación La Victoria (2610707). ∆t = 3 horas

 

Page 85: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 23. Pronóstico probabilístico Estación La Victoria (2610707). ∆t = 6 horas

 

 

Figura 24. Pronóstico probabilístico Estación La Victoria (2610707). ∆t = 12 horas

 

   

Page 86: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Bolombolo (2620708). 

 Figura 25. Modelo de pronóstico determinístico Estación Bolombolo (2620708), x2 = nivel en La Victoria (2610701). x3 = precipitación en La Victoria (2610701). ∆t = 1 hora

 Figura 26. Modelo de pronóstico determinístico Estación Bolombolo (2620708), x2 = nivel en La Victoria (2610701). x3 = precipitación en La Victoria (2610701). ∆t = 3 horas

 

Page 87: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Figura 27. Modelo de pronóstico determinístico Estación Bolombolo (2620708), x2 = nivel en La Victoria (2610701). x3 = precipitación en La Victoria (2610701). ∆t = 6 horas

   

Page 88: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 28. Pronóstico probabilístico Estación Bolombolo (2620708). ∆t = 1 hora

Figura 29. Pronóstico probabilístico Estación Bolombolo (2620708). ∆t = 3 horas

 

Figura 30. Pronóstico probabilístico Estación Bolombolo (2620708). ∆t = 6 horas

   

Page 89: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

La coquera (2624702) 

 Figura 31. Modelo de pronóstico determinístico Estación La Coquera (2624702), x2 = nivel en Bolombolo (2620708). x3 = precipitación en Bolombolo (2620708). ∆t = 1 hora

 

 Figura 32. Modelo de pronóstico determinístico Estación La Coquera (2624702), x2 = nivel en Bolombolo (2620708). x3 = precipitación en Bolombolo (2620708). ∆t = 3 horas

 

Page 90: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Figura 33. Modelo de pronóstico determinístico Estación La Coquera (2624702), x2 = nivel en Bolombolo (2620708). x3 = precipitación en Bolombolo (2620708). ∆t = 6 horas

 

 Figura 34. Modelo de pronóstico determinístico Estación La Coquera (2624702), x2 = nivel en Bolombolo (2620708). x3 = precipitación en Bolombolo (2620708). ∆t = 12 horas

 

 

 

Page 91: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 35. Pronóstico probabilístico Estación La Coquera (2624702). ∆t = 1 hora

 

Figura 36. Pronóstico probabilístico Estación La Coquera (2624702). ∆t = 3 horas

Page 92: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 37. Pronóstico probabilístico Estación La Coquera (2624702). ∆t = 6 horas

 

 

Figura 38. Pronóstico probabilístico Estación La Coquera (2624702). ∆t = 12 horas

 

   

Page 93: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Río Magdalena 

Pto Araujo (2312702) 

 Figura 39. Modelo de pronóstico determinístico Estación Pto. Araujo (2312702), x2 = nivel en Pto. Araujo (2312702). x3 = precipitación en Pto. Araujo (2312702). ∆t = 1 hora

 

 Figura 40. Modelo de pronóstico determinístico Estación Pto. Araujo (2312702), x2 = nivel en Pto. Araujo (2312702). x3 = precipitación en Pto. Araujo (2312702). ∆t = 3 horas

Page 94: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Figura 41. Modelo de pronóstico determinístico Estación Pto. Araujo (2312702), x2 = nivel en Pto. Araujo (2312702). x3 = precipitación en Pto. Araujo (2312702). ∆t = 6 horas

 

 Figura 42. Modelo de pronóstico determinístico Estación Pto. Araujo (2312702), x2 = nivel en Pto. Araujo (2312702). x3= precipitación en Pto. Araujo (2312702). ∆t = 12 horas

 

 

 

Page 95: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

Figura 43. Pronóstico probabilístico Estación Pto. Araujo (2312702). ∆t = 1 hora

 

Figura 44. Pronóstico probabilístico Estación Pto. Araujo (2312702). ∆t = 3 horas

 

 

 

 

 

 

Page 96: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 45. Pronóstico probabilístico Estación Pto. Araujo (2312702). ∆t = 6 horas

 

Figura 46. Pronóstico probabilístico Estación Pto. Araujo (2312702). ∆t = 12 horas

   

Page 97: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Salado Blanco (2101704) 

 Figura 47. Modelo de pronóstico determinístico Estación Salado Blanco (2101704), x2 = nivel en Salado Blanco (2101704),x3 = precipitación en Salado Blanco (2101704).∆t = 1 hora.

 Figura 48. Modelo de pronóstico determinístico Estación Salado Blanco (2101704), x2 = nivel en Salado Blanco (2101704), x3 = precipitación en Salado Blanco (2101704).∆t = 3 horas.

Page 98: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Figura 49. Modelo de pronóstico determinístico Estación Salado Blanco (2101704), x2 = nivel en Salado Blanco (2101704),x3 = precipitación en Salado Blanco (2101704).∆t = 6 horas.

 

 Figura 50. Modelo de pronóstico determinístico Estación Salado Blanco (2101704), x2 = nivel en Salado Blanco (2101704),x3 = precipitación en Salado Blanco (2101704).∆t = 12 horas.

 

 

 

Page 99: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

 

Figura 51. Pronóstico probabilístico Estación Salado Blanco (2101704). ∆t = 1 hora

 

Figura 52. Pronóstico probabilístico Estación Salado Blanco (2101704). ∆t = 3 horas

Page 100: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 53. Pronóstico probabilístico Estación Salado Blanco (2101704). ∆t = 6 horas

 

Figura 54. Pronóstico probabilístico Estación Salado Blanco (2101704). ∆t = 12 horas

   

Page 101: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Pte Balseadero (2104701)  

 

Figura 55. Modelo de pronóstico determinístico Estación Pte. Balseadero (2104701), x2 = nivel en Pte. Garces x3 = precipitación en Pte. Garces. ∆t = 1 hora

 

 

Figura 56. Modelo de pronóstico determinístico Estación Pte. Balseadero (2104701), x2 = nivel en Pte. Garces x3 = precipitación en Pte. Garces. ∆t = 3 horas

Page 102: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 57. Modelo de pronóstico determinístico Estación Pte. Balseadero (2104701), x2 = nivel en Pte. Garces x3 = precipitación en Pte. Garces. ∆t = 6 horas

 

 

Figura 58. Modelo de pronóstico determinístico Estación Pte. Balseadero (2104701), x2 = nivel en Pte. Garces x3 = precipitación en Pte. Garces. ∆t = 12 horas

 

Page 103: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Figura 59. Pronóstico probabilístico Estación Pte. Balseadero (2104701), ∆t = 1 hora

 

 

Figura 60. Pronóstico probabilístico Estación Pte. Balseadero (2104701), ∆t = 3 horas

 

Page 104: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 61. Pronóstico probabilístico Estación Pte. Balseadero (2104701), ∆t = 6 horas

 

 

Figura 62. Pronóstico probabilístico Estación Pte. Balseadero (2104701), ∆t = 12 horas

 

 

   

Page 105: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Purificación (2113701) 

 

Figura 63. Modelo de pronóstico determinístico Estación Purificación (2113701) x2 = nivel en Piedras de Cobre, x3 = precipitación en Piedras de Cobre. ∆t = 1 hora

 

 

Figura 64. Modelo de pronóstico determinístico Estación Purificación (2113701) x2 = nivel en Piedras de Cobre, x3 = precipitación en Piedras de Cobre. ∆t = 3 horas

 

Page 106: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 65. Modelo de pronóstico determinístico Estación Purificación (2113701) x2 = nivel en Piedras de Cobre, x3 = precipitación en Piedras de Cobre. ∆t = 6 horas

 

 

Figura 66. Modelo de pronóstico determinístico Estación Purificación (2113701) x2 = nivel en Piedras de Cobre, x3 = precipitación en Piedras de Cobre. ∆t = 12 horas

 

 

 

Page 107: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 

Figura 67. Pronóstico probabilístico Estación Purificación (2113701), ∆t = 1 hora

 

Figura 68. Pronóstico probabilístico Estación Purificación (2113701), ∆t = 3 horas

 

Page 108: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 69. Pronóstico probabilístico Estación Purificación (2113701), ∆t = 6 horas

 Figura 70. Pronóstico probabilístico Estación Purificación (2113701), ∆t = 12 horas

   

Page 109: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Nariño (2123701) 

 

Figura 71. Modelo de pronóstico determinístico Estación Nariño (2123701) x2 = nivel en Purificación (2113701), x3 = precipitación en Purificación (2113701). ∆t = 1 hora

 

Figura 72. Modelo de pronóstico determinístico Estación Nariño (2123701) x2 = nivel en Purificación (2113701), x3 = precipitación en Purificación (2113701). ∆t = 3 horas

Page 110: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 73. Modelo de pronóstico determinístico Estación Nariño (2123701) x2 = nivel en Purificación (2113701), x3 = precipitación en Purificación (2113701). ∆t = 6 horas

 

Page 111: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 74. Pronóstico probabilístico Estación Nariño (2123701), ∆t = 1 hora

 

Figura 75. Pronóstico probabilístico Estación Nariño (2123701), ∆t = 3 horas

 

Figura 76. Pronóstico probabilístico Estación Nariño (2123701), ∆t = 6 horas

   

Page 112: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Pto Salgar (2303701) 

 

Figura 77. Modelo de pronóstico determinístico Estación Pto. Salgar (2303701) x2 = nivel en Nariño (2123701), x3 = precipitación en Nariño (2123701). ∆t = 1 hora.

 

 

Figura 78. Modelo de pronóstico determinístico Estación Pto. Salgar (2303701) x2 = nivel en Nariño (2123701), x3 = precipitación en Nariño (2123701). ∆t = 3 horas.

 

Page 113: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 79. Modelo de pronóstico determinístico Estación Pto. Salgar (2303701) x2 = nivel en Nariño (2123701), x3 = precipitación en Nariño (2123701). ∆t = 6 horas.

 

   

Page 114: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 80. Pronóstico probabilístico Estación Pto. Salgar (2303701), ∆t = 1 hora

 

Figura 81. Pronóstico probabilístico Estación Pto. Salgar (2303701), ∆t = 3 horas

 

Figura 82. Pronóstico probabilístico Estación Pto. Salgar (2303701), ∆t = 6 horas

 

   

Page 115: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Pto Berrio (2309703) 

 

Figura 83. Modelo de pronóstico determinístico Estación Pto. Berrio (2309703) x2 = nivel en Pto. Salgar (2303701), x3 = precipitación en Pto. Salgar (2303701). ∆t = 1 hora.

 

 

Figura 84. Modelo de pronóstico determinístico Estación Pto. Berrio (2309703) x2 = nivel en Pto. Salgar (2303701), x3 = precipitación en Pto. Salgar (2303701). ∆t = 3 horas.

Page 116: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 85. Modelo de pronóstico determinístico Estación Pto. Berrio (2309703) x2 = nivel en Pto. Salgar (2303701), x3 = precipitación en Pto. Salgar (2303701). ∆t = 6 horas.

 

 

Figura 86. Modelo de pronóstico determinístico Estación Pto. Berrio (2309703) x2 = nivel en Pto. Salgar (2303701), x3 = precipitación en Pto. Salgar (2303701). ∆t = 12 horas.

 

 

Page 117: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 87. Pronóstico probabilístico Estación Pto. Berrio (2309703), ∆t = 1 hora

 

Figura 88. Pronóstico probabilístico Estación Pto. Berrio (2309703), ∆t = 3 horas

 

Figura 89. Pronóstico probabilístico Estación Pto. Berrio (2309703), ∆t = 6 horas

Page 118: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 90. Pronóstico probabilístico Estación Pto. Berrio (2309703), ∆t = 12 horas

   

Page 119: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

El Banco (2502702) 

 

Figura 91. Modelo de pronóstico determinístico Estación El Banco (2502702), x2 = nivel en Pto. Berrio (2309703), x3 = precipitación en Pto. Berrio (2309703). ∆t = 1 hora.

 

 

Figura 92. Modelo de pronóstico determinístico Estación El Banco (2502702), x2 = nivel en Pto. Berrio (2309703), x3 = precipitación en Pto. Berrio (2309703). ∆t = 3 horas.

 

Page 120: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

Figura 93. Modelo de pronóstico determinístico Estación El Banco (2502702), x2 = nivel en Pto. Berrio (2309703), x3 = precipitación en Pto. Berrio (2309703). ∆t = 6 horas.

 

 

Figura 94. Modelo de pronóstico determinístico Estación El Banco (2502702), x2 = nivel en Pto. Berrio (2309703), x3 = precipitación en Pto. Berrio (2309703). ∆t = 12 horas.

Page 121: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Figura 95. Pronóstico probabilístico Estación El Banco (2502702), ∆t = 1 hora

 Figura 96. Pronóstico probabilístico Estación El Banco (2502702), ∆t = 3 horas

 Figura 97. Pronóstico probabilístico Estación El Banco (2502702), ∆t = 6 horas

Page 122: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Figura 98. Pronóstico probabilístico Estación El Banco (2502702), ∆t = 12 horas

   

Page 123: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

ANEXO 3 DESEMPEÑO DE LOS MODELOS DE PRONÓSTICO A 

DIFERENTES ESCALAS DE MUESTREO 

Rio Cauca 

 Wopt min = 1 h Wopt max = 1h 

Figura 99. Desempeño de los operadores óptimos de la Estación Bolombolo a diferentes frecuencias de muestreo

 

 Wopt min = 1 h Wopt max = 3h 

Figura 100. Desempeño de los operadores óptimos de la Estación La Coquera a diferentes frecuencias de muestreo

0

0.2

0.4

0.6

0.8

1

1.2

0.91

0.92

0.93

0.94

0.95

0.96

0.97

0.98

0.99

1

0 1 2 3 4 5 6 7

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

Bolombolo (2620708)

AMI

S/σ∆

Min AMI = 0.95

Max S/σΔ

0.74

0.76

0.78

0.8

0.82

0.84

0.86

0.88

0.90.910.920.930.940.950.960.970.980.99

11.01

0 2 4 6 8 10 12 14

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

La coquera(2620708)

AMI

S/σ∆

Min AMI

Max S/σΔ

Page 124: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

 Wopt min = NA Wopt max = NA 

Figura 101. Desempeño de los operadores óptimos de la Estación La Victoria a diferentes frecuencias de muestreo

 

 

0

0.2

0.4

0.6

0.8

1

1.2

0.965

0.97

0.975

0.98

0.985

0.99

0.995

1

0 2 4 6 8 10 12 14

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

La Victoria (2610707)

AMI

S/σ∆Min AMI = 0.95

Max S/σΔ = 0.8

Page 125: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

Rio Magdalena 

 Wopt min = 3 h Wopt max=72h 

Figura 102. Desempeño de los operadores óptimos de la Estación El Banco a diferentes frecuencias de muestreo

 

 

 Wopt min = 1 h Wopt max = 1h 

Figura 103. Desempeño de los operadores óptimos de la Estación Nariño a diferentes frecuencias de muestreo

 

0.4

0.5

0.6

0.7

0.8

0.9

1

0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

0 10 20 30 40 50 60 70 80

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

Narino(2123701)

AMI

S/σ∆

Min AMI

Max S/σΔ

Page 126: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 

  Wopt min = 1 h Wopt max = 1h 

Figura 104. Desempeño de los operadores óptimos de la Estación Pte. Balseadero a diferentes frecuencias de muestreo

 

 Wopt min = 1 h Wopt max = 1h 

Figura 105. Desempeño de los operadores óptimos de la Estación Salado Blanco a diferentes frecuencias de muestreo

 

  

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

1.05

0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

0 10 20 30 40 50 60 70 80

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

PteBalseadero (2104701)

AMI

S/σ∆

Min AMI = 0.95

Max S/σΔ = 0.8

0.6

0.7

0.8

0.9

1

1.1

1.2

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

0 10 20 30 40 50 60 70 80

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

Salado Blanco(2101704)

AMI

S/σ∆

Min AMI = 0.95

Max S/σΔ = 0.8

Page 127: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Wopt min = 1 h Wopt max = 1h 

Figura 106. Desempeño de los operadores óptimos de la Estación Pto. Berrio a diferentes frecuencias de muestreo

 

 

 Wopt min = 1 h Wopt max = 1h 

Figura 107. Desempeño de los operadores óptimos de la Estación Pto Salgar a diferentes frecuencias de muestreo

 

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.75

0.8

0.85

0.9

0.95

1

0 10 20 30 40 50 60 70 80

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

Pto Berrio(2309703)

AMI

S/σ∆

Min AMI = 0.95

Max S/σΔ = 0.8

0.4

0.5

0.6

0.7

0.8

0.9

1

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

1.05

0 10 20 30 40 50 60 70 80

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

Pto Salgar(2303701)

AMI

S/σ∆

Min AMI = 0.95

Max S/σΔ = 0.8

Page 128: EXTRACCIÓN DE OPERADORES DE TRANSICIÓN DE …javeriana.edu.co/biblos/tesis/ingenieria/Tesis267.pdf · de un sistema es el resultado de la incapacidad práctica del observador de

 

 Wopt min = 1 h Wopt max = 1h 

Figura 108. Desempeño de los operadores óptimos de la Estación Purificación a diferentes frecuencias de muestreo

 

 

Wopt min = 1 h Wopt max = 1h 

Figura 109. Desempeño de los operadores óptimos de la Estación Pto. Araujo a diferentes frecuencias de muestreo

 

 

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

0 10 20 30 40 50 60 70 80

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

Purificación(2502702)

AMI

S/σ∆

Min AMI = 0.95

Max S/σΔ = 0.8

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

0.6

0.65

0.7

0.75

0.8

0.85

0.9

0.95

1

0 10 20 30 40 50 60 70 80

S/Si

gmaD

elta

AM

I

Frecuencia de muestreo (horas)

Pto Araujo (2312702)

AMI

S/σ∆

Min AMI = 0.95

Max S/σΔ = 0.8