ES2933392A1 - PREDICTION AND EXTRAPOLATION METHOD OF FLOW MEASUREMENTS IN AQUIFER BASINS (Machine-translation by Google Translate, not legally binding) - Google Patents
PREDICTION AND EXTRAPOLATION METHOD OF FLOW MEASUREMENTS IN AQUIFER BASINS (Machine-translation by Google Translate, not legally binding) Download PDFInfo
- Publication number
- ES2933392A1 ES2933392A1 ES202130766A ES202130766A ES2933392A1 ES 2933392 A1 ES2933392 A1 ES 2933392A1 ES 202130766 A ES202130766 A ES 202130766A ES 202130766 A ES202130766 A ES 202130766A ES 2933392 A1 ES2933392 A1 ES 2933392A1
- Authority
- ES
- Spain
- Prior art keywords
- flow
- gauging station
- basin
- precipitation
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000013213 extrapolation Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000001556 precipitation Methods 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 230000000306 recurrent effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 7
- 238000006424 Flood reaction Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010013647 Drowning Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
MÉTODO DE PREDICCIÓN Y EXTRAPOLACIÓN DE MEDIDAS DE CAUDAL EN METHOD OF PREDICTION AND EXTRAPOLATION OF FLOW MEASUREMENTS IN
CUENCAS ACUÍFERASWATER BASINS
Campo técnico de la invenciónTechnical field of the invention
La presente invención está dirigida a un método implementado por ordenador para la predicción del caudal en una estación de aforo y un método para la extrapolación de las medidas de caudal a cualquier punto de la cuenca; la predicción y la extrapolación de los caudales se logra por medio de algoritmos de aprendizaje automático en combinación con registros hidrográficos históricos de una cuenca.The present invention is directed to a method implemented by computer for the prediction of the flow in a gauging station and a method for the extrapolation of the flow measurements to any point of the basin; the prediction and extrapolation of flows is achieved by means of machine learning algorithms in combination with historical hydrographic records of a basin.
Antecedentes de la invenciónBackground of the invention
Las inundaciones y las sequías pueden tener un grave impacto humano y medioambiental en zonas densamente pobladas y en ecosistemas vulnerables. Además de los daños materiales que pueden llegar a ocasionar, estos fenómenos pueden suponer graves riesgos para la salud desde accidentes y ahogamientos, hasta contaminación del agua y propagación de enfermedades.Floods and droughts can have a serious human and environmental impact in densely populated areas and vulnerable ecosystems. In addition to the material damage that they can cause, these phenomena can pose serious health risks from accidents and drowning, to water contamination and the spread of diseases.
Además, la creciente preocupación por el medio ambiente ha aumentado el interés por la previsión y control de los daños debidos a efectos naturales, como sequías e inundaciones, o antrópicos, como la contaminación, de modo que en los países desarrollados se ha ido incrementado el número de iniciativas legales en este sentido. Así, a partir de publicación de la Directiva Marco del Agua de la Unión Europea se obligó a todos los países miembros a caracterizar, controlar y gestionar sus masas de agua superficiales y subterráneas antes de 2015. Este tipo de iniciativas ha comprometido amplios recursos, públicos y privados, desde el desarrollo de redes de monitorización con instrumentación clásica, como aforo de ríos y acuíferos, pluviómetros, etc., hasta información satelital.In addition, growing concern for the environment has increased interest in forecasting and controlling damage due to natural effects, such as droughts and floods, or anthropogenic effects, such as pollution, so that in developed countries the number of number of legal initiatives in this regard. Thus, after the publication of the European Union Water Framework Directive, all member countries were obliged to characterize, control and manage their surface and groundwater bodies before 2015. This type of initiative has committed extensive resources, public and private, from the development of monitoring networks with classical instrumentation, such as gauging of rivers and aquifers, rain gauges, etc., to satellite information.
A pesar de la extensa monitorización, siguen produciéndose daños. El problema reside en que para la predicción y control no es suficiente un conocimiento exhaustivo de la situación actual, sino que se requieren modelos numéricos predictivos que unan las causas con las consecuencias y permitan evaluar escenarios de actuación que las mitiguen. Despite extensive monitoring, damage continues to occur. The problem is that exhaustive knowledge of the current situation is not enough for prediction and control, rather predictive numerical models are required to link the causes with the consequences and allow the evaluation of action scenarios that mitigate them.
La mayoría de los métodos conocidos para evaluar el riesgo de inundaciones y lluvias torrenciales en un lugar determinado se basan en el análisis de registros históricos de caudal y precipitaciones para un lugar o cuenca en particular. Estos datos pueden, por ejemplo, incluir información sobre crecidas periódicas de corrientes fluviales, y listas temporales de precipitaciones en estaciones meteorológicas. A partir de esta información se puede derivar una curva de frecuencia y elevación del caudal. Sin embargo, con frecuencia no se dispone de información hidrológica suficiente para una cuenca hidrológica, y es necesario utilizar modelos hidrológicos para completar la información.Most of the known methods to assess the risk of floods and torrential rains in a given location are based on the analysis of historical records of flow and precipitation for a particular location or basin. These data may, for example, include information on periodic flooding of river currents, and temporary lists of rainfall at weather stations. From this information a flow frequency and elevation curve can be derived. However, frequently there is not enough hydrological information available for a hydrological basin, and it is necessary to use hydrological models to complete the information.
Por lo general, el problema de los modelos para la gestión de las cuencas hidrológicas radica en su impredecibilidad y esa proviene de su altísima complejidad. La impredecibilidad impide a los gestores de cuencas aprovechar al máximo los caudales, planificar mejor los riesgos agropecuarios, cargar penalizaciones a las centrales eléctricas que las utilizan, y en los peores casos evitar episodios de inundaciones que periódicamente provocan pérdidas humanas e innumerables daños.In general, the problem with models for the management of hydrological basins lies in their unpredictability and this comes from their extremely high complexity. Unpredictability prevents basin managers from making the most of flows, better planning agricultural risks, charging penalties to the power plants that use them, and in the worst cases avoiding flood episodes that periodically cause human losses and countless damages.
Los gestores de cuencas acuíferas, como las confederaciones hidrográficas en España y otros organismos públicos análogos en el resto del mundo, encargan a empresas especializadas estudios ad hoc para cada cuenca. Estos estudios son muy costosos, únicos para cada cuenca, y además estáticos, por lo que al cabo de pocos años pueden quedar totalmente obsoletos. Además, suponiendo que cada organismo puede llegar a gestionar entre veinte y cuarenta cuencas, el coste total puede llegar a ser inasumible.The managers of aquifer basins, such as the hydrographic confederations in Spain and other similar public organizations in the rest of the world, commission specialized companies to carry out ad hoc studies for each basin. These studies are very expensive, unique for each basin, and also static, so that after a few years they may become totally obsolete. In addition, assuming that each organization can manage between twenty and forty basins, the total cost may become unaffordable.
En la práctica, estos modelos numéricos no suelen aplicarse porque: i. son muy costosos al requerir un conocimiento exhaustivo de las características particulares de los procesos físicos que intervienen; ii. son muy complejos y de difícil aplicación, lo que dificulta su adaptación a cambios, por ejemplo, cambios en los usos del suelo; para tratar de reproducir con fiabilidad los sistemas hidrológicos mediante modelos basados en ecuaciones que describen los fenómenos físicos, se precisa un conocimiento detallado de las características del territorio de difícil y costosa obtención, de ahí que la elaboración de un modelo numérico sea acometida raras veces; iii. son estáticos, es decir, no están ligados a las actualizaciones de las medidas, lo cual restringe su uso a la fase de planificación y no a la de gestión, llegando el usuario final al extremo de usar solo hojas de cálculo parciales aun disponiendo de costosos pero obsoletos modelos numéricos. Adicionalmente, los modelos se elaboran mediante transformaciones de los datos observados que implican operaciones no automatizadas; ello implica que los resultados del modelo no se puedan actualizar a medida que van llegando nuevas observaciones, o predicciones.In practice, these numerical models are often not applied because: i. they are very expensive as they require exhaustive knowledge of the particular characteristics of the physical processes involved; ii. they are very complex and difficult to apply, which makes it difficult to adapt to changes, for example, changes in land use; In order to try to reliably reproduce hydrological systems through models based on equations that describe physical phenomena, detailed knowledge of the characteristics of the territory is required, which is difficult and expensive to obtain, hence the development of a numerical model is rarely undertaken; iii. they are static, that is to say, they are not linked to the updates of the measurements, which restricts their use to the planning phase and not to the management phase, the end user reaching the extreme of using only partial spreadsheets even though they have expensive but obsolete numerical models. Additionally, the models are built by transformations of observed data involving non-automated operations; this implies that the model results cannot be updated as new observations or predictions arrive.
Sin embargo, el mayor escollo para la implementación de modelos de cuenca son las indeterminaciones en los datos de entrada que suelen producirse en la mayoría de los casos: son de difícil determinación y su impacto es muy significativo en cuanto a los resultados. Suelen corresponder a datos de origen antrópico, como por ejemplo:However, the biggest stumbling block for the implementation of basin models are the uncertainties in the input data that usually occur in most cases: they are difficult to determine and their impact is very significant in terms of the results. They usually correspond to data of anthropic origin, such as:
- Detracciones consuntivas de agua (subterránea mediante pozos o superficial mediante derivaciones del río) para consumo urbano, industrial, de regadío o mixto; estas detracciones dependen de las necesidades, y estas suelen ser difícilmente estimables.- Consumptive water withdrawals (underground through wells or surface through river diversions) for urban, industrial, irrigated or mixed consumption; These deductions depend on the needs, and these are usually difficult to estimate.
- Entradas al sistema en forma de retorno de riego, en el caso de acuíferos, o retorno de depuradoras o colectores de industrias, en el caso de ríos; de nuevo estas entradas al sistema tienen causas no relacionadas con el sistema físico sino de origen humano.- Inputs to the system in the form of irrigation return, in the case of aquifers, or return from treatment plants or industrial collectors, in the case of rivers; again these inputs to the system have causes not related to the physical system but of human origin.
Por todo ello, resulta claro que existe una demanda de un método capaz de formular modelos hidrológicos útiles, fiables y de rápido desarrollo a partir de datos conocidos para el análisis y la gestión de cuencas hidrográficas.Therefore, it is clear that there is a demand for a method capable of formulating useful, reliable and rapidly developing hydrological models from known data for the analysis and management of river basins.
Descripción de la invenciónDescription of the invention
La presente invención propone una solución a los anteriores problemas mediante un método implementado por ordenador para la predicción del caudal en una estación de aforo y un método para la extrapolación de las medidas de caudal a cualquier punto de la cuenca, según se describe a continuación.The present invention proposes a solution to the previous problems by means of a method implemented by computer for the prediction of the flow in a gauging station and a method for the extrapolation of the flow measurements to any point of the basin, as described below.
En un primer aspecto inventivo, la invención proporciona un método implementado por un computador para la predicción del caudal (q) en un instante de tiempo t+At en una estación de aforo de una cuenca fluvial en función de un conjunto de datos, en donde el conjunto de datos comprende al menos una medida de caudal instantáneo (q(t)) en la estación de aforo, y medidas de precipitación (p(t)) en la cuenca fluvial, en donde el método comprende las siguientes etapas ejecutadas por un computador:In a first inventive aspect, the invention provides a method implemented by a computer for the prediction of flow (q) at a time t+At at a gauging station in a river basin based on a data set, where the data set includes at least one instantaneous flow measurement (q(t)) at the gauging station, and precipitation measurements (p(t)) in the river basin, where the method comprises the following steps executed by a computer:
- clasificar el conjunto de datos en función del tipo de caudal por medio de un algoritmo clasificador, en donde el algoritmo clasificador clasifica el caudal en al menos dos tipos de caudal, un primer tipo de caudal correspondiente a una primera función de transformación f1, y un segundo tipo de caudal correspondiente a una segunda función de transformación f2,- classifying the data set according to the type of flow by means of a classifying algorithm, wherein the classifying algorithm classifies the flow into at least two types of flow, a first type of flow corresponding to a first transformation function f1, and a second flow type corresponding to a second transformation function f2,
- cuando el tipo de caudal q(t) corresponde a un primer tipo de caudal, alimentar una primera red neuronal recurrente con al menos f1(q(t)) y la medida de precipitación p(t), obteniendo la estimación de caudal q, y calcular q 1= f1"1(q), obteniendo la estimación de caudal q 1(t+At), obteniendo una predicción del caudal q(t+At) = q 1 (t+At) para un instante de tiempo t+At en la estación de aforo,- when the type of flow q(t) corresponds to a first type of flow, feeding a first recurrent neural network with at least f1(q(t)) and the precipitation measure p(t), obtaining the estimation of flow q , and calculate q 1= f1"1(q), obtaining the flow estimate q 1(t+At), obtaining a flow prediction q(t+At) = q 1 (t+At) for an instant of time t+At at the gauging station,
- cuando el tipo de caudal q(t) corresponde a un segundo tipo de caudal, alimentar una segunda red neuronal recurrente con al menos f2(q(t)) y la medida de precipitación p(t), obteniendo la estimación de caudal q, y calcular q2=f21(q), obteniendo la estimación de caudal q2(t+At), obteniendo una predicción del caudal q(t+At) =q 2(t+At) para un instante de tiempo t+At en la estación de aforo.- when the type of flow q(t) corresponds to a second type of flow, feed a second recurrent neural network with at least f2(q(t)) and the precipitation measure p(t), obtaining the estimation of flow q , and calculate q2=f21(q), obtaining the flow estimate q2(t+At), obtaining a flow prediction q(t+At) =q 2(t+At) for an instant of time t+At in the gauging station.
Los datos de caudal y precipitación pueden obtenerse de cualquier fuente adecuada que proporcione información, como registros históricos de caudal en una estación de aforo, o precipitaciones en una estación meteorológica asociada a dicha estación de aforo. Adicionalmente, esta información puede provenir de satélites, radar, y/o puede ser introducida por un usuario.Flow and precipitation data can be obtained from any suitable source that provides information, such as historical records of flow at a gauging station, or precipitation at a weather station associated with said gauging station. Additionally, this information may come from satellites, radar, and/or may be entered by a user.
La región de estudio se refiere, preferiblemente, a una cuenca fluvial o hidrográfica de correspondiente a un lugar o zona en la que se desea determinar el riesgo de inundaciones o sequías, que cuenta con al menos una estación de aforo estática configurada para medir el caudal del curso fluvial en un instante dado, y para registrar a lo largo del tiempo las medidas de caudal, a las cuales tiene acceso el ordenador o computador encargado de ejecutar el método. Además, la cuenca hidrográfica puede comprender una pluralidad de subcuencas de una superficie menor que la cuenca principal. The study region refers, preferably, to a fluvial or hydrographic basin corresponding to a place or area in which it is desired to determine the risk of floods or droughts, which has at least one static gauging station configured to measure the flow of the fluvial course at a given instant, and to record over time the flow measurements, to which the computer in charge of executing the method has access. In addition, the hydrographic basin can comprise a plurality of sub-basins of a smaller area than the main basin.
Preferiblemente, el método se ejecuta en un ordenador por medio de un software que incluye algoritmos de aprendizaje automático configurados para clasificar y obtener una estimación de caudal. Tras recibir el computador un conjunto de datos de caudal y precipitaciones, el computador clasifica, por medio de un algoritmo clasificador, el caudal en al menos dos categorías o tipos; cada tipo de caudal, i, corresponde a una función de transformación, fi = f(q(t)), en donde el algoritmo clasificador clasifica el conjunto de datos en función de a qué función de transformación se ajustan mejor. Preferiblemente, el algoritmo clasificador es un algoritmo de bosque aleatorio, que en el momento de ejecutar la clasificación ha sido entrenado previamente para clasificar en función del caudal y precipitaciones. En una realización el método comprende clasificar el caudal en más de dos categorías o tipos.Preferably, the method is executed on a computer by means of software that includes machine learning algorithms configured to classify and obtain a flow estimate. After receiving the computer a set of flow and rainfall data, the computer classifies, by means of a classifying algorithm, the flow into at least two categories or types; each type of flow, i, corresponds to a transformation function, fi = f(q(t)), where the classifier algorithm classifies the data set according to which transformation function they best fit. Preferably, the classifying algorithm is a random forest algorithm, which at the time of executing the classification has been previously trained to classify based on flow and rainfall. In one embodiment the method comprises classifying the flow into more than two categories or types.
En función del tipo de caudal, el computador alimenta los datos de precipitación y de f(q(t)) a una red neuronal recurrente previamente entrenada correspondiente al tipo de caudal i, que proporciona una estimación de caudal q. Finalmente, el computador calcula la inversa de la función de transformación, q ^ f-1(q), que permite obtener una predicción de caudal en la estación de aforo para un instante de tiempo cualquiera, y en particular para un instante de tiempo futuro t+At.Depending on the flow type, the computer feeds the precipitation data and f(q(t)) to a pre-trained recurrent neural network corresponding to flow type i, which provides an estimate of flow q. Finally, the computer calculates the inverse of the transformation function, q ^ f-1(q), which makes it possible to obtain a flow prediction at the gauging station for any instant in time, and in particular for a future instant in time. t+At.
Ventajosamente, la invención permite determinar el valor actual y futuro del caudal circulando en cada punto de la cuenca del río cuando solo se dispone de un número limitado de estaciones de aforo (punto de muestreo del caudal) y, por consiguiente, con solo el conocimiento actual y pasado en las en las estaciones.Advantageously, the invention makes it possible to determine the current and future value of the flow circulating at each point of the river basin when there is only a limited number of gauging stations (flow sampling point) and, consequently, with only the knowledge current and past in the in the seasons.
En una realización particular, el conjunto de datos comprende además el registro histórico de medidas de caudal (qEA (t)) de la estación de aforo, y en donde el método comprende además la etapa previa de entrenar cualquiera de las redes neuronales por medio de las siguientes etapas:In a particular embodiment, the data set also comprises the historical record of flow measurements (qEA (t)) of the gauging station, and where the method also comprises the previous stage of training any of the neural networks by means of the following stages:
alimentar la red neuronal recurrente con al menos las funciones de transformación correspondientes, fi (q(t)) y f2 (q(t)), y la medida de precipitación p(t), obteniendo la estimación de caudal q, y feeding the recurrent neural network with at least the corresponding transformation functions, fi (q(t)) and f2 (q(t)), and the precipitation measure p(t), obtaining the estimation of flow q, and
ajustar los parámetros de la red neuronal recurrente comparando la estimación de caudal q con las medidas de caudal (qEA (t)) de la estación de aforo.Fit the parameters of the recurrent neural network by comparing the flow estimate q with the flow measurements (qEA(t)) from the gauging station.
Los algoritmos de aprendizaje automático comprenden una primera fase de aprendizaje, en la que los parámetros de ponderación se ajustan en función del resultado que se desea obtener a partir de un conjunto conocido de datos de entrada, y una fase de inferencia, en la cual el algoritmo proporciona una predicción a partir de datos de entrada reales. En esta etapa, el algoritmo se alimenta con una serie o registro histórico de datos conocido, y se ajustan los parámetros de ponderación en función de las diferencias entre los datos reales qEA (t) y las estimaciones q.Machine learning algorithms comprise a first learning phase, in which the weighting parameters are adjusted based on the desired result from a known set of input data, and an inference phase, in which the algorithm provides a prediction based on actual input data. In this stage, the algorithm is fed with a known data series or historical record, and the weighting parameters are adjusted based on the differences between the actual data qEA(t) and the estimates q.
En una realización particular, la primera función de transformación es fi = q(t)Y, con y^1, y la segunda función de transformación es f2 = log(q(t)), y por consiguiente f1-1=q(t)1/Y , y f 2 = exp(q (t)).In a particular embodiment, the first transformation function is fi = q(t)Y, with y^1, and the second transformation function is f2 = log(q(t)), and therefore f1-1=q( t)1/Y , and f 2 = exp(q (t)).
Ventajosamente, las funciones de transformación anteriores permiten modelar episodios de crecidas torrenciales, en el caso del modelo potencial, y de escasez de lluvias, en el caso del modelo logarítmico.Advantageously, the previous transformation functions allow modeling episodes of torrential floods, in the case of the potential model, and of scarce rainfall, in the case of the logarithmic model.
En una realización particular, el conjunto de datos comprende además el registro histórico de medidas de caudal (qEA (t)) de la estación de aforo, en donde el caudal se clasifica en n tipos de caudal, y en donde el método comprende además la etapa de entrenar el algoritmo clasificador por medio de las siguientes etapas:In a particular embodiment, the data set also includes the historical record of flow measurements (qEA (t)) of the gauging station, where the flow is classified into n types of flow, and where the method also includes the stage of training the classifier algorithm through the following stages:
obtener, para cada tipo de caudal i, con i = 1...n, una estimación de caudal q i de la red neuronal recurrente correspondiente al tipo (RNNi),obtain, for each type of flow rate i, with i = 1...n, an estimation of flow rate q i of the recurrent neural network corresponding to the type (NNNi),
calcular el error £i=|q-qi |,compute the error £i=|q-qi |,
asignar, para cada tipo de caudal i, un número j, en donde el número j corresponde al índice de la red neuronal recurrente (RNNj) con un error menor q,assign, for each type of flow i, a number j, where the number j corresponds to the index of the recurrent neural network (RNNj) with a smaller error q,
ajustar los parámetros del algoritmo clasificador, de forma que el algoritmo clasificador determine la red neuronal recurrente (RNNj) con un error menor q, a partir del histórico de medidas de caudal (qEA (t)). adjust the parameters of the classifier algorithm, so that the classifier algorithm determines the recurrent neural network (RNNj) with a smaller error q, from the history of flow measurements (qEA (t)).
En la fase de entrenamiento del algoritmo clasificador, el cálculo del error entre los datos reales y la estimación permite obtener una clasificación fiable del tipo de caudal.In the training phase of the classifier algorithm, the calculation of the error between the real data and the estimate allows to obtain a reliable classification of the type of flow.
En una realización particular, el valor de precipitación p(t) de la cuenca fluvial se obtiene a partir de la integración de la distribución espacial de precipitaciones p (x,t), con un tiempo de retardo tc:In a particular embodiment, the precipitation value p(t) of the river basin is obtained from the integration of the spatial distribution of precipitation p(x,t), with a lag time tc:
con:with:
0.871 L 0.3850.871 L 0.385
tc(x,XEA)= a+ H (fórmula de Témez), o bientc(x,XEA)= a+ H (Témez formula), or
/ L \0.76 h /L \ 0.76h
W x ,Xea)= a+0.30 (^ 0^-25^ ;J= L^0c (fórmula de California),W x ,X ea )= a+0.30 (^ 0^-25^ ;J= L^0c (California formula),
en donde a es un parámetro de ajuste, L es la distancia entre la posición del punto x y la posición de la estación de aforo xea, y en donde H es la diferencia de cota entre el punto x y la estación de aforo.where a is an adjustment parameter, L is the distance between the position of the point x and the position of the gauging station xea , and where H is the elevation difference between the point x and the gauging station.
La integración de la distribución espacial de la precipitación permite obtener la aportación al caudal de la precipitación sobre una parte o toda la superficie de la cuenca, tomando en consideración tanto la diferencia de alturas como el retraso entre el momento de la precipitación y la llegada a la estación de aforo. Usualmente, el parámetro a es nulo (a=0).The integration of the spatial distribution of precipitation makes it possible to obtain the contribution to the flow of precipitation over a part or the entire surface of the basin, taking into account both the height difference and the delay between the moment of precipitation and the arrival at the gauging station. Usually, the parameter a is null (a=0).
En una realización particular, el algoritmo clasificador es un algoritmo de bosque aleatorio.In a particular embodiment, the classifier algorithm is a random forest algorithm.
En una realización particular, la red recursiva neuronal es un algoritmo LSTM (Long Short Term Memory).In a particular embodiment, the recursive neural network is an LSTM (Long Short Term Memory) algorithm.
En una realización particular, las medidas de precipitación (p) se obtienen por medio de radar, y/o de modelos meteorológicos.In a particular embodiment, the precipitation measurements (p) are obtained by means of radar, and/or meteorological models.
Ventajosamente, las medidas obtenidas de forma indirecta para una gran extensión de superficie de la cuenca, permiten complementar y mejorar la precisión de las medidas de precipitación directa en estaciones meteorológicas convencionales. Advantageously, the measurements obtained indirectly for a large area of the basin allow to complement and improve the precision of direct precipitation measurements at conventional weather stations.
En una realización particular, el conjunto de datos comprende las temperaturas máximas (Tmax), las temperaturas mínimas (Tmin) y la humedad del suelo (0) actuales y/o previstas de la cuenca.In a particular embodiment, the data set comprises the current and/or forecast maximum temperatures (Tmax), minimum temperatures (Tmin) and soil humidity (0) of the basin.
La incorporación de parámetros atmosféricos y ambientales adicionales permite mejorar la precisión de la predicción del caudal para un rango temporal más amplio.The incorporation of additional atmospheric and environmental parameters allows to improve the accuracy of the flow prediction for a wider temporal range.
En un segundo aspecto inventivo, la invención proporciona un método implementado por un computador para la estimación del caudal (q) en un instante de tiempo t+At en una intercuenca de una cuenca fluvial, en donde la cuenca fluvial comprende una primera estación de aforo configurada para medir el caudal de una primera subcuenca, y una segunda estación de aforo configurada para medir el caudal de una segunda subcuenca, dispuesta en el área drenante de la de la primera estación de aforo, en donde, para un instante dado, la predicción del caudal intercuenca (q|C(t+At)) se calcula restando a una predicción del caudal (qEA1(t+At)) para la primera estación de aforo obtenida mediante el método según cualquiera de las reivindicaciones anteriores una predicción del caudal (qEA2(t+At) ) para la segunda estación de aforo obtenida mediante el método según cualquiera de las reivindicaciones anteriores.In a second inventive aspect, the invention provides a method implemented by a computer for estimating the flow (q) at a time t+At in an inter-basin of a river basin, where the river basin comprises a first gauging station. configured to measure the flow of a first sub-basin, and a second gauging station configured to measure the flow of a second sub-basin, arranged in the draining area of the first gauging station, where, for a given instant, the prediction of the inter-basin flow (q|C(t+At)) is calculated by subtracting a flow prediction (qEA1(t+At)) for the first gauging station obtained by the method according to any of the preceding claims ( qEA2(t+At) ) for the second gauging station obtained by the method according to any of the preceding claims.
La invención también considera la posibilidad de estimar el caudal de las áreas comprendidas entre dos subcuencas, o áreas drenantes de menor tamaño que la cuenca principal, y de las que se pueden obtener predicciones de caudal por separado. De acuerdo con este aspecto inventivo, para obtener una predicción del caudal en una intercuenca que se encuentra entre dos subcuencas con respectivas estaciones de aforo es necesario obtener primero una predicción de caudal para cada una de las subcuencas, y a continuación restar al valor de la predicción de la subcuenca aguas arriba la predicción del caudal de la subcuenca aguas abajo:The invention also considers the possibility of estimating the flow of the areas between two sub-basins, or draining areas smaller than the main basin, and from which flow predictions can be obtained separately. According to this inventive aspect, in order to obtain a flow prediction in an inter-basin that is located between two sub-basins with respective gauging stations, it is necessary to first obtain a flow prediction for each of the sub-basins, and then subtract from the prediction value of the upstream sub-basin the prediction of the discharge of the downstream sub-basin:
qIC(t+At) = qEA1 (t+At) - qEA2(t+At)qIC(t+At) = qEA1 (t+At) - qEA2(t+At)
En un tercer aspecto inventivo, la invención proporciona un método implementado por un computador para la extrapolación de un caudal (qk) en un punto (xk) de una cuenca fluvial aguas arriba de una estación de aforo, con un área Aea, en un instante de tiempo (t) dado, en función de un conjunto de datos, en donde el conjunto de datos comprende al menos una serie histórica de datos de caudales (qEA(t)) en la estación de aforo, y una serie histórica de datos de precipitaciones (pea (t)) en la estación de aforo, en donde para un área de drenaje Ak del punto xk, el método comprende las siguientes etapas ejecutadas por un computador:In a third inventive aspect, the invention provides a method implemented by a computer for the extrapolation of a flow (qk) at a point (xk) of a river basin. upstream of a gauging station, with an area A ea , at a given instant of time (t), based on a data set, where the data set comprises at least one historical series of flow data (qEA (t)) at the gauging station, and a historical series of rainfall data ( pea (t)) at the gauging station, where for a drainage area Ak from point xk, the method comprises the following stages executed by a computer:
- determinar, a partir del conjunto de valores de precipitaciones (pea (t)), instantes de tiempo en los que se producen valores máximos locales de precipitaciones {tp} con i = 1...np,- determine, from the set of precipitation values ( pea (t)), time instants in which maximum local precipitation values {tp} occur with i = 1...np,
- calcular, por medio de un algoritmo de regresión multivariante, a partir del conjunto de valores de caudales (qEA(t)), los coeficientes ab, bb, ap, bp para cada máximo local que hacen que se cumpla:- calculate, by means of a multivariate regression algorithm, from the set of flow values (qEA(t)), the coefficients ab, bb, ap, bp for each local maximum that make it true:
con:with:
j(t): t £ [tj,®, fp(t)+1] ; n(t): t< tp(t)j(t): t £ [tj,®, fp(t)+1] ; n(t): t< tp(t)
- calcular, para una estimación de precipitación p k(t) en un punto Xk, los coeficientes ak, Pk- calculate, for an estimate of precipitation p k(t) at a point Xk, the coefficients ak, Pk
_ Ak . 0¡_ Ak pk(tp)_ Ok. 0¡_ Ak pk(tp)
ak= Pk=ak=Pk=
Aea * XeA Ak pk(tp)A ea * X e A Ak pk(tp)
- calcular la extrapolación del caudal en un instante t en un punto Xk como:- Calculate the extrapolation of the flow at an instant t at a point Xk as:
q k(xk,t)=akqb+P s k ¡ q q k i = = a a k . a qj J¿ W ; e e bb^ Jt-tp5 Z v ; n = W 0P i kap ebp (t-tp). qk(xk,t)=akqb+P s k ¡ q q k i = = a a k . to qj J¿W ; _ e e bb^ J t-tp5 Z v ; n = W0P i kap ebp (t-tp) .
Como complemento al método de predicción de predicción de caudal, el método de extrapolación permite inferir el valor de caudal en cualquier punto de la cuenca fluvial aguas arriba de la estación de aforo en un tiempo dado. Preferiblemente, la predicción del caudal obtenida por medio del método según el primer y/o el segundo aspecto inventivo se puede extrapolar a cualquier punto de la cuenca por medio del método del presente aspecto inventivo. El método de extrapolación hace uso de un algoritmo de regresión multivariante para establecer el valor de una serie de parámetros que verifican la relación para la serie de picos o máximos locales de precipitación; estos picos o valores máximos locales de precipitaciones, {tp} con i = 1...np , se identifican previamente por métodos de análisis convencionales a partir de las series históricas de datos.As a complement to the flow prediction prediction method, the extrapolation method allows inferring the value of flow at any point in the river basin upstream of the gauging station at a given time. Preferably, the flow prediction obtained by means of the method according to the first and/or the second inventive aspect can be extrapolated to any point in the basin by means of the method of the present inventive aspect. The extrapolation method makes use of a multivariate regression algorithm to establish the value of a series of parameters that verify the relationship for the series of local precipitation peaks or maximums; these peaks or local maximum values of precipitations, {tp} with i = 1...np , are previously identified by conventional analysis methods from the historical data series.
En una realización preferida, el método de extrapolación se implementa de forma concurrente al método de predicción del primer aspecto inventivo, es decir, en un caso preferido, un computador ejecuta en primer lugar el método de predicción para uno o más instantes de tiempo y para una o más estaciones de aforo, y con los valores obtenidos, ejecuta el método de extrapolación para uno o más puntos de la cuenca fluvial; el computador también puede ejecutar los métodos conforme a otras combinaciones, por ejemplo, puede ejecutar el método de predicción para un instante y para una estación de aforo determinados, e inmediatamente extrapolar el valor para otro punto, para calcular a continuación una predicción para otro instante y/o estación de aforo, y calcular la extrapolación para un punto de dicha predicción para instante y/o estación de aforo determinados.In a preferred embodiment, the extrapolation method is implemented concurrently with the prediction method of the first inventive aspect, that is, in a preferred case, a computer first executes the prediction method for one or more instants of time and for one or more gauging stations, and with the values obtained, execute the extrapolation method for one or more points in the river basin; the computer can also execute the methods according to other combinations, for example, it can execute the prediction method for a given instant and gauging station, and immediately extrapolate the value for another point, to then calculate a prediction for another instant and/or gauging station, and calculating the extrapolation for a point of said prediction for a given instant and/or gauging station.
En una realización particular, la etapa de entrenar el algoritmo de regresión multivariante por medio de las siguientes etapas:In a particular embodiment, the step of training the multivariate regression algorithm by means of the following steps:
alimentar el algoritmo de regresión multivariante con datos de caudales (qEA(t)), y ajustar los parámetros ab, bb, ap, bp comparando la estimación de caudal qb(t) con los datos de caudal (qEA (t)).feed the multivariate regression algorithm with flow data (qEA(t)), and fit the parameters ab, bb, ap, bp by comparing the flow estimate qb(t) with the flow data (qEA(t)).
El algoritmo de regresión multivariante, a su vez, debe ser entrenado previamente a la fase de inferencia con un conjunto de datos conocido.The multivariate regression algorithm, in turn, must be trained prior to the inference phase with a known data set.
En una realización particular, la estimación valor de precipitación p k(t) se obtiene a partir de la integración de la distribución espacial de precipitaciones p (x,t), con un tiempo de retardo tc:In a particular embodiment, the estimated precipitation value p k(t) is obtained from the integration of the spatial distribution of precipitation p (x,t), with a delay time tc:
pEA(t)= ¡ p(x, t-tc(x, xea)) dxpEA(t)= ¡ p(x, t-tc(x, xea )) dx
E^AE^A
con:with:
0.871 L 0.3850.871 L 0.385
W x ,Xea)= a+ H (fórmula de Témez), o bienW x ,X ea )= a+ H (Témez formula), or
en donde a es un parámetro de ajuste, L es la distancia entre la posición del punto x y la posición de la estación de aforo xea, y en donde H es la diferencia de cota o altura entre el punto x y la estación de aforo (EA).where a is an adjustment parameter, L is the distance between the position of the point x and the position of the gauging station xea , and where H is the difference in elevation or height between the point x and the gauging station (EA) .
Se debe entender que el cálculo de tc (x,xEA) se puede efectuar por medio de la fórmula de Témez y alternativa o complementariamente por medio de la fórmula de California, ambos métodos conocidos en el estado de la técnica. Alternativa o complementariamente, dicho parámetro se puede calcular por medio de otras fórmulas o métodos conocidos en el campo de la técnica. Usualmente, el parámetro a es nulo (a=0).It should be understood that the calculation of tc(x,xEA) can be carried out by means of the Témez formula and alternatively or in addition to it by means of the California formula, both methods known in the state of the art. Alternatively or additionally, said parameter can be calculated by means of other formulas or methods known in the field of the art. Usually, the parameter a is null (a=0).
En otro aspecto inventivo, la invención proporciona un producto de programa informático con instrucciones que, al ser ejecutadas por un computador, hacen que el computador lleve a cabo las etapas de un método según cualquiera de los anteriores aspectos inventivos.In another inventive aspect, the invention provides a computer program product with instructions which, when executed by a computer, cause the computer to carry out steps of a method according to any of the above inventive aspects.
La invención puede implementarse en circuitos electrónicos digitales, o en hardware informático, firmware, software, o en combinaciones de ellos. La invención puede implementarse como un programa de ordenador o un producto de programa de ordenador, es decir, un programa de ordenador materializado en un soporte de información, por ejemplo, en un dispositivo de almacenamiento legible por máquina o en una señal propagada, para su ejecución por, o para controlar el funcionamiento de, uno o más módulos de hardware. Un programa de ordenador puede tener la forma de un programa independiente, una porción de programa de ordenador o más de un programa de ordenador y puede estar escrito en cualquier forma de lenguaje de programación, incluyendo lenguajes compilados o interpretados, y puede ser desplegado en cualquier forma, incluyendo como un programa independiente o como un módulo, componente, subrutina u otra unidad adecuada para su uso en un entorno de sistema de comunicación. Un programa de ordenador puede desplegarse para ser ejecutado en un módulo o en múltiples módulos en un sitio o distribuido a través de múltiples sitios e interconectado por una red de comunicación.The invention may be implemented in digital electronic circuitry, or in computer hardware, firmware, software, or combinations thereof. The invention can be implemented as a computer program or computer program product, i.e. a computer program embodied on an information carrier, for example a machine-readable storage device or a propagated signal, for execution by, or to control the operation of, one or more hardware modules. A computer program may be in the form of a stand-alone program, a portion of a computer program, or more than one computer program and may be written in any form of programming language, including compiled or interpreted languages, and may be deployed in any form, including as a stand-alone program or as a module, component, subroutine, or other unit suitable for use in a communication system environment. A computer program can be deployed to run in one module or in multiple modules at one site or distributed across multiple sites and interconnected by a communication network.
Los pasos del método de la invención pueden ser realizados por uno o más procesadores programables que ejecutan un programa informático para realizar funciones de la invención operando sobre los datos de entrada y generando la salida. Los aparatos de la invención pueden implementarse como hardware programado o como circuitos lógicos de propósito especial, incluyendo, por ejemplo, una FPGA (matriz de puertas programable en campo) o un ASIC (circuito integrado de aplicación específica).The steps of the method of the invention may be performed by one or more programmable processors executing a computer program to perform functions of the invention by operating on the input data and generating the output. The devices of the invention they can be implemented as programmed hardware or as special purpose logic circuits, including, for example, an FPGA (field programmable gate array) or an ASIC (application specific integrated circuit).
Los procesadores adecuados para la ejecución de un programa de ordenador incluyen, a modo de ejemplo, microprocesadores de propósito general y especial, y uno o más procesadores de cualquier tipo de ordenador digital. Generalmente, un procesador recibirá instrucciones y datos de una memoria de sólo lectura o de una memoria de acceso aleatorio, o de ambas. Los elementos esenciales de un ordenador son un procesador para ejecutar instrucciones acoplado a uno o más dispositivos de memoria para almacenar instrucciones y datos.Processors suitable for executing a computer program include, by way of example, general purpose and special purpose microprocessors, and one or more processors of any type of digital computer. Typically, a processor will receive instructions and data from either read-only memory or random access memory, or both. The essential elements of a computer are a processor to execute instructions coupled to one or more memory devices to store instructions and data.
Estas y otras características y ventajas de la invención resultarán evidentes a partir de la descripción de las realizaciones preferidas, pero no exclusivas, que se ilustran a modo de ejemplo no limitativo en los dibujos que se acompañan. Otras realizaciones están dentro del alcance de las siguientes reivindicaciones. Por ejemplo, los pasos de la invención pueden realizarse en un orden diferente y aún así lograr resultados deseables.These and other features and advantages of the invention will become apparent from the description of the preferred, but not exclusive, embodiments, which are illustrated by way of non-limiting example in the accompanying drawings. Other embodiments are within the scope of the following claims. For example, the steps of the invention can be performed in a different order and still achieve desirable results.
Breve descripción de los dibujosBrief description of the drawings
Figura 1 Esta figura muestra un diagrama de un ejemplo preferido de la estructura del conjunto de datos.Figure 1 This figure shows a diagram of a preferred example of the data set structure.
Figura 2 Esta figura muestra dos ejemplos del proceso de obtención de una estimación del caudal para dos funciones de transformación.Figure 2 This figure shows two examples of the process of obtaining a flow estimate for two transformation functions.
Figura 3 Esta figura muestra un diagrama de un ejemplo preferido del entrenamiento del algoritmo clasificador.Figure 3 This figure shows a diagram of a preferred example of training the classifier algorithm.
Figura 4 Esta figura muestra un diagrama de un ejemplo preferido del entrenamiento de la red neuronal para dos funciones de transformación.Figure 4 This figure shows a diagram of a preferred example of neural network training for two transformation functions.
Figura 5 Esta figura muestra un diagrama de un ejemplo preferido del proceso de predicción del valor de caudal para dos tipos de caudal.Figure 5 This figure shows a diagram of a preferred example of the flow value prediction process for two types of flow.
Figura 6 Esta figura muestra un diagrama del proceso de entrenamiento del algoritmo de regresión multivariante del método de extrapolación.Figure 6 This figure shows a diagram of the training process of the multivariate regression algorithm of the extrapolation method.
Figura 7 Esta figura muestra un diagrama del proceso de inferencia del método de extrapolación. Figure 7 This figure shows a diagram of the inference process of the extrapolation method.
Descripción detallada de un ejemplo de realizaciónDetailed description of an exemplary embodiment
En la siguiente descripción detallada se exponen numerosos detalles específicos en forma de ejemplos para proporcionar un entendimiento minucioso de las enseñanzas relevantes. Sin embargo, resultará evidente para los expertos en la materia que las presentes enseñanzas pueden llevarse a la práctica sin tales detalles.In the following detailed description, numerous specific details are set forth in the form of examples to provide a thorough understanding of the relevant teachings. However, it will be apparent to those skilled in the art that the present teachings can be practiced without such details.
En una realización preferida de la invención, los métodos de predicción y extrapolación se ejecutan por medio de un software en un ordenador o computador convencional o un conjunto de ordenadores interconectados. En el ejemplo descrito se estudia el caudal de una cuenca fluvial para la que existen una serie de registros históricos de caudal y precipitaciones lo bastante extensos y completos como para obtener unas predicciones fiables; dicha cuenca comprende una estación de aforo (EA) en un punto de interés, para el cual se han estado registrando valores de caudal y otros durante un periodo lo suficientemente extenso. Además, en la cuenca existen estaciones meteorológicas y existen medios capaces de generar y transmitir información meteorológica en tiempo real, tales como radares o estaciones meteorológicas con conexión a internet. Los datos históricos pueden estar almacenados en el propio ordenador, o ser obtenidos de un servidor, lo mismo que los datos meteorológicos, y en el ejemplo, los métodos se implementan en un ordenador en comunicación de datos a través de internet con los sensores de la estación de aforo (EA) y de las estaciones meteorológicas.In a preferred embodiment of the invention, the prediction and extrapolation methods are executed by means of software on a conventional computer or a set of interconnected computers. In the example described, the flow of a river basin is studied for which there are a series of historical records of flow and precipitation that are extensive and complete enough to obtain reliable predictions; Said basin includes a gauging station (EA) at a point of interest, for which flow values and others have been recorded for a long enough period. Furthermore, in the basin there are weather stations and there are means capable of generating and transmitting weather information in real time, such as radars or weather stations with internet connection. The historical data can be stored in the computer itself, or be obtained from a server, the same as the meteorological data, and in the example, the methods are implemented in a computer in data communication through the Internet with the sensors of the gauging station (EA) and weather stations.
El ordenador recibe de un servidor en el que se encuentran almacenados el conjunto de datos (D) históricos, representados en el bloque de la Figura 1, que incluye los registros históricos de caudal qEA(t) en una estación de aforo (EA), datos de precipitaciones p(x,t) en un punto o puntos de la cuenca objeto de estudio en un instante dado t, así como modelos meteorológicos, que proporcionan predicciones de precipitaciones p(t+At), y otros datos tales como las temperaturas máximas y mínimas, y la humedad del suelo (Tmax(t), Tmin(t), 0(t)), que se denominarán globalmente "Otros datos”, según se muestra en la Figura 1. El uso del conjunto de "Otros datos” es opcional para el método, si bien pueden mejorar la precisión de los resultados obtenidos.The computer receives from a server where the historical data set (D) is stored, represented in the block of Figure 1, which includes the historical records of flow q EA (t) in a gauging station (EA) , precipitation data p(x,t) at a point or points of the basin under study at a given instant t, as well as meteorological models, which provide precipitation predictions p(t+At), and other data such as maximum and minimum temperatures, and soil moisture (T max (t), T min (t), 0(t)), which will be collectively called "Other data", as shown in Figure 1. The use of the set of "Other data" is optional for the method, although they can improve the precision of the obtained results.
En la Figura 2 se muestra el proceso de obtención de la estimación de caudal para dos tipos de caudal, correspondientes a una función de transformación potencial y a una función de transformación logarítmica; estas dos funciones se ajustan con precisión a fenómenos de sequías y de lluvias torrenciales, respectivamente; la Figura 2 muestra un diagrama para cada tipo de caudal del proceso de obtención de la estimación del caudal por parte de las redes neuronales recurrentes (RNN), previamente entrenadas, a partir de los datos de entrada de caudal y precipitaciones, así como otros parámetros adicionales. Así, para la obtención de la estimación del caudal se suministran a las redes neuronales los valores de precipitación, otros datos y la transformada del valor del caudal, que tras ser procesados por las redes neuronales (RNN) obtiene un valor se somete a la transformación inversa para obtener la estimación. El proceso representado en la Figura 2 se denomina estimador de tipo 1 o tipo 2 (E1, E2) según corresponda, y se emplea tanto en la fase de entrenamiento como en la de inferencia.Figure 2 shows the process for obtaining the flow estimate for two flow types, corresponding to a potential transformation function and a logarithmic transformation function; These two functions adjust precisely to drought and torrential rain phenomena, respectively; Figure 2 shows a diagram for each type of flow of the process of obtaining the flow estimate by recurrent neural networks (RNN), previously trained, from the input data of flow and rainfall, as well as other parameters. additional. Thus, to obtain the flow estimate, the neural networks are supplied with the precipitation values, other data and the transformation of the flow value, which after being processed by the neural networks (RNN) obtains a value that is subjected to the transformation inverse to get the estimate. The process represented in Figure 2 is called a type 1 or type 2 estimator (E1, E2) as appropriate, and it is used both in the training phase and in the inference phase.
El conjunto de datos (D) se utiliza para tres procesos del método de predicción: para entrenar el algoritmo clasificador (RF), para entrenar las redes neuronales (RNN) y para obtener una predicción del caudal futuro. Además, el conjunto de datos se utiliza también para dos procesos del método de extrapolación: para entrenar al algoritmo de regresión multivariante (ML) y para obtener un valor extrapolado del caudal para un punto de la cuenca.The data set (D) is used for three processes of the prediction method: to train the classifier algorithm (RF), to train the neural networks (RNN) and to obtain a prediction of the future flow. In addition, the data set is also used for two processes of the extrapolation method: to train the multivariate regression (ML) algorithm and to obtain an extrapolated value of flow for a point in the basin.
De forma general, los algoritmos de aprendizaje automático que intervienen en los métodos deben ser entrenados en una fase previa de entrenamiento para que puedan proporcionar resultados precisos en la fase de inferencia. Esto aplica tanto a las redes neuronales recurrentes (RNN), como al algoritmo clasificador (RF) y al algoritmo de regresión multivariante (ML), de forma que el software del presente ejemplo puede suministrarse a un usuario bien con algoritmos no entrenados, bien con algoritmos entrenados para una cuenca genérica, o bien con algoritmos entrenados para una cuenca específica. Los procesos de entrenamiento se muestran en la Figura 3, correspondiente al entrenamiento del algoritmo clasificador (RF), en la Figura 4, correspondiente al entrenamiento de las redes neuronales recurrentes (RNN), en la Figura 6, correspondiente al entrenamiento del algoritmo de regresión multivariante (ML). En el ejemplo mostrado, los algoritmos de aprendizaje automático son algoritmos de aprendizaje asistido y se entrenan por medio de procedimientos convencionales validando los resultados obtenidos al alimentar datos históricos. In general, the machine learning algorithms involved in the methods must be trained in a previous training phase so that they can provide accurate results in the inference phase. This applies to both recurrent neural networks (RNN), as well as to the classifier algorithm (RF) and to the multivariate regression (ML) algorithm, so that the software of the present example can be supplied to a user either with untrained algorithms, or with algorithms trained for a generic basin, or with algorithms trained for a specific basin. The training processes are shown in Figure 3, corresponding to the training of the classifier algorithm (RF), in Figure 4, corresponding to the training of the recurrent neural networks (RNN), in Figure 6, corresponding to the training of the regression algorithm. multivariate (ML). In the example shown, the machine learning algorithms are assisted learning algorithms and are trained using conventional procedures, validating the results obtained by feeding historical data.
Para el proceso de entrenamiento del algoritmo clasificador (RF), mostrado en la Figura 3 se suministran los datos (D) a ambos estimadores (E1, E2), y se resta el valor obtenido al valor de referencia, de forma que se obtiene un error £. En función de cuál de los dos tipos tenga un error menor se asignan los datos (D) a ese tipo concreto; en el ejemplo mostrado, si el error para el la transformación de tipo 1 es mayor, se asigna un valor "1”, y en caso contrario un "0”, es decir, que en el caso mostrado se clasifican los caudales de tipo 2. En la Figura 4 se muestra un proceso de entrenamiento de las redes neuronales (RNN), que en la realización descrita corresponde a una red neuronal Long Short Term Memory, en la Figura 6 un proceso análogo para el algoritmo de regresión multivariante (ML), en los cuales se emplean las variables y parámetros correspondientes.For the training process of the classifier algorithm (RF), shown in Figure 3, the data (D) is supplied to both estimators (E1, E2), and the value obtained is subtracted from the reference value, so that a error £. Depending on which of the two types has a minor error, the data (D) is assigned to that specific type; In the example shown, if the error for the type 1 transformation is greater, a value "1" is assigned, and otherwise a "0", that is, in the case shown, type 2 flows are classified Figure 4 shows a training process for neural networks (RNN), which in the described embodiment corresponds to a Long Short Term Memory neural network, and Figure 6 shows an analogous process for the multivariate regression (ML) algorithm. , in which the corresponding variables and parameters are used.
Una vez los algoritmos de aprendizaje automático han sido entrenados, es posible llevar a cabo las fases de inferencia, correspondientes a la predicción de caudal, según se muestra en la Figura 5, y la extrapolación del caudal para un punto de la cuenca, mostrada en la Figura 7.Once the automatic learning algorithms have been trained, it is possible to carry out the inference phases, corresponding to the flow prediction, as shown in Figure 5, and the extrapolation of the flow for a point in the basin, shown in Figure 7.
El proceso de inferencia de la predicción de caudal se muestra en la Figura 5; en este proceso, se proporcionan los datos (D) al algoritmo clasificador (RF), que en la realización descrita corresponde a un algoritmo de bosque aleatorio, y que clasifica el caudal en uno de los dos tipos considerados en el presente ejemplo, y una vez asignado a uno de los dos tipos, se suministra al estimador correspondiente (E1, E2), cuya salida será una estimación para un instante de tiempo t+At.The flow prediction inference process is shown in Figure 5; in this process, the data (D) is provided to the classifier algorithm (RF), which in the described embodiment corresponds to a random forest algorithm, and which classifies the flow into one of the two types considered in the present example, and a Once assigned to one of the two types, it is supplied to the corresponding estimator (E1, E2), whose output will be an estimate for an instant of time t+At.
El proceso de extrapolación espacial mostrado en las Figura 6 y 7 requiere, en primer lugar determinar las coordenadas temporales en las que se producen picos {tp} con i = 1...np, o máximos locales de lluvias a lo largo de toda la serie de datos histórica, para aquellos puntos, x, de la cuenca para los que existen medidas; cada uno de estos puntos tiene asociada una subcuenca o área de drenaje Ak que se empleará en el cálculo de la estimación de caudal en un punto cualquiera. Una vez se han determinado las series de picos, el algoritmo de regresión multivariante (ML) realiza un proceso de optimización de coeficientes que verifica la expresión: The spatial extrapolation process shown in Figures 6 and 7 requires, first of all, determining the temporal coordinates in which {tp} peaks occur with i = 1...np, or local maximum rainfall throughout the entire historical data series, for those points, x, of the basin for which measurements exist; each of these points is associated with a sub-basin or drainage area Ak that will be used to calculate the flow estimate at any point. Once the series of peaks have been determined, the multivariate regression (ML) algorithm performs a coefficient optimization process that verifies the expression:
n(tn(t)
bb
q EA(t)=qb+qP= abt} ,ttp x) q EA(t)=qb+qP= abt} ,ttp x )
e ap ebp (t-tpe ap ebp (t-tp
i=0i=0
Este proceso está englobado en el estimador espacial (EE) representado en la Figura 6, y el cual se emplea en el proceso de inferencia de la Figura 7. Una vez se dispone de estos valores se calcula una estimación de la precipitación en un instante dado, por medio de la integración:This process is encompassed in the spatial estimator (EE) represented in Figure 6, and which is used in the inference process of Figure 7. Once these values are available, an estimate of the precipitation at a given instant is calculated. , through integration:
Esta estimación se emplea para calcular dos coeficientes ak, Pk que permiten calcular la extrapolación en cualquier punto por medio de la expresión:This estimate is used to calculate two coefficients ak, Pk that allow calculating the extrapolation at any point by means of the expression:
En el ejemplo descrito, el software incluye código para implementar el cálculo de una predicción de caudal intercuenca; para ello se considera que la cuenca comprende al menos otra estación de aforo, o segunda estación de aforo (EA2), aguas abajo de la estación de aforo discutida anteriormente, que pasará a denominarse primera estación de aforo (EA1). Cada una de estas estaciones de aforo (EA1, EA2) permite medir el caudal en las subcuencas correspondientes que desaguan en dichas estaciones. Así, en el ejemplo descrito, el ordenador calcula predicciones de caudal (qEA1 (t+At), qEA2(t+At)) para cada una de las estaciones de aforo (EA1, EA2) y obtiene la predicción de caudal de la intercuenca, q|C(t+At), calculando su diferencia. Asimismo, en realizaciones preferidas, el software calcula una extrapolación del caudal de la intercuenca, q|C(t+At), en cualquier punto de la cuenca aplicando el método de extrapolación. In the described example, the software includes code to implement the calculation of an inter-basin flow prediction; for this, it is considered that the basin includes at least one other gauging station, or second gauging station (EA2), downstream of the gauging station discussed above, which will be called the first gauging station (EA1). Each one of these gauging stations (EA1, EA2) allows measuring the flow in the corresponding sub-basins that drain at said stations. Thus, in the example described, the computer calculates flow predictions (qEA1 (t+At), qEA2(t+At)) for each of the gauging stations (EA1, EA2) and obtains the flow prediction for the inter-basin , q|C(t+At), calculating their difference. Also, in preferred embodiments, the software calculates an extrapolation of the inter-basin discharge, q|C(t+At), at any point in the basin applying the extrapolation method.
Claims (14)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202130766A ES2933392A1 (en) | 2021-08-06 | 2021-08-06 | PREDICTION AND EXTRAPOLATION METHOD OF FLOW MEASUREMENTS IN AQUIFER BASINS (Machine-translation by Google Translate, not legally binding) |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202130766A ES2933392A1 (en) | 2021-08-06 | 2021-08-06 | PREDICTION AND EXTRAPOLATION METHOD OF FLOW MEASUREMENTS IN AQUIFER BASINS (Machine-translation by Google Translate, not legally binding) |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2933392A1 true ES2933392A1 (en) | 2023-02-06 |
Family
ID=85129881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES202130766A Pending ES2933392A1 (en) | 2021-08-06 | 2021-08-06 | PREDICTION AND EXTRAPOLATION METHOD OF FLOW MEASUREMENTS IN AQUIFER BASINS (Machine-translation by Google Translate, not legally binding) |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2933392A1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019034846A1 (en) * | 2017-08-14 | 2019-02-21 | Unify Group (Emea) Ltd | Detecting fluid flow |
| CN112561132A (en) * | 2020-11-30 | 2021-03-26 | 西安科锐盛创新科技有限公司 | Water flow prediction model based on neural network |
| EP3822489A1 (en) * | 2019-11-15 | 2021-05-19 | Grundfos Holding A/S | Method for determining a fluid flow rate through a pump |
| CN113139700A (en) * | 2020-11-30 | 2021-07-20 | 中科三清科技有限公司 | River flow prediction method, device, equipment and storage medium |
-
2021
- 2021-08-06 ES ES202130766A patent/ES2933392A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019034846A1 (en) * | 2017-08-14 | 2019-02-21 | Unify Group (Emea) Ltd | Detecting fluid flow |
| EP3822489A1 (en) * | 2019-11-15 | 2021-05-19 | Grundfos Holding A/S | Method for determining a fluid flow rate through a pump |
| CN112561132A (en) * | 2020-11-30 | 2021-03-26 | 西安科锐盛创新科技有限公司 | Water flow prediction model based on neural network |
| CN113139700A (en) * | 2020-11-30 | 2021-07-20 | 中科三清科技有限公司 | River flow prediction method, device, equipment and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ostovari et al. | Modification of the USLE K factor for soil erodibility assessment on calcareous soils in Iran | |
| Lee et al. | Assimilation of streamflow and in situ soil moisture data into operational distributed hydrologic models: Effects of uncertainties in the data and initial model soil moisture states | |
| Roy et al. | Calibration and validation of HEC-HMS model for a river basin in Eastern India | |
| Odiyo et al. | Rainfall–runoff modelling for estimating Latonyanda River flow contributions to Luvuvhu River downstream of Albasini Dam | |
| Torres-Alves et al. | Reliability analysis of flood defenses: The case of the Nezahualcoyotl dike in the aztec city of Tenochtitlan | |
| Aduah et al. | Assessing suitability of the ACRU hydrological model in a rainforest catchment in Ghana, West Africa | |
| Zare et al. | Optimizing the runoff estimation with HEC-HMS model using spatial evapotranspiration by the SEBS model | |
| Wu et al. | Improving local pedestrian-level wind environment based on probabilistic assessment using Gaussian process regression | |
| ES2933392A1 (en) | PREDICTION AND EXTRAPOLATION METHOD OF FLOW MEASUREMENTS IN AQUIFER BASINS (Machine-translation by Google Translate, not legally binding) | |
| Yousuf et al. | Development and evaluation of GIS-based runoff and sediment yield watershed scale model | |
| Hassan et al. | Dam operation using satellite data and hydrological models: the case of Roseires dam and Grand Ethiopian Renaissance Dam in the Blue Nile River | |
| Pretorius et al. | A strategy for managing deficiencies of SWMM modeling for large undeveloped semi-arid watersheds | |
| Noor et al. | Downscaling of daily average rainfall of Kota Bharu Kelantan, Malaysia | |
| Lee et al. | Assimilation of hydrologic and hydrometeorological data into distributed hydrologic model: Effect of adjusting mean field bias in radar-based precipitation estimates | |
| Ravazzani et al. | Indirect estimation of design flood in urbanized river basins using a distributed hydrological model | |
| Basnet et al. | Sustainable Urban Storm Water Drainage Design using SWMM: a Case Study of Lamachaur, Pokhara, Nepal | |
| Torres et al. | Hydrological assessment of the Teapa River basin, using the MIKE SHE model | |
| Deus | Streamflow forecasts due precipitation water in a tropical large watershed at Brazil for flood Early warning, based on SWAT model | |
| Mark et al. | Report and papers with guidelines on calibration of urban flood models | |
| Crochet et al. | Flood frequency estimation for ungauged catchments in Iceland by combined hydrological modeling and regional frequency analysis | |
| Paxton et al. | Developing an Elementary Tool for Ecological Reserve Monitoring in South Africa's Freshwater Ecosystem Priority Areas (FEPAs): A Pilot Study in the Koue Bokkeveld: Report to the Water Research Commission | |
| Liu et al. | A storm-centered multivariate modeling of extreme precipitation frequency based on atmospheric water balance | |
| Tahiri et al. | Improving the characterization of initial conditions for streamflow prediction using a precipitation reconstruction algorithm | |
| Singha et al. | Predicting the Relationship between Lulc Changes and Their Impact on Lst by Molusce and Gee Environment in Urban Catchment of Kolkata City | |
| Nguyen | Urban Water Infrastructure Design in Climate Change Context: Advances and Challenges in Developing Engineering Practice Guidelines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2933392 Country of ref document: ES Kind code of ref document: A1 Effective date: 20230206 |