Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola

Inmaculada Pulido Calvo; José Roldán Cañas; Rafael López Luque; Juan Carlos Gutiérrez Estrada

doi:10.4995/ia.2002.2622

Autores/as

Inmaculada Pulido Calvo Universidad de Huelva
José Roldán Cañas Universidad de Córdoba
Rafael López Luque Universidad de Córdoba
Juan Carlos Gutiérrez Estrada Universidad de Huelva

DOI:

https://doi.org/10.4995/ia.2002.2622

Palabras clave:

Estimación demanda, Regresión múltiple, Análisis series temporales, Red neuronal computacional, Sistema de riego, Control en tiempo real

Resumen

La demanda de agua es la magnitud de referencia en la gestión óptima de los sistemas de distribución. En este trabajo se propone la estimación de la demanda en las próximas 24 horas en un sistema de distribución de agua para riego, y se utilizan, junto con los métodos tradicionales de predicción de regresión múltiple y de modelos univariantes de series temporales (ARIMA), las Redes Neuronales Computacionales (RNCs). Se dispone de los datos de las demandas diarias de agua de las campañas de riegos 1987/88, 1988/89 y 1990/91 de la zona regable de Fuente Palmera (Córdoba). Los modelos se establecen considerando la relación de los datos presentes y pasados de la demanda, aunque también se analiza la influencia de datos climáticos (temperatura máxima, temperatura media, temperatura mínima, precipitación, humedad relativa, horas de sol y velocidad del viento). Las mejores estimaciones se consiguen con la RNC que considera como variables de entrada las demandas y las temperaturas máximas de los dos días anteriores al de estimación.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

ÁLVAREZ, J. y S. BOLADO (1996) Descripción de los procesos de infiltración mediante redes neurales artificiales. Ingeniería del Agua, 3: 39-46. https://doi.org/10.4995/ia.1996.2697

BOX, G.E.P. y G.M. JENKINS (1976) Time series analysis: forecasting and control. Holden-Day, San Francisco, CA.

CYBENCO, G. (1989) Approximation by superpositions of a sigmoidal function. Math. Controls, Signals, and Systems, 2: 303-314. https://doi.org/10.1007/BF02551274

COULBECK, B., S.T. TENNANT y C.H. ORR (1985) Development of a demand prediction program for use in optimal control of water supply. Systems Sci., 11: 59-66.

FRENCH, M.N., W.F. KRAJEWSKI y R.R. CUYKENDAL I (1992) Rainfall forecasting in space and time using a neural network. J. Hydrol., 137: 1-31. https://doi.org/10.1016/0022-1694(92)90046-X

GRIÑÓ, R. (1992) Neural networks for univariate time series forecasting and their application to water demand prediction. Neural Network World, 437-450.

GUTIÉRREZ-ESTRADA, J.C., I. PULIDO-CALVO y J. PRENDA (2000) Gonadosomatic index estimates of an introduced pumpkinseed (Lepomis gibbosus) population in a Mediterranean stream, using computational neural networks. Aquat. Sci., 62: 350-363. https://doi.org/10.1007/PL00001340

HAIR, JR., J.F., R.E. ANDERSON, R.L. TATHAM y W.C. BLACK (1999) Análisis de regresión múltiple. En Análisis multivariante. Pretince Hall Iberia, 5ª ed., Madrid, 4: 143-226.

HARTLEY, J.A. y R.S. POWELL (1991) The development of a combined demand prediction system. Civ. Engrg. Systems, 8: 231-236. https://doi.org/10.1080/02630259108970631

HSU, K., H.V. GUPTA y S. SOROOSHIAN (1995) Artificial neural network modeling of the rainfall-runoff process. Water Resour. Res., 31: 2517-2530. https://doi.org/10.1029/95WR01955

JOWITT, P.W. y C. XU (1992) Demand forecasting for wáter distribution systems. Civ. Engrg. Systems, 9: 105-121. https://doi.org/10.1080/02630259208970643

KITANIDIS, P.K. y R.L. BRAS (1980) Real time forecasting with a conceptual hydrological model. 2. Applications and results. Water Resour. Res., 16: 1034-1044. https://doi.org/10.1029/WR016i006p01034

LEÓN, C., S. MARTÍN, J.M. ELENA y J. LUQUE (2000) EXPLORE-Hybrid expert system for water networks management. J. Water Resour. Planning and Mgmt., 126: 65-74. https://doi.org/10.1061/(ASCE)0733-9496(2000)126:2(65)

MAIDMENT, D.R., S.P. MIAOU y M.M. CRAWFORD (1985) Transfer function models for daily urban water use. Water Resour. Res., 21: 425-432. https://doi.org/10.1029/WR021i004p00425

MINAI, A.A. y R.D. WILLIAMS (1990) Acceleration of back-propagation through learning rate and momentum adaptation. Int. Joint Conf. Neural Networks, 1: 676-679.

MOLINO, B., G. RASULO y L. TAGLIALATELA (1996) Forecast model of water consumption for Naples. Water Resour. Mgmt., 10: 321-332. https://doi.org/10.1007/BF00508899

MOREU, P. (1999) Series temporales. En Estadística Informatizada. Paraninfo, 11: 93-108.

NEL, D. y J. HAARHOFF (1996) Sizing municipal water storage tanks with Monte Carlo simulation. J. Water SRTæAqua, 45: 203-212.

PULIDO-CALVO, I. (2001) Diseño y gestión óptimos de sistemas de impulsión y de almacenamiento de agua para riego. Tesis Doctoral, Dpto. de Agronomía, Universidad de Córdoba.

RAMAN, H. y V. CHANDRAMOULI (1996) Deriving a general operating policy for reservoirs using neural networks. J. Water Resour. Plng. and Mgmt., 122: 342-347. https://doi.org/10.1061/(ASCE)0733-9496(1996)122:5(342)

RANJITHAN, S., J.W. EHEART y J.H. GARRET JR. (1993) Neural network-based screening for groundwater reclamation under uncertainty. Water Resour. Res., 29: 563-574. https://doi.org/10.1029/92WR02129

RIZZO, D.M. y D.E. DOUGHERTY (1994) Characterization of aquifer properties using artificial neural networks: neural kriging. Water Resour. Res., 30: 483-497. https://doi.org/10.1029/93WR02477

RÜFENATCH, H.P. y H. GUIBENTIF (1997) A model for forecasting water consumption in Geneva canton, Switzerland. J. Water SRTæAqua, 46: 196-201.

RUMELHART, D.E., G.E. HINTON y R.J. Willians (1986) ‘Learning’ representations by backpropagation errors. Nature, 323: 533-536. https://doi.org/10.1038/323533a0

SAPORTA, D. y M. MUÑOZ (1994) El consumo en redes de distribución. Predicción diaria de la demanda. En Mejora del rendimiento y de la fiabilidad en sistemas de distribución de agua. Aguas de Valencia y U.D. Mecánica de Fluidos (UPV), 2: 43-75.

SHVARTSER, L., U. SHAMIR y M. FELDMAN (1993) Forecasting hourly water demands by pattern recognition approach. J. Water Resour. Planning and Mgmt., 119: 611-627. https://doi.org/10.1061/(ASCE)0733-9496(1993)119:6(611)

THIRUMALAIAH, K. y M.C. DEO (2000) Hydrological forecasting using neural networks. J. Hydrol. Engrg., 5: 180-189. https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(180)

VENTURA, S., M. SILVA, D. PÉREZ-BENDITO y C. HERVÁS (1995) Artificial neural networks for estimation of kinetic analytical parameters. Anal. Chem., 67: 1521-1525. https://doi.org/10.1021/ac00105a007

VENTURA, S., M. SILVA, D. PÉREZ-BENDITO y C. HERVÁS (1997) Computational neural networks in conjuction with principal component analysis for resolving highly nonlinear kinetics. J. Chem. Inform. and Computer Sci., 37: 287-291. https://doi.org/10.1021/ci960084o

YANG, C.C., S.O. PRASHER, R. LACROIX, S. SREEKANTH, N.K. PATNI y L. MASSE (1997) Artificial neural network model for subsurface-drained farmlands. J. Irrig. And Drain. Engrg., 123: 285-292. https://doi.org/10.1061/(ASCE)0733-9437(1997)123:4(285)