Mejora en las simulaciones de un modelo hidrogeológico de base física mediante corrección complementaria de sus errores
DOI:
https://doi.org/10.4995/ia.2017.7066Palabras clave:
Modelación, Hidrogeología, Corrección complementaria, Geoestadística, Redes neuronales artificialesResumen
Los Modelos hidrogeológicos de Base Física (MBF), como MODFLOW, se utilizan como herramienta de evaluación de recursos hídricos subterráneos considerando que las diferencias producidas entre lo simulado y lo observado (residuos o errores) corresponden a ruido blanco. Sin embargo, en la práctica las simulaciones numéricas presentan normalmente errores no sólo aleatorios sino también sistemáticos. En este trabajo se ha desarrollado un procedimiento numérico para tratar con los errores sistemáticos de los MBF, estudiando su estructura para modelar su comportamiento y corregir los resultados de forma externa y complementaria mediante un esquema denominado Modelo de Corrección Complementaria (MCC). La aplicación del MCC al MBF muestra disminución en las desviaciones locales, mejor distribución de los errores y reducciones en las correlaciones temporales y espaciales de los residuos, con una reducción de un 73% en el RMSN global respecto del MBF original. Esta metodología se observa como una interesante posibilidad de actualizar un MBF evitando el trabajo y los costos de intervenir su estructura interna.Descargas
Citas
Ayala, Cabrera y Asociados Ltda. 2000. Modelo de Simulación Hidrológico Operacional, cuencas de los ríos Maipo y Mapocho, Dpto. de Estudios y Planificación DGA, S.I.T. n°62.
Barra, L. 2010. Apuntes del curso Gestión Operacional de Aguas Subterráneas, CI66K. Departamento de Ingeniería Civil, Universidad de Chile.
Center for Climate and Resilience Research (CR)2 2015. La megasequía 2010-2015: Una lección para el futuro. Nov 2015.
Coppola, E. A., Rana, A. J., Poulton, M. M., Szidarovszky, F., Uhl, V. W. 2005 A neural network model for predicting aquifer water elevation. Groundwater, 43(2), 231-241. https://doi.org/10.1111/j.1745-6584.2005.0003.x
Dagan, G. 2002. An Overview of Stochastic Modeling of Groundwater Flow and Transport: From Theory to Applications. EOS Transactions American Geophysical Union, 83(53), 621-625. https://doi.org/10.1029/2002EO000421
Daliakopoulos, I. N., Coulibaly, P., Tsanis, I. K. 2004. Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(1-4), 229-240. http://doi.org/10.1016/j.jhydrol.2004.12.001
Demissie, Y., Valocchi, A., Minsker, B., Bailey, B. 2008. Integrating a calibrated groundwater flow model with error-correcting data-driven models to improve predictions. Journal of Hydrology, 364(3-4), 257-271. http://doi.org/10.1016/j.jhydrol.2008.11.007
Departamento de Administración de Recursos Hídricos, DGA. 2002. Informe de Zonificación Hidrogeológica para las Regiones Metropolitana y V, DGA, S.D.T. n°133.
Departamento de Administración de Recursos Hídricos, DGA. 2007. Evaluación de la explotación máxima sustentable del acuífero Santiago Sur “Modelación Hidrogeológica de las cuencas Maipo Mapocho”, DGA S.I.T. n°119.
Departamento de Estudios y Planificación, DGA. 2006. Modelación superficial para la cuenca de los ríos Maipo Mapocho -Estimación de la recarga para escenario Actual 2005-, DGA S.D.T. n°235.
Departamento de Ingeniería Hidráulica y Ambiental, PUC. 1994. Modelación del Sistema de Agua Subterránea de los acuíferos de La Dehesa, Lo Barnechea y Las Condes.
DICTUC. 1999. Estudio Hidrológico de Fuentes Superficiales y Subterráneas de Aguas Cordillera S.A.
DICTUC. 2003. Análisis de efectos de pozos Libardón sobre pozos del Grupo Aguas, Minutas técnicas n°4, n°5 y n°7.
Emery, X. 2007. Apuntes del curso Geoestadística, MI68A. Departamento de Ingeniería de Minas, Universidad de Chile.
Muñoz, J., Fernández, B., Escauriaza, C. 2002. Evaluation of Groundwater availability and sustainable extraction rate for the Upper Santiago Valley, Chile. Hydrogeology Journal, 11(6), 687-700. https://doi.org/10.1007/s10040-003-0292-2
Nourani, V., Mogaddam, A., Nadiri, A. 2008. An ANN-based model for spatiotemporal groundwater level forecasting. Hydrological Processes, 22(26), 5054–5066. https://doi.org/10.1002/hyp.7129
Renard, P. 2007. Stochastic Hydrogeology: what professionals really need?. Ground Water, 45(5), 531-541. https://doi.org/10.1111/j.1745-6584.2007.00340.x
Reyes, J. 2016. Mejora en las simulaciones de un modelo hidrogeológico de base física mediante corrección complementaria de sus errores. Tesis para optar al grado de Magíster en Ciencias de la Ingeniería, mención Recursos y Medio Ambiente Hídrico. Departamento de Ingeniería Civil, Universidad de Chile.
Servicio de Evaluación Ambiental, Gobierno de Chile. 2012. Guía para el uso de Modelos de aguas subterráneas en el SEA.
Vargas, X., McPhee, J. 2012. Apuntes del curso Análisis Hidrológico y Evaluación de Recursos Hídricos Avanzados, CI71C. Departamento de Ingeniería Civil, Universidad de Chile.
Xu ,T. 2012. Use of data-driven models to improve prediction of physically based groundwater models. Thesis submitted in partial fulfillment of the requeriments for the degree of Master of Science in Civil Engineering. Graduate College, University of Illinois at Urbana-Champaign.
Xu, T., Valocchi, A., Choi, J., Amir, E. 2013. Use of machine learning methods to reduce predictive error of groundwater models. National Groundwater Association, 52(3), 448-460. https://doi.org/10.1111/gwat.12061
Xu, T., Valocchi, A. 2015. Data-driven methods to improve baseflow prediction of a regional groundwater model. Computers & Geosciences, 85, 124-136. https://doi.org/10.1016/j.cageo.2015.05.016
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta revista se publica bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional