Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
PRONÓSTICO DE SEQUÍA HIDROLÓGICA A PARTIR DE LA SEQUÍA METEOROLÓGICA EN LA CUENCA HIDROGRÁFICA DEL RÍO ZAZA CON CIERRE EN LA ESTACIÓN HIDROMÉTRICA PASO VENTURA.1 M.Sc. Osmany Ceballo Melendres2, M.Sc. Carlos Sebrango Rodríguez3, M.Sc. Ariel Enrique Ramos Hernández, Dr.C. Ignacio González Ramírez4 Las sequías son fenómenos esencialmente meteorológicos que se transmiten a través de las componentes del ciclo hidrológico con posterioridad. Esta relación de causalidad puede ser modelada en primera aproximación en forma lineal mediante un modelo de función de transferencia. Las características de estos modelos pueden aprovecharse para establecer relaciones cualitativas entre los déficit de escurrimientos. La aplicación al caso de la Cuenca Hidrográfica del Río Zaza con cierre en la Estación Hidrométrica Paso Ventura evidencia estas relaciones, demostrándose que en muy corto tiempo después que comienza la sequía meteorológica se estable la sequía hidrológica. Palabras Claves: sequía, cuenca hidrográfica, ciclo hidrológico, series de tiempo 1. INTRODUCCIÓN. Ocupando una superficie de 6732 km2, Sancti Spíritus fue una de las provincias surgidas en la región central del país con la división político-administrativa de 1976, limitando al Norte con el Océano Atlántico, al Sur con el mar Caribe, al Este con la provincia de Ciego de Ávila y al Oeste con las de Villa Clara y Cienfuegos. El territorio alberga una gran diversidad de secuencias rocosas de distinto origen, lo que unido a la variabilidad del relieve y del clima, constituyen los principales factores que determinaron la formación de un verdadero mosaico de suelos y vegetación. El clima predominante es tropical estacionalmente húmedo, con influencia marítima y rasgos de semicontinentalidad. La precipitación media anual es de 1410-1430 mm, distribuida en dos períodos: el lluvioso (de mayo a octubre, concentrando el 84% del volumen anual) y el poco lluvioso (de noviembre a abril, con 210-230 mm), siendo diciembre el mes menos lluvioso (media de 15-25 mm) y junio el más lluvioso, con 250-260 mm. La distribución espacial de las precipitaciones es también irregular, con un incremento del volumen anual desde las costas (con medias de 1000-1200 mm), hacia el interior, de este a oeste y con la altitud (llegando a 1600-1700 mm en Guamuhaya). 1 III Coloquio Evaluación de Peligro, Vulnerabilidad y Riesgos para la Reducción de los Desastres de la VIII Convención Internacional sobre Medio Ambiente y Desarrollo, realizada en La Habana, Cuba, del 4 al 8 de julio de 2011 2 Unidad de Medio Ambiente. Sancti Spíritus, Cuba. ocm@umass.yayabo.inf.cu 3 Universidad de Sancti Spíritus, Cuba. sebrango@suss.co.cu 4 Universidad de Sancti Spíritus, Cuba. ignacio@bibliocuss.suss.co.cu mailto:ocm@umass.yayabo.inf.cu mailto:sebrango@suss.co.cu mailto:ignacio@bibliocuss.suss.co.cu La superficie forestal actual solo representa el 16.2% de la superficie geográfica de la provincia, resultado de una prolongada deforestación que se ha logrado revertir mediante un sistemático trabajo de reforestación encaminado a la disminución de áreas deforestadas. Esas características climáticas condicionan el régimen hídrico de los ríos (estiajes y crecidas coincidentes con las épocas menos lluviosa y lluviosa, respectivamente), donde además, el substrato litológico y el relieve determinan la formación de una densa red de drenaje superficial, con 17 cuencas hidrográficas principales (entre ellas una de interés nacional y cuatro de interés provincial). Todo esto explica que la provincia cuente con un potencial hídrico total de 2 860.4 millones de m3 de agua dulce (superficial y subterránea), de los cuales los 2541.5 millones corresponden a las aguas superficiales (una de las reservas más ricas del país). La cuenca hidrográfica del río Zaza, Figura 1, se extiende entre las coordenadas 368 000 a 840 000 de longitud oeste y entre 200 000 y 800 000 de latitud norte. Presenta una gran diversidad de paisajes físico-geográfico; como la llanura pantanosa palustre marina, en la desembocadura del río, otros tipos de llanuras de variada génesis y morfología, oscilando desde llanuras bajas a altas, con presencia de diferentes tipos de colinas, altiplanicies y montañas de más de 700,00 msnmm en la que se incluye las montañas de Sancti Spíritus (Consejo de Cuenca Provincial, 1997). Figura 1. Cuenca Hidrográfica del Río Zaza. En Cuba se considera la cuenca hidrográfica como unidad básica funcional y ámbito de aplicación de los programas y planes de manejo integral de los recursos naturales, en su vínculo con el desarrollo económico y social. Con la creación en 1997 del Consejo Nacional de Cuencas Hidrográficas por acuerdo del Consejo de Ministros, se inició un nuevo estilo en el trabajo ambiental del país, considerándose la cuenca como la unidad básica para evaluar el trabajo de gestión ambiental integral. La cuenca hidrográfica del río Zaza es la segunda más extensa del país, 2413.0 Km2, lo cual representa el 2.2 % del territorio nacional, su río principal el cual le da nombre es de 155 Km, el potencial hidráulico es de 949.70 hm3, las aguas superficiales alcanzan el 97 % y las subterráneas el 3.5 %, en total existen 66 fuentes contaminantes de residuales líquidos (CITMA, 2010). En ella reside el 2.4 % de la población cubana, y se desarrolla una variada actividad agropecuaria e industrial, así como un importante desarrollo hidráulico. Está ubicada en las provincias de Sancti Spíritus y Villa Clara, en la zona central de la Isla de Cuba y constituye una de las 8 cuencas hidrográficas priorizadas en el país por las afectaciones ambientales que presenta, su amplia actividad económica y su importancia social. Si las actuales tendencias de explotación de los ecosistemas en la cuenca del río Zaza continuaran durante mucho más tiempo, los ayer opulentos y magníficos recursos agrarios, despojados de su suelo fértil y victimas de la explotación destructiva hoy, en un futuro cercano será ya demasiado tarde para su recuperación eficaz. La erosión del suelo, como algunas enfermedades del hombre no puede remediarse cuando se ha descuidado sus primeras etapas. “El progreso o la decadencia de un pueblo se juzgan por la forma en que éste acepta y utiliza sus recursos naturales. Los suelos y las aguas pueden usarse de tal modo que constituyan bienes perdurables, capaces de rendir utilidades perpetuas. Hombre y naturaleza tienen que trabajar en armonía. Si se destruye el equilibrio de los recursos naturales se destruye también el equilibrio de la vida humana” (Person et al., 1949). Y en este contexto, que anteriormente hemos descrito, es en el que se desarrolla nuestro trabajo; teniéndose como objetivos: 1) Desarrollar una metodología capaz de representar la relación de causalidad que existe entre la lluvia y el escurrimiento, es decir, encontrar una ecuación matemática (modelo ARIMA (p, d, q)(P, D, Q)S) que nos permita obtener datos que reflejen el efecto de una sequía meteorológica sobre una hidrológica. 2) Aplicar los resultados anteriormente explicados en un ejemplo real. (Aplicación sobre la cuenca hidrográfica del río Zaza con cierre en la Estación Hidrométrica Paso Ventura). 2. MATERIALES Y MÉTODOS. Una serie de tiempo o serie cronológica es una colección de valores de una cierta variable aleatoria medidos a intervalos regulares de tiempo. El objetivo del análisis de tal serie es llegar a describir la variable como cierta función del tiempo que permita analizar con detalles el pasado y hacer pronósticos futuros (Grau, 1997). El estudio de las series de tiempo no se puede abordar sólo con las técnicas básicas de regresión, porque en la mayoría de los casos los valores de la serie en diferentes instantes de tiempo están autocorrelacionados como consecuencia de que el valor en cadamomento depende muy frecuentemente de los valores o de la variabilidad de los valores en instantes anteriores. Las situaciones más complicadas se producen cuando dependen además de períodos similares del tiempo anterior, con cierta estacionalidad (Grau, 1997). Esto estimuló que se desarrollaran teorías matemáticas y procedimientos prácticos generales orientados especialmente al estudio de series cronológicas. Por ejemplo, la metodología de Box-Jenkins (1976), es válida para el análisis de un conjunto bastante amplio de series y está fundamentada en una sólida teoría matemática de los modelos llamados ARIMA. Además se adoptaron o condicionaron otras teorías como la teoría de la regresión y la del análisis espectral para el estudio de series de tiempo (Grau, 1997). Disponibilidad de los datos. Para la realización de este trabajo fue posible contar con datos de la serie de caudales mensuales (1965-2001) de la estación hidrométrica Paso Ventura ubicada en el río Zaza (N: 256 400; E: 663 800), provincia de Sancti Spíritus y las series mensuales de lluvia (1965-2001) de los equipos pluviométricos ubicados en la cuenca hidrográfica del río Zaza. Estos datos fueron suministrados por el Departamento de Protección de Cuencas y Agua del INRH de Sancti Spíritus. De todos los pluviómetros con que se contaba era necesario escoger uno de ellos como representativo de la cuenca del río Zaza con cierre en la Estación Hidrométrica Paso Ventura. En Guía para la acción frente a la sequía (INRH-CENHICA), se plantea que en Cuba los factores fisiográficos tales como la forma de la cuenca, altitud media sobre el nivel del mar, topografía, suelos, etc., determinan las características del escurrimiento superficial y en general de su red fluvial, los cuales están relacionados directamente con el comportamiento de las lluvias como su única fuente de alimentación. Teniendo en cuenta estos factores fisiográficos generales y otros de carácter estadísticos se determinaron los criterios fundamentales para establecer de todos los equipos cual sería el pluviómetro representativo de la cuenca con cierre en la Estación Hidrométrica Paso Ventura: 1. Encontrarse preferentemente en el centro de la cuenca con cierre en la Estación Hidrométrica Paso Ventura; 2. Presentar en su ubicación espacial características físico-geográficas similares al resto de la cuenca; 3. Tener certeza de la calidad de las observaciones y; 4. Que la serie de datos registrada en el pluviómetro mantuviera una buena correlación (r > 0,7) con los otros pluviómetros que se encuentran dentro de la cuenca o cerca de la misma. Estos resultados fueron comprobados con algunas investigaciones hidrológicas, donde se solicitaban el pluviómetro representativo de cuencas relacionadas con la estudiada. Cuando se analizaron los criterios antes expuestos se concluyó que el pluviómetro 422 ubicado en la localidad Hortelano (N: 252 200; E: 654 200), cumplía con los requisitos planteados y por lo tanto sería el escogido como representativo de la cuenca. Utilizando el software SPSS versión 8.0 obtuvimos el coeficiente de correlación de las observaciones mensuales del pluviómetro 422 con las observaciones mensuales de los pluviómetros que aparecen en la siguiente Tabla 1. Tabla 1. Equipos pluviométricos y sus coordenadas planas de Lambert utilizados para obtener el coeficiente de correlación de cada par de pluviómetro. Pluviómetros Coordenadas Pluviómetros Coordenadas N E N E 432 247300 658300 395 249600 630300 450 252800 664200 454 242200 663500 463 267900 677900 460 272500 673700 502 256400 663800 731 258100 684500 730 260600 677900 779 253500 679400 765 266200 658400 780 246700 670800 768 257800 649200 932 232500 650600 375 256400 628200 934 235900 649900 391 252900 632800 937 236400 655300 Metodología utilizada. En una primera aproximación puede suponerse una relación lineal entre la excitación a que se ve sometida una cuenca, representada por las precipitaciones, y su respuesta apreciable en la serie de caudales, o mejor aún la precipitación efectiva. Designando a Pv, y Qv, la precipitación total y la efectiva del año v en el mes sobre la cuenca de interés; ellas corresponden a las series temporales que representan los recursos meteorológicos e hidrológicos respectivamente. Con el objetivo de remover la periodicidad, ambas series pueden ser estandarizadas periódicamente mediante las expresiones: P Pv v S mP X , 112 Q Qv v S mO Y , 112 Donde: v = 1,2,...........N; = 1,2,.............12, siendo N el número de años de interés, un índice del mes, mP el promedio y S2 P la varianza de las precipitaciones totales del mes y mQ S2 Q el promedio y la varianza de las precipitaciones efectivas de cada mes. Como primera aproximación, la dependencia lineal entre las variables estandarizadas pueden representarse mediante un modelo de función de transferencia, FT de orden (r, S, b) donde r es el número de términos autorregresivos, S el de términos de excitación y b el desfase entre excitación y respuesta. De manera explícita este modelo corresponde a: t S j jbtj r i tt XWYY 01 11 1 2 Sequía meteorológica donde t es el ruido del sistema. Estos modelos pueden escribirse en la forma de Box-Jenkins (1976), como: tt b str XBBWYB donde r(B) es un polinomio de grado r en B, WS(B) otro polinomio en B de grado S y B es el operador de retroceso, definido como ntt n ZZB . Con el objetivo de visualizar los efectos de las sequías meteorológicas, observables en la serie Pv,, sobre las hidrológicas, representadas por Qv, es conveniente utilizar la representación explícita del modelo (3) para la variable Yt: rrt b Srt BXBBWBY 11 La que se puede colocar como: ttt NXBVY Siendo V(B) un polinomio en B de orden infinito cuyos elementos corresponden a la respuesta del sistema o una excitación de tipo impulso. Los valores de los coeficientes Vj están relacionados con los parámetros y W mediante un sistema de ecuaciones lineales. Disponiendo del modelo de función de transferencia y conocidos los valores de la función respuesta impulso, (V0, V1, V2, ............) es posible estimar cuantitativamente algunos efectos de interés de las sequías meteorológicas sobre las hidrológicas, como las que se analizan a continuación: a) Es de interés estimar el impacto de un tipo de sequía sobre la otra a través de una medida del déficit de recursos de agua superficial provocado por un déficit en la precipitación. Para ello, se puede centrar el interés sobre el efecto en la precipitación efectiva de un déficit en las precipitaciones totales ocurridas a partir del mes durante n períodos seguidos. Así la sequía meteorológica corresponde a un escalón de tamaño a y longitud n en la serie de precipitaciones totales en relación con los valores medios. La respuesta puede observarse k meses después, también con relación al valor medio de las correspondientes precipitaciones efectivas. Las principales variables involucradas se muestran a continuación: P v m P , Q v m Q , 3 4 5 1 a 1 - +1 +n +k t 1 1 t +n +1 - 1 2 3. . . . . . . . . . . n Sequía meteorológica Sequía hidrológica Los valores de respuesta y excitación están ligados directamente a través de la expresión (5) la cual puede expresarse explícitamente, aceptando que el valor esperado del ruido es nulo, como la tradicional función de convolución: 0j jtjt XVY Esta relación puede transformarse en términos de las precipitaciones efectivas y totales utilizando la ecuación (1): 0 , ,,, j jP jPjv j Q Qv S mP V S mQ Que por comodidad puede expresarse como: 0 , , , ,, 11 j jP jv jP jP j Q Q Q v m P S m V S m m Q donde se aprecia que es conveniente utilizar las precipitaciones totales y efectivas en términos reducidos, usando para ello los valores medios mensuales: Q v v m Q q , , ; jP jv jv m P p , , , Combinando estas relaciones en (8) se puede despejar qv, como: 0 , , , , 1 j jv jP jP j Q Q v P S m V m S q En la relación (10) las series q y p son de promedio 1 y varianza periódica. Una sequía meteorológica puede quedar representada por uno o más valores de p menos de 1. En particular supóngase que p adopta los siguientes valores: ntsi conntsia tsi P 1 1a 1 1 Esto indica entonces una sequía de tamaño a y duración n que ocurre a partir del mes . Interesa conocer el efecto de ella sobre el caudal k meses después, con k = 0, 1, 2 . . . . Reemplazando por +k en la expresión (10) se tiene: 0 , , , , , , 11 j jkv jkp jkp j kQ kQ kv P S m V m S q Considerando que p es igual a 1 para t y t + n en el término de la suma es distinto a cero solo para algunos valores, por lo tanto combinando (11) y (12) y eliminando el índice v por comodidad se tiene: k nkj jkp jkp j kQ kQna k a S m V m S q 1 , , , ,, , 11 6 7 8 9 10 11 12 13 Donde na kq , , representa la respuesta k meses después a una sequía de tamaño a y duración n que comenzó en el mes . En particular, si n = 1 se tiene: a S m V m S q p p k kQ kQa k 11 , , , ,1, , Esta expresión puede entenderse de la siguiente manera. Si en un mes cualquiera se tiene una reducción de precipitaciones tal que solo se dispone de una proporción a del valor medio de ese mes, ello tendrá efecto sobre las precipitaciones efectivas de manera que k meses después solo se contará con una proporción na kq , , del valor medio de ella. Tanto en (13) como en (14) queda claro que si a = 1 entonces q = 1. Es decir que si se mantienen los valores medios de precipitaciones entonces se tendrán valores medios de caudales. b) Retardo medio También es de interés conocer el tiempo que tardarán como promedio en notarse los efectos de las sequías meteorológicas sobre el comportamiento de los caudales. Esto queda reflejado en el retardo medio del sistema, que se obtiene ponderando los retardos por los efectos que se transmiten: 1j j G Vj T Donde G es la ganancia del sistema, es decir la respuesta a una función escalón de la excitación, calculable como Box-Jenkins (1976): r sWWWW G 1 10 11 1 Como el polinomio de respuesta a la función impulso, V(B) cumple con: 2 321 32 BVBVV dB BdV 1 1 1 VVj dB dV j j Entonces 1 1 1 V W T Expresando V(B) en función de los polinomios (B) y W(B) según la ecuación (4), derivando y evaluando para B = 1 se obtiene: 1 1 1 1 W W bT Donde el apóstrofe indica la derivada del polinomio respecto al factor de retroceso B. 14 15 16 18 17 3. DISCUSIÓN DE LOS RESULTADOS. Las variables a tratar representan el caudal medio mensual medido en la Estación Hidrométrica Paso Ventura y los valores mensuales de precipitaciones del Pluviómetro 422, para ello utilizaremos el software SPSS versión 8.0 debido a la facilidad y fiabilidad en la obtención de los resultados. A continuación se explicarán por pasos el análisis realizado: 1. Los datos de caudales fueron llevados de m3/s a mm para trabajar con las mismas unidades por razones de comodidad. 2. Fijamos las variables de datación en años y meses. 3. Las series fueron centradas y estandarizadas según la ecuación (1) con el objetivo de eliminar la estacionalidad y atendiendo a la comodidad que esto representa para la aplicación de la metodología expuesta. 4. Ploteamos la serie Zlluvia y sus correspondientes funciones de autocorrelación (ACF) y de autocorrelación parcial (PACF), Figura 2. El gráfico de la serie evidencia la homogeneidad de varianzas. De aquí se demuestra también que la componente estacional ha sido separada y además se evidencia la necesidad de una componente autorregresiva. Observe en particular el hecho de contar con un “lags” o retardo de 16 con el objetivo de tener un mejor criterio de la estacionalidad. Figura 2. Serie de Lluvia ploteada y sus funciones de autocorrelación (ACF) y de Autocorrelación parcial (PACF). 5. La parte autorregesiva, por lo tanto, es tratada por un modelo ARIMA (1,0,0) y comenzamos el análisis. Se puede observar que la componente autorregresiva es significativa. Arima MODEL: MOD_4 Model Description: Variable: ZLLUVIA Regressors: NONE Non-seasonal differencing: 0 No seasonal component in model. Parameters: AR1 ________ < value originating from estimation > 95.00 percent confidence intervals will be generated. Split group number: 1 Series length: 432 No missing data. Melard's algorithm will be used for estimation. Termination criteria: Parameter epsilon: .001 Maximum Marquardt constant: 1.00E+09 SSQ Percentage: .001 Maximum number of iterations: 10 Initial values: AR1 .11455 Marquardt constant = .001 Adjusted sum of squares = 419.35257 Iteration History: Iteration Adj. Sum of Squares Marquardt Constant 1 419.34815 .00100000 Conclusion of estimation phase. Estimation terminated at iteration number 2 because: Sum of squares decreased by less than .001 percent. FINAL PARAMETERS: Number of residuals 432 Standard error .9863742 Log likelihood -606.56159 AIC 1215.1232 SBC 1219.1916 Analysis of Variance: DF Adj. Sum of Squares Residual Variance Residuals 431 419.34815 .97293406 Variables in the Model: B SEB T-RATIO APPROX. PROB. AR1 .11782277 .04852263 2.4282024 .01558220 Covariance Matrix: AR1 AR1 .00235445 Correlation Matrix: AR1 AR1 1.0000000 The following new variables are being created: Name Label FIT_1 Fit for ZLLUVIA from ARIMA, MOD_4 NOCON ERR_1 Error for ZLLUVIA from ARIMA, MOD_4 NOCON LCL_1 95% LCL for ZLLUVIA from ARIMA, MOD_4 NOCON UCL_1 95% UCL for ZLLUVIA from ARIMA, MOD_4 NOCON SEP_1 SE of fit for ZLLUVIA from ARIMA, MOD_4 NOCON 6. Se comprueban ahora que los residuales no están autocorrelacionados por medio de ACF y PACF, Figura 3. Como se puede apreciar los errores no están correlacionados que es lo que queríamos obtener, además de considerar los resultados estadísticos de los modelos analizados; también se analizaron otros modelos autorregresivos de mayor orden pero el resultado no fue satisfactorio, se concluye por lo tanto, que la serie de Zlluvia bajo las condiciones impuestas, puede ser modelada ARIMA (1,0,0). Figura 3. Funciones de Autocorrelación (ACF) y Autocorrelación parcial (PACF) para los Residuales. 7. Para la serie Zcaudal se repiten los pasos anteriores y los resultados son similares, Figuras 4 y 5.Figura 4. Serie de ZCaudal ploteada y sus funciones de autocorrelación (ACF) y de Autocorrelación parcial (PACF). La parte autorregesiva, por lo tanto, es tratada por un modelo ARIMA (1,0,0) y comenzamos el análisis. Se puede observar que la componente autorregresiva es significativa. Arima MODEL: MOD_15 Model Description: Variable: ZCAUDAL Regressors: NONE Non-seasonal differencing: 0 No seasonal component in model. Parameters: AR1 ________ < value originating from estimation > 95.00 percent confidence intervals will be generated. Split group number: 1 Series length: 432 No missing data. Melard's algorithm will be used for estimation. Termination criteria: Parameter epsilon: .001 Maximum Marquardt constant: 1.00E+09 SSQ Percentage: .001 Maximum number of iterations: 10 Initial values: AR1 .35716 Marquardt constant = .001 Adjusted sum of squares = 353.01131 Iteration History: Iteration Adj. Sum of Squares Marquardt Constant 1 352.76417 .00100000 Conclusion of estimation phase. Estimation terminated at iteration number 2 because: Sum of squares decreased by less than .001 percent. FINAL PARAMETERS: Number of residuals 432 Standard error .90453222 Log likelihood -569.21466 AIC 1140.4293 SBC 1144.4978 Analysis of Variance: DF Adj. Sum of Squares Residual Variance Residuals 431 352.76417 .81817854 Variables in the Model: B SEB T-RATIO APPROX. PROB. AR1 .38259668 .04634525 8.2553588 .0000000 Covariance Matrix: AR1 AR1 .00214788 Correlation Matrix: AR1 AR1 1.0000000 The following new variables are being created: Name Label FIT_4 Fit for ZCAUDAL from ARIMA, MOD_15 NOCON ERR_4 Error for ZCAUDAL from ARIMA, MOD_15 NOCON LCL_4 95% LCL for ZCAUDAL from ARIMA, MOD_15 NOCON UCL_4 95% UCL for ZCAUDAL from ARIMA, MOD_15 NOCON SEP_4 SE of fit for ZCAUDAL from ARIMA, MOD_15 NOCON Figura 5. Funciones de Autocorrelación (ACF) y Autocorrelación parcial (PACF) para los Residuales. 8. A la serie ARIMA (1,0,0) obtenida en el paso anterior se le incluye como “regresor” la serie Zlluvia. Se puede apreciar que el regresor es significativo. Arima MODEL: MOD_23 Model Description: Variable: ZCAUDAL Regressors: ZLLUVIA Non-seasonal differencing: 0 No seasonal component in model. Parameters: AR1 ________ < value originating from estimation > ZLLUVIA ________ < value originating from estimation > 95.00 percent confidence intervals will be generated. Split group number: 1 Series length: 432 No missing data. Melard's algorithm will be used for estimation. Termination criteria: Parameter epsilon: .001 Maximum Marquardt constant: 1.00E+09 SSQ Percentage: .001 Maximum number of iterations: 10 Initial values: AR1 .32459 ZLLUVIA .48170 Marquardt constant = .001 Adjusted sum of squares = 252.64459 Iteration History: Iteration Adj. Sum of Squares Marquardt Constant 1 252.40996 .00100000 Conclusion of estimation phase. Estimation terminated at iteration number 2 because: Sum of squares decreased by less than .001 percent. FINAL PARAMETERS: Number of residuals 432 Standard error .7660369 Log likelihood -496.90942 AIC 997.81885 SBC 1005.9557 Analysis of Variance: DF Adj. Sum of Squares Residual Variance Residuals 430 252.40775 .58681253 Variables in the Model: B SEB T-RATIO APPROX. PROB. AR1 .35429678 .04491313 7.888490 .0000000 ZLLUVIA .47696876 .03642283 13.095322 .0000000 Covariance Matrix: AR1 AR1 .00201719 Correlation Matrix: AR1 AR1 1.0000000 Regressor Covariance Matrix: ZLLUVIA ZLLUVIA .00132662 Regressor Correlation Matrix: ZLLUVIA ZLLUVIA 1.0000000 The following new variables are being created: Name Label FIT_6 Fit for ZCAUDAL from ARIMA, MOD_23 NOCON ERR_6 Error for ZCAUDAL from ARIMA, MOD_23 NOCON LCL_6 95% LCL for ZCAUDAL from ARIMA, MOD_23 NOCON UCL_6 95% UCL for ZCAUDAL from ARIMA, MOD_23 NOCON SEP_6 SE of fit for ZCAUDAL from ARIMA, MOD_23 NOCON 9. Se plotean los ACF y PACF los cuales demuestran que los residuales no están autocorrelacionados, Figura 6. Figura 6. Funciones de Autocorrelación (ACF) y Autocorrelación parcial (PACF) para los Residuales. 10. El ploteo conjunto de la serie original de Zcaudal con el modelo ARIMA(1,0,0) de Zcaudal así como la serie original Zcaudal con el modelo ARIMA(1,0,0) de Zcaudal considerando como regresor la serie de Zlluvia, Figura 7, muestran que esta última se ajusta sensiblemente mejor, sin embargo de estos resultados podemos inferir que el modelo presenta algunas dificultades con los puntos o valores extremos por lo que podemos pasar a partir de este, hacer el análisis de intervención, lo cual es explicado porque en la serie analizada se encuentran valores producidos por eventos extremos; los cuales suponemos fueron observados con fiabilidad, y para ello se puede utilizar la función “delta” o “pulso unitario” ya definido anteriormente, pero como en nuestro caso el interés es trabajar con valores medios consideramos obviar este análisis. (a) (b) Figura 7. Ploteo conjunto de la (a) serie original de Zcaudal con el modelo ARIMA(1,0,0) de Zcaudal así como la (b) serie original Zcaudal con el modelo ARIMA(1,0,0) de Zcaudal considerando como regresor la serie de Zlluvia. 11. Se pasa ahora a la fase de validación aplicando el modelo obtenido a los valores reservados, lo cual al ser comparado con el ajuste de la serie original se demuestra que el modelo propuesto pronostica aceptablemente los valores reservados hasta el último dato de la serie. Es de destacar que la diferencia aparente con el análisis de los residuales de la regresión es que no necesitamos probar que los mismos se distribuyen normalmente ni sean independientes, ni siquiera que tengan la misma distribución para cada instante de tiempo. Sin embargo, la efectividad de los pronósticos depende teóricamente en muchos casos que los residuales sean independientes y la elaboración de los intervalos de confianza, es más fácil si los residuales se distribuyen normalmente (en este caso la condición de ser independientes y no correlacionados es equivalente), Figura 8. MODEL: MOD_5 Model Description: Variable: ZCAUDAL Regressors: ZLLUVIA Non-seasonal differencing: 0 No seasonal component in model. Parameters: AR1 ________ < value originating from estimation > ZLLUVIA ________ < value originating from estimation > 95.00 percent confidence intervals will be generated. Split group number: 1 Series length: 444 No missing data. Melard's algorithm will be used for estimation. Termination criteria: Parameter epsilon: .001 Maximum Marquardt constant: 1.00E+09 SSQ Percentage: .001 Maximum number of iterations: 10 Initial values: AR1 .33486 ZLLUVIA .48150 Marquardt constant = .001 Adjusted sum of squares = 267.40407 Iteration History: Iteration Adj. Sum of Squares Marquardt Constant 1 267.33823 .00100000 Conclusion of estimation phase. Estimation terminated at iteration number 2 because: Sum of squares decreased by lessthan .001 percent. FINAL PARAMETERS: Number of residuals 444 Standard error .77759813 Log likelihood -517.38747 AIC 1038.7749 SBC 1046.9666 Analysis of Variance: DF Adj. Sum of Squares Residual Variance Residuals 442 267.33776 .60465884 Variables in the Model: B SEB T-RATIO APPROX. PROB. AR1 .34974622 .04338399 8.061643 .0000000 ZLLUVIA .47920158 .03661820 13.086432 .0000000 Covariance Matrix: AR1 AR1 .00188217 Correlation Matrix: AR1 AR1 1.0000000 Regressor Covariance Matrix: ZLLUVIA ZLLUVIA .00134089 Regressor Correlation Matrix: ZLLUVIA ZLLUVIA 1.0000000 The following new variables are being created: Name Label FIT_10 Fit for ZCAUDAL from ARIMA, MOD_5 NOCON ERR_10 Error for ZCAUDAL from ARIMA, MOD_5 NOCON LCL_10 95% LCL for ZCAUDAL from ARIMA, MOD_5 NOCON UCL_10 95% UCL for ZCAUDAL from ARIMA, MOD_5 NOCON SEP_10 SE of fit for ZCAUDAL from ARIMA, MOD_5 NOCON Figura 8. Funciones de Autocorrelación (ACF) y Autocorrelación parcial (PACF) para los Residuales. 12. A partir del modelo final obtenido, que puede ser planteado de esta forma: ttt NXYB 4792.034975,01 Donde Nt es el ruido del sistema, y aplicando las ecuaciones 16 y 18 se llega a la conclusión que los efectos de las sequías en las precitaciones tardarán como promedio 17 días en notarse en los valores promedios de los caudales. 13. Por último buscamos los estadísticos finales de los errores. FIT Error Statistics Error Variable ERR_10 Observed Variable ZCAUDAL N of Cases Use 432 Predict 12 Deg Freedom Use 430 Predict 12 Mean Error Use .0107 Predict .3652 Mean Abs Error Use .5199 Predict .8076 Mean Pct Error Use 67.2161 Predict 6367.9540 Mean Abs Pct Err Use 188.1532 Predict 6410.4467 SSE Use 252.3390 Predict 14.9205 MSE Use .5868 Predict 1.2434 RMS Use .7661 Predict 1.1151 Durbin-Watson Use 1.9207 Predict 2.3695 Para una mayor comprensión de estos resultados se explicarán a continuación que representan estos estadísticos. La interpretación de los primeros parámetros es obvia. Observe que el error medio es bastante cercano a cero. El error medio absoluto es el valor medio del error en valor absoluto. Los errores en porciento se calculan utilizando como denominador los valores observados de la serie y luego se promedian incluyendo signos (Mean Pct Error) y en valor absoluto (Mean Abs Pct Error) Para estos dos parámetros que se calculan es imprescindible especificar una serie “denominador” en el subcomando OBS. (En este ejemplo utilizamos la propia serie de escurrimiento) SSE denota la suma de cuadrados de los errores de las diferencias entre los valores observados de las series y los valores predichos por el modelo. MSE (Mean Square Error) es la media de la serie SSE, esto es, la SSE dividida por los grados de libertad del error. RMS (Root Mean Square Error) es la raíz cuadrada de MSE. El test de Durbin-Watson, verifica la hipótesis nula de que los residuales de la regresión son independientes contra la hipótesis alternativa de que estos residuales siguen un proceso autorregresivo de primer orden. 4. CONCLUSIONES Y RECOMENDACIONES. CONCLUSIONES. 1. La experiencia internacional y los resultados de la investigación desarrollada en el marco de este trabajo, confirman que la metodología de Box-Jenkins aplicadas a series hidrológicas tienen un gran interés científico, tecnológico y práctico para su aplicación en los trabajos de pronósticos y generación de series. 2. La cuenca hidrográfica del río Zaza, enmarcada a partir del cierre en la Estación Hidrométrica Paso Ventura, presenta un retardo promedio de 17 días para notarse la influencia de una sequía meteorológica en una hidrológica. Esto significa la gran vulnerabilidad de la cuenca para soportar una sequía meteorológica. 3. La serie de caudales mensuales (Zcaudal) de la estación Paso Ventura se ajusta perfectamente a un modelo ARIMA (1,0,0) con la influencia del regresor de la serie de lluvias (Zlluvia). 4. Con el modelo obtenido se pueden realizar pronósticos a corto plazo. 5. Del análisis de la lluvia llegamos a la conclusión que la misma en sí se comporta como un ruido blanco es decir es una “variable aleatoria pura”. 6. Se demostró que la serie de caudales (Zcaudal) modelados ARIMA usando como regresor la lluvia (Zlluvia), se ajusta mejor que considerando solo el modelo ARIMA (1,0,0). 7. La forma de estandarización de las variables de lluvia y caudal pueden ser una herramienta eficaz para separar la componente estacional de la serie. RECOMENDACIONES. 1. Se recomienda hacer extensivo el uso de la metodología de Box-Jenkins para aplicarla a series hidrológicas con dependencias seriales. 2. Lograr la regionalización de estos modelos, a partir de criterios estrictamente estadísticos, con el fin de poder hacer análisis a toda una región o provincia. 3. Deberá confirmarse las causas que hacen que los valores de los caudales, en el cierre en estudio, tengan un retardo de 17 días como promedio en notarse una sequía en el régimen de lluvias. 4. A partir de los resultados obtenidos se deberán analizar los aspectos físico- geográficos que hacen que la cuenca sea vulnerable cuando ocurre una sequía meteorológica. 5. Lograr completar toda la información digital y realizar un Sistema de Información Geográfica (S.I.G.) de la cuenca hidrográfica del río Zaza. 5. BIBLIOGRAFÍA. [1] Box, G. E. P. and Jenkins, G. M.; 1976; Time Series Analysis Forecasting and Control, Holden Day, San Francisco. [2] Box, G. E. and Tiao, G. C.; 1975; Intervention analysis with applications to economic enviromental problems, Journal on the American Statistical Associations 70: 70-79 pp. [3] C.N.A.P; 2010; Sistema Nacional de Áreas Protegidas. Cuba. [4] Consejo de Cuenca Provincial; 1997; Diagnóstico Cuenca Zaza (1997); Inédito. [5] Grau, A. Ricardo; 1997; Series Cronológicas y Métodos Robustos de Regresión, UCLV, Santa Clara, Villa Clara, Cuba, 1997. [6] Person, H. S., Johnston Coil, E. y Beall, Robert T.; 1949; Las Pequeñas Fuentes Fluviales; Publicación TC-244; Washington, D.C.
Compartir