✅ REDES NEURONALES EN HIDROLOGÍA

Sabemos que los datos hidrológicos describen ciertamente algunas de las etapas del ciclo hidrológico del agua, siendo esto representadas a través de series temporales las cuales pueden presentar distinta correlación de datos o explicar los cambios en las condiciones físicas de la cuenca mientras mayor sea la longitud de su registro.

Las Redes Neuronales Artificiales constituyen una de las herramientas computaciones más poderosas por emular el comportamiento y funcionamiento de una Red Neuronal del cerebro. Una de las características principales de las redes neuronales es la capacidad que tienen para poder extraer la relación entre entradas y salidas de un determino proceso, sin la necesidad de conocer cuál es la naturaleza física del problema suscitado, permitiendo que los resultados pueden ser transmitidos a toda la red para dar una señal de salida.

El funcionamiento de las redes neuronales comprende 3 etapas importantes. La primera comprende la disposición de la determinada serie de datos, las cuales vendrán a ser las situaciones ya pasadas, y conjuntamente a ellos tendrá la respuesta que se desea obtener con la red, conocida también como training set. La segunda etapa el entrenamiento o aprendizaje de la red, esto se explica luego de una observación a los datos o hechos presentados, de tal manera que aprenda de ellos y actúe frente a situaciones futuros siguiendo pasos coherentes conforme sea lo aprendido. Como última etapa tenemos la generación de un subconjunto de datos conocido como validation set, esto determinará el comportamiento de la red frente a situaciones futuras y de manera independiente de los datos del conjunto de entrenamiento realizado con anterioridad.

La unidad básica que constituye una Red Neuronal es el nodo, es el elemento que viene formar el cálculo interconectado con muchos más elementos, de tal manera, que se pueda imitar al funcionamiento de las sinapsis nerviosas. Los nodos tienen la característica de recibir información y conexiones de una gran cantidad de otras neuronas, sin embargo, frecuentemente solo proporcionan una única salida. La información que procesará el nodo puede hacerlo de distintas formas, una de ella es la combinación lineal con determinado sesgo y aplicando una función, se obtendrá una determinada salida.

REDES NEURONALES SEGÚN SU CONEXIÓN

En gran variedad de estudios, siempre se ha precisado o notado que solo predomina el uso de conexiones hacia adelante, también conocido como feedforward, sin embargo, es importante mencionar la existencia de redes que no limitan sus conexiones a este tipo mencionado.

• Redes neuronales con conexiones hacia adelante: Tiene la característica de transmitir toda su información hacia adelante a través de las distintas capas y pesos.
• Redes neuronales con conexiones hacia adelante y hacia atrás: Tiene la característica de presentar conexiones y pesos en ambos sentidos, permitiendo que la información pueda transmitirse en ambas direcciones, adelante y atrás. Se conoce redes bicapa y su funcionamiento se basa en la resonancia.

Los componentes o arquitectura de una Red neuronal feedforward viene determinado por su número de capas y el número de nodos que tendrá por capas, siendo estos de distintos tipos como:

• Capa de entrada: Los nodos se encargan de procesar la información presenta a la red neuronal. Los nodos de esta capa son conocidos como unidad de entrada.
• Capa escondida: Los nodos de esta capa se encargan de realizar la no linealidad de la red, son conocidos como unidades escondidas.
• Capa de salida: Los nodos de esta capa presentan los posibles valores luego de realizar el análisis requerido, son conocidos como unidad de salida.

REDES NEURONALES CON APLICACIÓN A LA HIDROLOGÍA

Las Redes Neuronales tienen la característica de poder identificar reglas que permanezcan ocultas, motivo por el cuál, tienen una gran aplicación en la estimación y predicción de datos hidrológicos. Las Redes Neuronales Artificiales (ANNs) tienen una semejanza particular con los modelos de regresión, con la excepción de no requerir especificaciones de tipo formal. Las estructuras de las Redes Neuronales Artificiales permiten que se puedan procesar múltiples escenarios o alternativas siguiendo implementación paralela.

Dentro de los modelos para la generación de información hidrológica, para la gestión de recursos hídricos, podemos encontrar:

• Regresión lineal simple: Trabaja con una sola pareja de variables aleatorias la cuales se relacionan linealmente.
• Regresión lineal múltiple: Trabaja con múltiples variables multidimensionales, tiene la característica de presentar una salida con semejanza a un modelo de regresión lineal simple.
• Regresión Projection Pursuit: Permite que las distintas variables regresoras puedan interactuar entre sí. Puede estimar funciones desconocidas, siendo estas provenientes de la combinación lineal de las variables del modelo, generando la necesidad de ir agregando nuevas capas ocultas que serán previas a las subredes.
• Modelos de Medias Móviles.
• Medias móviles con variable exógena.
• Modelos ARMA Y ARMAX.

La metodología de las redes neuronales puede incluso realizar la completación de los datos faltantes en los registros históricos. Uno de los modelos más empleados en las series temporales es el modelo autorregresivo de media móvil (ARMA). El análisis de las series temporales puede hacerse en base al análisis univariante, donde se considera la evolución de la serie, o también los modelos de regresión dinámica, que se encargan de la evolución de las series temporales en función de otras variables. Para la generación de las series temporales, es preciso manejar la idea de iniciar con una hipótesis sobre la distribución conjunta de estas variables. Dentro de los modelos más conocidos y empleados son los de Box – Jenkins. Este modelo tiene aplicación para poder explicar las series temporales en función de su comportamiento periódico y de su tendencia que muchas veces no es constante. Existen casos en los que el comportamiento de las series temporales no puede explicarse, por ello es recomendable hacer uso e ir añadiendo nuevas variables regresoras, las cuales son conocidas como exógenas.

El uso de los modelos autorregresivos, tomado desde el punto de la generación y estimación de información hidrométrica, reproducen y se obtienen mejores resultados, dando a entender siempre todas las características que han sido analizadas, sin embargo, los modelos estocásticos permiten mejorar la precisión de la información hidrométrica para la estimación de volúmenes de almacenamiento en los embalses. Cuando se presentan las series temporales con datos hidrométricos no distribuidos, es necesario aplicar ciertas transformaciones sobre el modelo, teniendo entre los conocidos la transformación logarítmica y la transformación de Box – Cox, la cual se aplica directamente sobre los datos históricos con la finalidad de poder alterar la estacionalidad de la media y varianza de la serie temporal.