Aplicación de redes neuronales artificiales para el ajuste de precipitaciones mensuales obtenidas en terreno y por satélite, en la cuenca del valle alto - cochabamba
DOI:
https://doi.org/10.70208/3007.8245.v5.n3.297Palabras clave:
Cuenca, modelo hidrológico, hidrogramas, flujo acumulado, tipologíaResumen
La precipitación pluvial es una variable climática de gran importancia para el estudio de los sistemas hidrológicos. El entendimiento de su comportamiento temporal y espacial es de sumo interés para la planificación de los recursos hídricos. La precipitación estimada por satélite permite disponer en tiempo real de datos que se ajustan a la necesidad de estos modelos distribuidos, proporcionando información en regiones que son inaccesibles para otros sistemas de observación tales como pluviómetros y radar. Durante el periodo del año 2018 a 2023 se desarrollaron varios estudios integrales en la cuenca del Valle Alto y Komer Qhocha del Departamento de Cochabamba, referidos principalmente a la Hidrología e Hidrogeología, realizándose la evaluación de la precipitación combinada por satélite, el estudio considero la utilización de los datos pluviométricos TRMM y GPM, los mismos se descargaron de la plataforma Giovanni (https://giovanni.gsfc.nasa.gov/giovanni/?) de la Agencia Espacial NASA de los Estados Unidos, datos que se encuentran a libre disposición de la comunidad científica. Los datos descargados del TRMM cubren el periodo de enero de 1998 a junio de 2023. En el caso de GPM, el periodo considerado va de abril de 2014 a junio de 2023. En ambos casos, es el periodo en el cual se dispone de información.
Citas
Available: http://censosbolivia.ine.gob.bo/censofichacomunidad/c_pdfm/generar_pdf/02/01/05/x. [2018].
Earth Observation Research Center (2015), Japan Aerospace Exploration Agency (JAXA), «Global Satellite Mapping of Precipitation Microwave-IR Combined Product (GSMaP_MVK) and Gauge-calibrated Rainfall Product (GSMaP_Gauge), Reanalysis Products (GSMaP_RNL), and Gauge-calibrated Reanalysis Product (GSMaP_Gauge_RNL) Data Format Description V6, » EORC, Tsukuba, Ibaraki, Japón.
Ardila León, J. F., & Quintero Delgado, O. Y. (2013). Aplicación de la teledetección y los sistemas de información geográfica en la interpretación de zonas inundables. caso de estudio: Río Soapaga, Sector Paz de Río, Boyacá. Ciencia e Ingeniería Neogranadina.
Asurza Véliz, F. A., Cayo Ramos, L., & Lavado Casimiro, W. S. (2018 de febrero de 2018). Evaluación de los productos Tropical Rainfall Measuring Mission (TRMM) y Global Precipitation Measurement (GPM) en el modelamiento hidrológico de la cuenca del río Huancané, Perú. Scientia Agropecuaria, 53-52.
Autores, V. (2012). Redes Neuronales Artificiales. Universidad de Valencia.
Basogain Olabe, X. (2012). Redes Neuronales Artificiales y sus Aplicaciones.
Blacutt. Luis A. (2015). «Precipitation comparison for the CFSR, MERRA, TRMM3B42 and Combined Scheme datasets in Bolivia, » vol. 163,
Brameir, M., & Banzhaf, W. (2007). Linear Genetic Programming. United States of America: Springer.
Castiblanco, C. M. (2002). Manejo y Análisis de Imágenes de Satélite Aplicadas en Estudios Hidrológicos de Cuencas Mediante el SIG-GRASS. Bogotá. Universidad Nacional de Colombia.
C. Funk, P. Peterson, M. Landsfeld, D. Pedreros, J. Verdin, S. Shukla, G. Husak, J. Rowland, L. Harrison, A. Hoell y J. Michaelsen, «The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes, » 2015. [En línea]. Available: https://www.nature.com/articles/sdata201566. [2018].
Corponariño. (2008-2009). Ordenamiento del recurso hídrico. Coorporacion Autonoma Regional de Nariño.
Corrales Martinez, M. A. (2011). Balance Hidrológico. 2.
CRQ. (2016). Oferta, demanda hidrica e indice de uso del agua (IUA) de las unidades de manejo de cuenca del Departamento del Quindio. Coorporacion autonomo regional del Quindo, 2.
Erick, L. (2018). El Coeficiente de Correlación. 1-64.
Felipe del Angel, J. E., & Garcia Garcia, E. (s.f.). Precipitación. Ingeneiría Civil ITCA.
Flores Quisbert, A., Martinez Rios, Á., Lazarte Alanes, B., Viscarra Lopez, E., Zunagua Gonzales, F., Ignacio Campos, G.,Gutiérrez Choque, Z. (2016-2020). Plan territorial de desarrollo integral del Departamentode Oruro. Oruro.
Flórez López, R., & Fenández, F. J. (2012). Las Redes Neuronales Artificiales, Fundamentos Teóricos y aplicaciones prácticas.
French, M., Krajewski, W., & Cuykendall, R. (1992). Rainfall forecasting in space and time using neural network, J. Hydrol. 1-31.
Fundación Española Para la Ciencia y la Tecnología. (2004). Meteorología y Climatología. M-XXXXX-2004.
Gálvez, J., Saubes, N., Gándara, A., & Pérez, G. (2015). Balance hidrológico de las subcuencas de la República de Guatemala. Instituto de Agricultura, Recursos Naturales y Ambiente de la Universidad Rafael Landívar., 15.
Gupta, H., Sorooshian, S., & Yapo, P. O. (1999). Statusof automatic calibration for hydrologic models: Comparison with multilevel expert calibration. JournalofHydrologicEngineering, 135-143.
Gutierrez Marcillo, P. A. (2013-2014). Imagenes Satelitales. Universidad Agraria del Ecuadorescuela de Ingieneria Ambiental, 1-5.
Hernandez Cardosa, A. (2012). Algoritmos de Aprendizaje.
Hoyos, D. M. (2015). Precipitación Actual mediante datos GPM. Programa Regional de Empleo de Información, 3.
K. Takido, O. C. Saavedra Valeriano, M. Ryo, K. Tanuma, T. Ushio y T. Kubota, (2016). «Spatiotemporal Evaluation of the Gauge-Adjusted Global Satellite Mapping, » Journal of the Meteorological Society of Japan, Japón.
Ministerio de Medio Ambiente y Agua. (2016). “Estimación de demanda Hídrica Multisectorial del Sistema Titicaca – Desaguadero – Poopó – Salar de Coipasa (TDPS)”. La Paz.
Ministerio de Medio Ambiente y Agua de Bolivia, (2017). Transferencia de Tecnología de GMET “Gridded Meteorological Ensemble Tool”, La Paz.
Ortega, H. M. (2018). Evaluación de la influencia de la incorporación de datos de precipitación satelital (tmpa-3b42r) sobre la simulación hidrológica a escala diaria en la Cuenca alta del río Guayllabamba. 62.
Oruro, G. A. (2016). Plan Territorial de Desarrollo Integral de Oruro. Oruro.
Paguay, S. J. (julio de 2018). Evaluación del servicio ecosistémico correspondiente a la producción de agua en la Cuenca alta del Río Guayllabamba utilizando el modelo computacional invest. Quito.
Pérez, F. P., & Gutiérrez, J. F. (1987). Agua y medio ambiente. Observatorio Medioambiental.
Petrenko, B., & Spencer, R. W. (1999). Low-dimensional parameterization of the Kummerow's microwave radiative transfer model for the atmosphere with precipitation. In Geoscience and Remote Sensing Symposium.
Planeacion Ecologica Ltda y Ecoforest Ltda, (2015). «Anexo 5 - Soporte Plan de Manejo de Ordenamiento de una Cuenca, POMCA rio Bogotá. Elaboracion del Diagnóstico, Prospectiva y Formulación de la Cuenca,» mayo 2015. [En línea]. Available: https://ccxsuesca.files.wordpress.com/2015/05/anexo_5-soporte_pomca_rio_bogota.pdf.
Plataforma Giovanni (https://giovanni.gsfc.nasa.gov/giovanni/?) 2023. Agencia Espacial NASA de los Estados Unidos.
SENAMHI, (2023) «Base de Datos Sistema Meteorológico,» 2016. [En línea]. Available: http://www.senamhi.gob.bo/web/public/sismet.
SENAMHI, «Sistema Integrado de Gestión de Estaciones (SIGE),» (2023). Available: http://www.senamhi.gob.bo/web/public/sige.
T. Kubota, K. Okamoto, S. Shige, T. Ushio, T. Iguchi, N. Takahashi, K. Iwanami, K. Aonashi, M. Kachi, R. Oki y C. (2018), «The Global Satellite Mapping of Precipitation (GSMaP) Project, » 7 Diciembre 2007. [En línea]. Available: http://sharaku.eorc.jaxa.jp/GSMaP_crest/pdf/gpm_gsmap.pdf.
Trenberth et al. (2007). Estimaciones del presupuesto del agua y su ciclo anual utilizando datos de observación y modelo. Hidrometeorologia.
Universidad de Guadalajara. (2021). Obtenido de http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/RNArtificial.htm http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/RNArtificial.htm
Universidad de Windsor. (20 de octubre de 2021). Inteligencia Artificial. Redes Neuronales. Obtenido de http://www.itnuevolaredo.edu.mx/takeyas/Apuntes/Inteligencia%20Artificial
UTP, F. d. (2012). Principales Tipos de Redes Neuronales.
Villanueva Espinoza, M. d. (2012). Las Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones.
Vallejos A. G., Ancalle S. A., Escalera A. C. y Saavedra O. V., (2018). «Analyzing Areal Precipitation at Key Basins in Cochabamba Using Satellite-Based, » 2016. [En línea]. Available: http://www.upb.edu/revista-investigacion-desarrollo/index.php/id/article/view/10/27.
Vivancos, J., Llastarri, A., Grau, M., & Vivancos, D. (2019). La tierra a la vista de satélite. Obtenido de Portada: http://concurso.cnice.mec.es/cnice2006/material121/
