Luis Mediero Orduña

DEPARTAMENTO DE INGENIERA CIVIL: HIDRULICA Y
ENERGTICA

E.T.S.I. CAMINOS, CANALES Y PUERTOS

PRONSTICO PROBABILSTICO DE CAUDALES
DE AVENIDA MEDIANTE REDES BAYESIANAS
APLICADAS SOBRE UN MODELO
HIDROLGICO DISTRIBUIDO

LUIS MEDIERO ORDUA
Ingeniero de Caminos, Canales y Puertos

Directores:
Luis Garrote de Marcos
Dr. Ingeniero de Caminos, Canales y Puertos
Martn Molina Gonzlez
Dr. en Informtica

2007

Tribunal nombrado por el Mgfco. y Excmo. Sr. Rector de la Universidad
Politcnica de Madrid, el da de de 2007.

Presidente D. .
Vocal D.
Vocal D.
Vocal D.
Secretario D. .

Realizado el acto de defensa y lectura de la Tesis el da .. de
. de 2007, en

Calificacin:

EL PRESIDENTE LOS VOCALES

EL SECRETARIO

A Luis Garrote, por sus sabios consejos
y su insistencia en no abandonar este trabajo.
A Martn Molina, por su ayuda de ltima hora.
A J uan Carlos Mosquera, por su ayuda informtica.
A mis padres, por su apoyo en todo momento.
A J uan Manuel Ruiz y Antonio J imnez,
por permitirme terminar esta Tesis.
Utanapishti le habl entonces a l, a Gilgamesh:
Gilgamesh, te voy a revelar un misterio,
A confiarte un secreto de los dioses.
Sin duda conoces la ciudad de Shurupak,
Situada al borde del ufrates,
Vieja ciudad muy visitada por los dioses.
Fue aqu donde planearon los ms grandes dioses provocar el Diluvio.
[]
Aunque haba jurado con ellos guardar el secreto,
Ea el prncipe le repiti sus palabras a mi empalizada,
Escucha, empalizada!, recuerda esto, pared:
Oh, rey de Shurupak, hijo de UbarTutu!,
Derriba tu casa, para construirte un barco.
Renuncia a tus riquezas para salvar tu vida.
Aprtate de tus bienes para conservarte sano y salvo,
Pero embarca contigo, ejemplares de todos los animales.
El barco que debes fabricar,
Ser una construccin equiltera,
Idntica en longitud y en anchura.
[]
Al cabo de cinco das, tena terminado el armazn del barco:
Tres mil seiscientos metros cuadrados de superficie,
Sesenta metros de costado;
Su permetro externo, cuadrado a razn de sesenta metros de lado.
Luego organic y arregl el interior,
Colocndole seis veces un techo,
Para subdividirlo en siete pisos,
Cuyo volumen repart en cuatro compartimentos.
[]
El momento fatal lleg, cuando desde la aurora,
Estuvieron cayendo panes pequeos y muchsimo trigo al crepsculo,
Examin el aspecto del tiempo:
Era una visin terrible.
Me introduje pues, en el barco y obtur la escotilla.
[]
Al despuntar el alba,
Suba por el horizonte una nube negra,
En la cual tronaba Adad,
Precedido de Shullat y Hanish,
Nergal arranc los puntales de las compuertas celestes,
Y Ninurta se emple en desbordar las presas de arriba.
[]
El primer da que sopl la tempestad,
Tan furiosamente sopl que nadie vea ya a sus compaeros,
Las multitudes del cielo, ya no eran discernibles, en medio de tal tromba de agua,
Los dioses estaban espantados a causa del Diluvio.
Dndose a la fuga, trepaban hasta lo ms alto del cielo,
Donde, como perros, permanecan apelotonados y acurrucados en el suelo.
[]
Durante seis das y siete noches,
Vendavales, lluvias, huracanes y Diluvio, estuvieron golpeando la tierra.
Al sptimo da, Tempestad, Diluvio y Hecatombe cesaron,
Tras haber distribuido sus golpes al azar, como una mujer con dolores de parto.
El mar se calm y tranquiliz, Huracn y Diluvio se interrumpieron.
Mir alrededor: Reinaba el silencio!
Todos los hombres haban sido transformados de nuevo en arcilla.
Abr un tragaluz y el aire puro me golpe el rostro.
Ca de rodillas, inmvil, y llor.
Las lgrimas rodaban por mis mejillas.
Buscaba la costa con la mirada en el horizonte.
A unas cien brazas un trozo de tierra emerga:
Era el monte Visir, donde el barco atrac.
[]
Cuando lleg el sptimo da,
Cog una paloma y la solt.
Al no ver donde posarse, regres.
Luego cog una golondrina y la solt.
Al no ver donde posarse, regres.
Luego cog un cuervo y lo solt.
El cuervo se fue, pero al ver que las aguas se haban retirado,
Picote, grazn, chapote y ya no regres.
Entonces lo dispers todo a los cuatro vientos,
E hice un banquete para los dioses.

La Epopeya de Gilgamesh
Versin Ninivita.
Cultura Asiria, hacia 1000 a.C.

Resumen

RESUMEN
La presente tesis muestra el desarrollo de un modelo de pronstico probabilstico de
caudales con aplicacin al proceso de toma de decisiones en una situacin real de avenidas. El
modelo de pronstico se fundamenta en la combinacin de un conjunto de herramientas que
permiten la simulacin del comportamiento hidrolgico de la cuenca y un modelo de redes
Bayesianas que permite captar la variabilidad e incertidumbre de los procesos hidrolgicos desde
un punto de vista probabilstico. El modelo de pronstico suministra distribuciones de probabilidad
de ocurrencia del caudal para diferentes intervalos de tiempo en el futuro, a partir de las
condiciones iniciales en la cuenca y la lluvia antecedente.
El comportamiento hidrolgico de la cuenca ha sido representado mediante la conjuncin
de un modelo hidrolgico distribuido que simula el proceso lluvia-escorrenta, un modulo de
embalses que permite simular el proceso de laminacin en los mismos a partir de los resultados del
modelo distribuido y un mdulo de transporte de caudal que simula el comportamiento en los
cauces. De todos estos procesos, el de lluvia-escorrenta es el ms determinante, as como el que
conlleva una mayor incertidumbre.
El modelo de pronstico se fundamenta en la representacin de una cuenca hidrolgica
mediante la aplicacin de un mtodo de aprendizaje basado en casos. Si consideramos un sistema
que produce un efecto a partir de unos estmulos, el mtodo de aprendizaje basado en casos debe
considerar todos los posibles estmulos que puede tener el sistema, as como todos los
comportamientos que puede presentar el sistema y que darn lugar a diferentes efectos a partir de
un mismo estmulo, con el objetivo de considerar todos los posibles casos que se pueden dar en
dicho sistema. Para el caso de un sistema hidrolgico que representa el comportamiento
hidrolgico de una cuenca, el estmulo ser la lluvia y el efecto ser el caudal. Por tanto, se debern
considerar todos los posibles eventos de lluvia que se pueden dar en la cuenca, obteniendo el efecto
o hidrograma de caudales que produce cada uno de ellos, teniendo en cuenta los diferentes
comportamientos hidrolgicos que puede adoptar la cuenca.
Se ha obtenido el conjunto de posibles eventos de lluvia que se pueden dar en la cuenca
mediante la utilizacin de un simulador estocstico de generacin de lluvia. Esta herramienta
permite generar episodios de lluvia de forma aleatoria a partir de una serie de parmetros que
determinan las caractersticas generales del tipo de lluvia. La consideracin de unos valores fijos de
los parmetros del modelo, llevan a la obtencin de diferentes eventos de lluvia con una
caractersticas generales similares de tipologa (convectiva, orogrfica, etc.) y de orden de
magnitud de lluvia mxima. Mediante la caracterizacin de estos parmetros con funciones de
densidad de probabilidad, a partir, de las caractersticas de los episodios de lluvia registrados en
una cuenca concreta, se ha obtenido un conjunto de eventos de lluvia con las diferentes tipologas
de lluvia que se pueden dar en la cuenca y con diferentes rdenes de magnitud de los valores de la
lluvia mxima, lluvia media y duracin de la tormenta.
El comportamiento hidrolgico de la cuenca ha sido simulado mediante la utilizacin de un
modelo hidrolgico de tipo distribuido, ya que ste presenta una serie de ventajas sobre un modelo
de tipo agregado, como son la consideracin de una lluvia distribuida en el espacio en lugar de un
valor de lluvia media en la cuenca, la utilizacin de parmetros con valores distribuidos tambin en
el espacio y la representacin de los procesos hidrolgicos mediante ecuaciones que presentan un
mayor acercamiento al comportamiento fsico real de la cuenca.
Resumen

Un mtodo de aprendizaje basado en casos exige la consideracin de los posibles tipos de
comportamiento hidrolgico que se pueden dar en la cuenca. Un modelo hidrolgico utiliza una
serie de parmetros para caracterizar el comportamiento de la cuenca, cuyos valores se obtienen
tras un proceso de calibracin del modelo. El resultado de la calibracin obtiene normalmente un
valor para cada parmetro, que en conjunto permite la realizacin de simulaciones cercanas a los
hidrogramas observados. La consideracin de valores fijos de los parmetros nos permite simular
un comportamiento hidrolgico medio de la cuenca, que se ajusta en mayor o menor medida a los
comportamientos registrados mediante los episodios observados. Sin embargo, la obtencin de
funciones de densidad de probabilidad de los valores de los parmetros, permite considerar los
diferentes tipos de comportamiento hidrolgico de la cuenca, a la vez que tiene en cuenta el error
cometido por el modelo al no realizar una simulacin perfecta de la realidad sino una descripcin
aproximada.
Se ha presentado una metodologa de calibracin hbrida de un modelo hidrolgico
distribuido, mediante la combinacin de una calibracin manual para la obtencin de los
parmetros que caracterizan los diferentes tipos de suelo y una calibracin automtica para
determinar las funciones de densidad de probabilidad que caracterizan el resto de los parmetros.
La calibracin automtica se ha realizado sobre los resultados de la simulacin repetitiva del
modelo hidrolgico distribuido, con valores fijos de los parmetros del suelo y valores del resto de
parmetros obtenidos como resultado de una simulacin de Monte Carlo mediante distribuciones
uniformes de probabilidad. Se ha seleccionado el conjunto de funciones objetivo, estimadores que
analizan la comparacin de los valores simulados con los datos observados, que mejor captan la
influencia del error cometido por cada uno de los parmetros y se han obtenido las soluciones de
Pareto que minimizan las funciones objetivo seleccionadas. Las funciones de densidad de
probabilidad que mejor caracterizan la variabilidad de las soluciones de Pareto para cada parmetro
han sido utilizadas para caracterizarlos y as representar los diferentes comportamientos
hidrolgicos de la cuenca.
La obtencin de los posibles hidrogramas que se pueden dar en la cuenca ha sido realizada
mediante la simulacin repetitiva del modelo hidrolgico distribuido, tomando como datos de
entrada los eventos sintticos de lluvia obtenidos con el simulador estocstico de lluvia y unas
condiciones iniciales en la cuenca aleatorias. Cada simulacin del modelo hidrolgico toma unos
valores diferentes de los parmetros, mediante la realizacin de una simulacin de Monte Carlo
sobre las funciones de densidad de probabilidad que caracterizan a cada uno de ellos.
Esta simulacin de los posibles casos hidrolgicos que se pueden dar en la cuenca en
rgimen natural, han sido transformados en casos en rgimen alterado, mediante la utilizacin de
un mdulo de embalses, que simula el proceso de laminacin en los embalses existentes en la
cuenca, con unas condiciones iniciales de nivel de embalse y una estrategia de operacin de los
rganos de desage aleatorias.
Toda esta cantidad de datos sintticos generados ha sido tratada mediante redes
Bayesianas. Una red Bayesiana es un mecanismo de inferencia, generado dentro del campo de la
Inteligencia Artificial, que permite la definicin de distribuciones de probabilidad. Una red
Bayesiana est formada por un conjunto de nodos y arcos. Los nodos representan las variables que
tienen mayor influencia sobre un proceso y los arcos las relaciones de dependencia existentes entre
ellas. El conjunto de nodos y arcos que representan un determinado proceso se denomina topologa
de red Bayesiana. Cada uno de los procesos que intervienen en la caracterizacin del proceso
Resumen

hidrolgico de una cuenca ha sido representado mediante una topologa de red Bayesiana, por
tanto, se han determinado las topologas de red Bayesiana que permiten representar los procesos de
lluvia-escorrenta, operacin de embalses y transporte de caudal, teniendo en cuenta en cada caso
las caractersticas de cada subcuenca, embalse y cauce considerado.
Las redes Bayesianas creadas han sido aprendidas con un primer conjunto de datos
sintticos, a partir de la discretizacin y transformacin en valores cualitativos de los valores de las
diferentes variables consideradas, obteniendo los parmetros o tablas de probabilidades
condicionadas para cada uno de los nodos de las redes. La validez de estos parmetros y de cada
una de las redes Bayesianas ha sido verificada mediante la aplicacin de una metodologa de
validacin generada en funcin de la cuantificacin de la calidad de los atributos que influyen en la
calidad de un pronstico probabilstico y la obtencin de los valores de calidad global para cada
una de las redes Bayesianas.
La metodologa ha sido aplicada a la cuenca del ro Manzanares, mediante la conjuncin
del simulador estocstico de lluvia SimTorm y el modelo hidrolgico distribuido RIBS. Se han
generado dos conjuntos de 8700 episodios sintticos con una longitud de 155 intervalos de tiempo,
que constituyen 1.348.500 valores para cada una de las variables. El primer conjunto se ha utilizado
para realizar el proceso de aprendizaje de las redes Bayesianas y el segundo conjunto para realizar
el proceso de validacin. La validacin del modelo ha dado como resultado una utilidad
satisfactoria del modelo probabilstico de pronstico basado en redes Bayesianas como herramienta
de ayuda en una situacin de avenida.
Finalmente se ha presentado la aplicacin del modelo probabilstico de pronstico basado
en redes Bayesianas como herramienta de ayuda en el proceso de toma de decisiones de la mejor
estrategia de operacin de los rganos de desage de un embalse, durante la ocurrencia de un
episodio real de avenidas. El modelo permite seleccionar la mejor estrategia de operacin en
funcin del riesgo asumido tanto de daos en la propia presa como de daos en el cauce aguas
abajo.

Abstract

ABSTRACT
A probabilistic flood forecasting model has been developed, which can be used as a
making-decision tool in a real-time flood event. This forecast model joins several models, to
simulate hydrological basin behaviour, with a Bayesian network model, to capture variability and
uncertainty of hydrological processes, giving as result occurrence probability distributions of
discharges in the future, from antecedent basin conditions and past rainfall.
Hydrological basin behaviour has been represented by joining a distributed rainfall-runoff
model, a reservoir operation model, to simulate flood control processes from the distributed model
results, and a routing model, to simulate flow in reaches.
The forecast model is based on a learning method from cases as a tool for modelling the
processes that occurs in a hydrological basin. This method must take into account all the possible
situations that could arise in the system. All possible rainfall events and hydrological basin
behaviours must be simulated, achieving a set of hydrographs as result of different combinations of
rainfall events and hydrological behaviours.
Possible rainfall events have been obtained from a stochastic rainfall generator, which
simulates random rainfall episodes from a set of parameters that describes the characteristics of the
storm. Representation of these parameters by fixed values implies generation of rainfall episodes
with the same characteristics (convective or orographic or etc.) and similar amount of maximum
rainfall. However, parameters have been represented by probability density functions, defined from
the observed rainfall events in the basin, implying the generation of a set of rainfall episodes with
different typologies and different amounts of maximum and mean rainfall and storm duration.
Hydrological basin behaviour has been simulated through a distributed rainfall-runoff
model, because of advantages presented by this kind of models over lumped models, as utilization
of spatially distributed rainfalls indeed mean rainfall, utilization of spatially distributed values of
model parameters and representation of hydrological processes through equations that are assumed
to be a near approach to the real physic processes occurred on the basin.
A learning method from cases implies taking into account all possible hydrological basin
behaviours. Hydrological models describe basin behaviours through parameters that are adjusted by
calibration processes, which usually give as result a fixed value for each parameter. This approach
will make simulations with the mean basin behaviour from all observed behaviours. Rainfall-runoff
model parameters have been characterized by probability density functions, taking into account all
possible basin behaviours and modelling errors, the latter caused by an imperfect model simulation
of the reality.
A hybrid calibration methodology for distributed rainfall-runoff models is presented,
coupling manual calibration, to achieve the parameters values of the soil characteristics, and
automatic calibration, to obtain the probability density functions of the other parameters. Automatic
calibration has been applied to the result of a repetitive simulation run of the distributed rainfall-
runoff model. Monte-Carlo simulations have been carried out with fixed values of the soil
characteristics parameters and random values of the remaining parameters. Errors between
observed and simulated data have been quantified by a set of objective functions, obtaining the
Pareto solutions that minimize those objective functions. Probability density functions have been
defined from these Pareto solutions for each parameter.
Abstract

A second repetitive simulation run of the distributed rainfall-runoff model has been
executed to obtain the set of possible hydrographs that could arise in the basin, taking the set of
generated random rainfall episodes and random antecedent basin conditions as input. Every
simulation takes different values of the rainfall-runoff parameters by a Monte Carlo simulation
over the calibrated probability density functions. The reservoir operation model has been used to
simulate flood control processes, by random initial reservoir level and operation strategy as input.
Bayesian networks have been learned from all these synthetic data. Bayesian networks are
inference machines, generated from the Artificial Intelligence field, which are built by nodes, to
represent system variables, and arcs, to represent causal relations between them. A set of nodes and
arcs, which represent a process or a system, are named as a Bayesian network topology. Each
process of the hydrological basin behaviour (rainfall-runoff process, reservoir operation and flow
routing) has been represented through a Bayesian network topology, taking into account own
characteristics of every subbasin, reservoir or reach.
Bayesian networks have been learned from discretized values of the first set of synthetic
events, achieving the parameters or conditional probability tables for all nodes of a network
topology. These parameters have been evaluated by a verification methodology, which is based on
the quantification of the quality of the attributes that influence on the global quality of a
probabilistic forecast.
The proposed methodology has been applied to the Manzanares river basin by coupling the
SimTorm stochastic rainfall generator and the RIBS distributed rainfall-runoff model. Two sets of
8,700 synthetic flood events have been generated, with 155 time steps per event, giving as result
1,348,500 values for each variable. The first set has been utilized for the learning process of
Bayesian networks and the second set for the verification process. Verification process of the
probabilistic forecast model has been satisfactory and has concluded that the developed
probabilistic forecast model can be applied as a decision-making tool in a real-time flood event.
Finally, an application of the probabilistic forecast model based on Bayesian networks as a
decision-making tool for the selection of the best reservoir operation strategy, in terms of assumed
risk of both downstream damages and dam structural damages, in real-time operation has been
presented.

NDICE

NDICE

ndice 1

Parte I: Introduccin y Objetivos
1. INTRODUCCIN 1
1.1. OBJ ETIVOS 3

Parte II: Estado del Arte
2. ESTADO DEL ARTE 5
2.1. PRONSTICOS PROBABILSTICOS DE AVENIDAS 5
2.1.1. Modelos de pronstico de avenidas 6
2.1.2. Tipos de pronsticos 7
2.1.3. Tipos de pronsticos probabilsticos 8
2.1.4. Razn de ser de los pronsticos probabilsticos de avenidas 10
2.1.5. Aplicaciones de los pronsticos probabilsticos a la prediccin
de avenidas 11
2.2. HERRAMIENTAS DETERMINSTICAS DE SIMULACIN
HIDROLGICA 13
2.2.1. Marco histrico 14
2.2.2. Clasificacin de los modelos hidrolgicos 16
2.2.3. Modelos distribuidos frente a modelos agregados 18
2.2.4. Modelos conceptuales frente a modelos fsicamente basados 21
2.2.5. Modelos hidrolgicos distribuidos 23
2.3. REDES BAYESIANAS 26
2.3.1. Tipos de redes Bayesianas 29
2.3.2. Aprendizaje 29
2.3.3. Inferencia o razonamiento probabilstico 32
2.3.4. Validacin de las redes bayesianas 35
2.3.5. Redes Bayesianas continuas 35
2.3.6. Redes Bayesianas dinmicas 36
2.3.7. Aplicaciones de las redes bayesianas 37
2.4. VERIFICACIN DE PRONSTICOS PROBABILSTICOS 39
2.4.1. Encuadre histrico 40
2.4.2. Estado actual de la verificacin probabilstica 41
2.4.3. Tipos de bondad de un pronstico probabilstico 42
2.4.3.1. Consistencia 42
2.4.3.2. Calidad 42
2.4.3.3. Valor 45
2.4.4. Atributos que influyen en la calidad de un pronstico 46

NDICE

ndice 2

Parte III: Propuesta metodolgica
3. METODOLOGA 49
3.1. ESQUEMA GENERAL DE CONSTRUCCIN DEL MODELO
PROBABILSTICO DE PRONSTICO 51
3.1.1 Descripcin del modelo estocstico de generacin de lluvia 52
3.1.1.1. Descripcin del modelo SimTorm de generacin
estocstica de lluvia 53
3.1.1.2. Mejoras requeridas por el modelo SimTorm para la
realizacin de la tesis 55
3.1.2. Descripcin del modelo hidrolgico de lluvia-escorrenta 56
3.1.2.1. Descripcin del modelo hidrolgico distribuido RIBS 56
3.1.2.2. Mejoras requeridas por el modelo RIBS para la
realizacin de la tesis 57
3.2. ESQUEMA DETALLADO DE LOS PROCESOS QUE COMPONEN
LA CONSTRUCCIN DEL MODELO PROBABILSTICO DE
PRONSTICO 58
3.3. CUANTIFICACIN DE LA INCERTIDUMBRE ASOCIADA AL
PRONSTICO 61
3.4. SELECCIN DE LA CUENCA DE ESTUDIO 63

4. GENERACIN DE EPISODIOS SINTTICOS MEDIANTE EL MTODO
DE MONTE CARLO 65
4.1. SIMULACIN SINTTICA DE EPISODIOS DE LLUVIA 65
4.1.1. ndice de localizacin de la lluvia 66
4.1.2. ndice de variabilidad espacial de la lluvia 66
4.1.3. ndice de desplazamiento de la lluvia 67
4.1.4. ndice de variabilidad temporal de la lluvia 67
4.1.5. Tipologas de lluvias mediante la conjuncin de los ndices de
localizacin y variabilidad espacial 68
4.1.6. Comprobacin de la variabilidad de la simulacin e identificacin
de episodios repetidos 73
4.2. SIMULACIN DEL PROCESO LLUVIA-ESCORRENTA 74
4.2.1. Calibracin del modelo hidrolgico distribuido 74
4.2.1.1. Identificacin de la sensibilidad del modelo RIBS
mediante diferentes funciones objetivo 76
4.2.1.2. Seleccin de las funciones objetivo utilizadas en el
proceso de calibracin 80
4.2.1.3. Mtodo de bsqueda de las soluciones que minimizan
las funciones objetivo seleccionadas 84
NDICE

ndice 3

4.2.1.4. Conclusiones de la metodologa de calibracin 87
4.2.2. Generacin de casos sintticos mediante el modelo hidrolgico
distribuido 88
4.2.2.1. Metodologa de obtencin de las series temporales de
variables de salida del modelo RIBS 89
4.2.2.2. Simulacin del proceso de laminacin de los embalses 91

5. MODELO PROBABILSTICO BASADO EN REDES BAYESIANAS 97
5.1. ESTUDIO DE DEPENDENCIA ENTRE VARIABLES 97
5.1.1. Medidas de relacin de dependencia entre variables 98
5.1.2. Algoritmos de aprendizaje estructural como herramienta de
determinacin de la estructura de una red Bayesiana 101
5.2. METODOLOGA DE DETERMINACIN DE LAS ESTRUCTURAS
DE REDES BAYESIANAS 105
5.2.1. Red Bayesiana de transformacin de lluvia en caudal 105
5.2.2. Red bayesiana de operacin de embalses 108
5.2.3. Red bayesiana de trasporte de caudal 109
5.2.4. Red bayesiana de confluencia de dos tramos de ro 109
5.2.5. Estabilizacin de los parmetros de las redes Bayesianas 110
5.2.5. Aprendizaje paramtrico de las redes Bayesianas 111

6. VALIDACIN DEL MODELO PROBABILSTICO 113
6.1. INTRODUCCIN 114
6.2. MEDIDAS DE CUANTIFICACIN DE LOS ATRIBUTOS QUE
INFLUYEN EN LA CALIDAD DE UN PRONSTICO 116
6.3. VALORACIN CUANTITATIVA DE LA CALIDAD DEL
PRONSTICO 125
6.4. CUANTIFICACIN DE LA CALIDAD GLOBAL DE UN
PRONSTICO PROBABILSTICO 129

Parte IV: Aplicacin de la metodologa
7. APLICACIN DE LA METODOLOGA EN LA CUENCA DEL RO
MANZANARES 131
7.1. DESCRIPCIN DE LA CUENCA DEL RO MANZANARES 131
7.1.1. Divisin de la cuenca en subcuencas 136
7.2. GENERACIN DE EPISODIOS DE LLUVIA SINTTICA 136
7.2.1. Mejoras introducidas en el modelo SimTorm 137
NDICE

ndice 4

7.2.2. Caracterizacin de los episodios observados de lluvia en la
cuenca del Manzanares 140
7.2.3. Calibracin del modelo SimTorm en la cuenca del ro Manzanares 146
7.2.4. Generacin de episodios sintticos de lluvia 152
7.2.5. Comprobacin de la variabilidad de los episodios simulados 154
7.3. SIMULACIN DEL PROCESO LLUVIA-CAUDAL EN LA CUENCA 159
7.3.1. Mejoras introducidas en el modelo RIBS 160
7.3.2. Calibracin del modelo RIBS 163
7.3.2.1. Consideraciones iniciales 163
7.3.2.2. Anlisis de las caractersticas de los episodios de avenida 165
7.3.2.3. Resultados de la calibracin manual del modelo RIBS
en la cuenca del ro Manzanares 167
7.3.2.4. Calibracin automtica de los parmetros del modelo
RIBS mediante simulaciones de Monte Carlo 169
7.3.3. Obtencin de las distribuciones iniciales de los parmetros del
modelo RIBS en la cuenca del Manzanares 171
7.3.4. Estimacin del estado de humedad inicial en la cuenca del ro
Manzanares 174
7.3.5. Obtencin de los hidrogramas de caudal en rgimen alterado en
la cuenca del ro Manzanares 175
7.3.5.1. Simulacin de la laminacin en la presa de Santillana 177
7.3.5.2. Simulacin de la laminacin en la presa de El Pardo 180
7.3.6. Simulacin de los tramos de transporte de caudal 182
7.4. CONSTRUCCIN DEL MODELO PROBABILSTICO DE
PRONSTICO BASADO EN REDES BAYESIANAS 183
7.4.1. Estructura del modelo de pronstico en la cuenca del ro
Manzanares 184
7.4.2. Determinacin de las estructuras de redes Bayesianas 186
7.4.2.1. Redes Bayesianas lluvia-caudal 186
7.4.2.2. Redes Bayesianas de transporte de caudal 193
7.4.3. Discretizacin de las variables 194
7.4.4. Anlisis de estabilidad de los parmetros de las redes Bayesianas 197
7.4.5. Seleccin de la estructura de red Bayesiana del proceso
lluvia-caudal 201
7.4.5.1. Calidad de los atributos que influyen en el pronstico 202
7.4.5.2. Calidad global de los pronsticos 212
7.4.5.3. Conclusiones de la seleccin 213

8. RESULTADOS DE VALIDACIN DEL MODELO DE PRONSTICO 215
8.1. REDES BAYESIANAS DE LLUVIA-CAUDAL 215
8.1.1. Red Bayesiana lluvia-caudal en subcuenca Santillana 215
NDICE

ndice 5

8.1.2. Red Bayesiana lluvia-caudal en subcuenca El Pardo 217
8.1.3. Red Bayesiana lluvia-caudal en subcuenca Rivas 219
8.2. REDES BAYESIANAS DE OPERACIN DE EMBALSES 221
8.2.1. Red Bayesiana del embalse de Santillana 221
8.2.2. Red Bayesiana del embalse de El Pardo 225
8.3. REDES BAYESIANAS DE TRANSPORTE DE CAUDAL 229
8.3.1. Red Bayesiana del tramo de transporte Santillana El Pardo 229
8.3.2. Red Bayesiana del tramo de transporte El Pardo Rivas 231
8.4. CONCLUSIONES DE LA VALIDACIN ESTADSTICA 233

9. APLICACIN DEL MODELO 235
9.1. INTRODUCCIN 235
9.2. DESCRIPCIN DEL CASO DE ESTUDIO 236
9.3. GENERACIN DE LOS CASOS POR EL MTODO DE
MONTE CARLO 237
9.4. CONSTRUCCIN DE LAS REDES BAYESIANAS 238
9.5. APLICACIN EN UNA SITUACIN DE OPERACIN EN
TIEMPO REAL 241
9.6. CONCLUSIONES 245

Parte V: Conclusiones y Referencias
10. CONCLUSIONES 247
10.1. CONCLUSIONES 247
10.2. APORTACIONES ORIGINALES A LA TESIS 250
10.3. FUTURAS LNEAS DE INVESTIGACIN 254

11. BIBLIOGRAFA 255

Parte VI: Anejos
ANEJO 1. DESCRIPCIN DEL MODELO SIMTORM 269

ANEJO 2. DESCRIPCIN DEL MODELO HIDROLGICO DISTRIBUIDO
RIBS 293

NDICE

ndice 6

ANEJO 3. RESULTADOS DEL ESTUDIO DE CORRELACIN ENTRE
PLUVIMETROS 309

ANEJO 4. RESULTADOS DEL ANLISIS DE SENSIBLIDAD DE LOS
PARMETROS DEL MODELO RIBS 317

ANEJO 5. RESULTADOS INICIALES DEL RANGO DE VALIDEZ DE LOS
VALORES DEL PARMETRO CV 323

ANEJO 6. RESULTADOS FINALES DE CALIBRACIN DEL MODELO RIBS
EN LA CUENCA DEL RO MANZANARES 329

ANEJO 7. RESULTADOS DE RELACIONES DE DEPENDENCIA ENTRE
VARIABLES 345

ANEJO 8. RESULTADOS DE LA VALIDACIN DE LA RED BAYESIANA
DE LLUVIA CAUDAL EN LA SUBCUENCA SANTILLANA 361

DE LLUVIA CAUDAL EN LA SUBCUENCA EL PARDO 373

DE LLUVIA CAUDAL EN LA SUBCUENCA RIVAS 385

DE OPERACIN DEL EMBALSE DE SANTILLANA 397

DE OPERACIN DEL EMBALSE DE EL PARDO 419

DE TRANSPORTE DE CAUDAL SANTILLANA EL PARDO 441

DE TRANSPORTE DE CAUDAL EL PARDO RIVAS 453

PRONSTICO PROBABILSTICO DE CAUDALES DE AVENIDA
MEDIANTE REDES BAYESIANAS APLICADAS SOBRE UN
MODELO HIDROLGICO DISTRIBUIDO

Captulo 1. Introduccin

1 INTRODUCCIN
Actualmente, en la mayora de los casos, los organismos de cuenca encargados de la
gestin de avenidas toman decisiones en tiempo real a partir de pronsticos de tipo determinstico,
obtenidos como resultado de la simulacin del proceso lluvia-escorrenta mediante diferentes
modelos hidrolgicos, ya sean agregados, semi-distribuidos, distribuidos o fsicamente basados
(Bartholmes y Todini, 2005). Estos modelos son actualizados y recalibrados en tiempo real, a pesar
de que no existe un conocimiento claro de las ventajas o desventajas que conlleva esta
recalibracin de los parmetros del modelo en tiempo real (Todini, 1988). En el caso de las cuencas
espaolas, los pronsticos en tiempo real normalmente parten de los datos suministrados por el
SAIH (Sistema Automtico de Informacin Hidrolgica), mediante un conjunto de sensores
repartidos por toda la cuenca que suministran datos de precipitacin, nivel y caudal en ros y
canales, volumen almacenado y caudal vertido en embalses, etc., a intervalos de tiempo inferiores a
una hora (Gabald et al., 2004), y los datos suministrados por el INM (Instituto Nacional de
Meteorologa) de pronstico de lluvias (Romeo et al., 2004).
Un pronstico de tipo determinstico ignora la incertidumbre inherente a todo pronstico,
procedente de la incertidumbre en los datos de entrada al pronstico, como consecuencia de errores
cometidos en la medicin y estimacin de la precipitacin y de los caudales y de la falta de
conocimiento de las condiciones iniciales de la cuenca, de la incertidumbre asociada a la estructura
del modelo hidrolgico, que en todos los casos realizar una imperfecta simulacin de los procesos
de lluvia-escorrenta y de la incertidumbre en la estimacin de los valores de los parmetros del
modelo (Brath et al., 2002). Un pronstico de tipo probabilstico permite tener en cuenta las
diferentes fuentes de incertidumbres asociadas a cualquier pronstico. Con el objeto de cuantificar
dicha incertidumbre, los pronsticos probabilsticos van adquiriendo cada vez mayor importancia
dentro del campo del pronstico hidrolgico (Han et al., 2002) y suponen un avance respecto de los
pronsticos de tipo determinstico (Krzysztofowicz, 2001).
Recientemente se han desarrollado numerosos pronsticos probabilsticos fundamentados
en la utilizacin de aproximaciones pertenecientes al campo de la inteligencia artificial: redes
neuronales, lgica difusa, etc. (Khan y Coulibaly, 2006). Las redes Bayesianas conforman un
mtodo de conocimiento que tambin pertenece al campo de la inteligencia artificial, pero que a
pesar de haberse aplicado satisfactoriamente en diversos campos de investigacin (Heckerman et
al., 1992; Stow et al., 2003; Borsuk et al., 2004), han sido aplicadas en contadas ocasiones dentro
del campo de los pronsticos hidrolgicos (Garrote y Molina, 2003; Molina et al., 2005). La
utilizacin de redes bayesianas permite la modelizacin de los procesos hidrolgicos mediante una
serie de variables cualitativas representativas de los principales conceptos hidrolgicos, conectadas
entre s mediante relaciones causales cuantificadas mediante probabilidades condicionadas.
Adems, las redes bayesianas presentan importantes ventajas, como por ejemplo, no ser necesario
redisear la red al cambiar una variable de ser un valor de dato de entrada a ser la probabilidad de
ocurrencia calculada como dato de salida, permitir la introduccin de una evidencia en cualquier
punto del sistema y suministrar el resultado en cualquier otro (McCabe et al., 1998) o, en el caso de
su aplicacin a un pronstico hidrolgico, permitir la introduccin de la informacin de lluvia
futura, tanto determinstica como probabilstica, en forma de dato de entrada, aprovechando los
recientes avances en el campo de los pronsticos meteorolgicos (Llasat et al., 1999;
Aldana et al., 2003).
Pgina 1


El conocimiento que se tiene acerca del comportamiento de una cuenca hidrolgica, fruto
de la experiencia, se materializa sobre un modelo hidrolgico en forma de rangos de valores de los
diferentes parmetros que lo conforman. Este modelo hidrolgico calibrado es la representacin
ms cercana a la realidad de la que se dispone en una situacin real de avenida, por lo que la toma
de decisiones se realiza a partir de los resultados de este modelo determinstico. La generacin de
un pronstico probabilstico a partir de un modelo de este tipo requerira la realizacin de un gran
nmero de simulaciones, tarea inabordable en una situacin en tiempo real.
Considerando que este modelo hidrolgico calibrado es una herramienta que conduce a
una representacin lo ms precisa posible del comportamiento hidrolgico de la cuenca, podemos
generar un conjunto extenso de episodios sintticos de avenida, con anterioridad a la ocurrencia de
la misma, cubriendo las posibles situaciones de avenida que se pueden dar en la cuenca. El
aprendizaje de las redes Bayesianas a partir de este conjunto de datos sintticos permite la
realizacin de un pronstico probabilstico de avenidas. De este modo, el Grupo de Investigacin
de Ingeniera Hidrulica de la Universidad Politcnica de Madrid desarroll un modelo
probabilstico de pronstico de avenidas basado en redes Bayesianas (Molina et al., 2002; Garrote
et al., 2005), mediante la conjuncin de un modelo de generacin estocstica de lluvia en
pluvimetros y un modelo hidrolgico de tipo agregado. La validacin de la calidad del modelo fue
satisfactoria (Mediero y Garrote, 2004; Mediero, 2005; Mediero y Garrote, 2005), pero se observ
que los resultados podran ser mejorados mediante una mejor simulacin hidrolgica de la cuenca.
Por una parte, la representacin de la lluvia puede ser mejorada mediante la aplicacin de
un modelo estocstico de generacin de lluvia distribuida en el espacio que permita representar la
variabilidad espacial de la lluvia, ignorada mediante la utilizacin de una lluvia media en la cuenca
o la estimacin imperfecta de una lluvia espacial a partir de datos en pluvimetros
(Winchell et al., 1998). Por otra, los procesos hidrolgicos de transformacin de lluvia en
escorrenta tienen un carcter no lineal, ya que son una funcin no lineal de las siguientes variables:
Condiciones antecedentes de humedad en la cuenca, volumen de lluvia y procesos, superficiales y
subterrneos, de generacin de escorrenta (Beven, 2001). Los modelos hidrolgicos de tipo
agregado reducen el nmero de parmetros utilizados para simplificar los clculos. Sin embargo,
los modelos hidrolgicos distribuidos espacialmente, a costa de aumentar el nmero de parmetros
y variables utilizados, permiten un mayor acercamiento a la realidad de los procesos fsicos que
suceden en la cuenca mediante la consideracin de los cambios de pendiente y la red de drenaje
que afectan de un modo determinante a la respuesta hidrolgica de la cuenca (Vieux, 2004). A su
vez, los modelos hidrolgicos de tipo distribuido tienen en cuenta la variabilidad espacial y
temporal de la lluvia, del contenido de humedad del suelo y de los valores de los parmetros que
caracterizan los diferentes tipos de suelo, pudiendo as realizar una mejor representacin de las
relaciones que determinan el comportamiento cambiante del proceso lluvia-escorrenta
(Arduino et al., 2005). De esta forma, la simulacin del proceso lluvia-escorrenta puede mejorarse
mediante la utilizacin de un modelo hidrolgico de tipo distribuido.
La validacin de un modelo hidrolgico de pronstico aporta informacin sobre la calidad
del mismo y las posibles mejoras que requiere (Franz y Sorooshian, 2002). La validacin de un
pronstico de tipo probabilstico resulta mucho ms compleja que la de un pronstico de tipo
determinstico, ya que se deben comparar distribuciones de probabilidad con datos observados.
Dentro del campo de la hidrologa, existe una escasa experiencia acerca de la validacin de la
calidad de pronsticos probabilsticos de avenidas, ya que la mayora de los pronsticos son de tipo
determinstico (Hashino et al., 2002; Bradley et al., 2004). Sin embargo, dentro del campo de la
Pgina 2


meteorologa se realizan pronsticos probabilsticos de lluvia desde hace varias dcadas, por lo que
tienen una mayor experiencia en la verificacin de la calidad de pronsticos probabilsticos
(Stanski et al., 1989; Wilks, 1995; J oliffe y Stephenson, 2003). No existe una nica medida que
permita evaluar la calidad global del pronstico, lo que ha implicado que la verificacin se
fundamente en el desarrollo de un conjunto de medidas y grficos, a travs de los cuales se realiza
el anlisis y cuantificacin de la calidad de los diferentes atributos que influyen en la calidad de un
pronstico probabilstico (A.H. Murphy, 1993). El desarrollo de una metodologa de validacin de
pronsticos probabilsticos que permita obtener un valor de calidad global del pronstico, a la vez
que permita cuantificar las calidades de cada uno de los atributos que influyen en el pronstico,
facilitara la comparacin de diferentes pronsticos a la vez que identificar las debilidades y puntos
fuertes del mismo, cuantificando en ltima instancia su capacidad de aplicacin en un proceso de
toma de decisiones.
La presente Tesis ha desarrollado un modelo probabilstico de pronstico de avenidas que
permite considerar la incertidumbre inherente al mismo, mediante la obtencin de las
distribuciones de probabilidad de ocurrencia de caudales futuros en diferentes puntos de la cuenca,
a partir de los datos suministrados por el SAIH de precipitacin, caudales en ros y niveles y
caudales vertidos en embalses, permitiendo la inclusin de los pronsticos de lluvia futura, ya sean
determinsticos o probabilsticos, en los casos en que estos ltimos datos se encuentren disponibles.
El modelo probabilstico de pronstico propuesto se fundamenta en la aplicacin de redes
Bayesianas sobre un conjunto de episodios sintticos, de caractersticas similares a los episodios
observados en la cuenca, obtenidos mediante la conjuncin de un generador estocstico de lluvia
distribuida en el espacio y un modelo hidrolgico de tipo distribuido. El modelo probabilstico de
pronstico de avenidas se ha aplicado a la cuenca del ro Manzanares. El modelo ha sido validado
mediante la aplicacin de la metodologa de validacin de pronsticos probabilsticos propuesta y
obteniendo tanto la calidad de los atributos que influyen en un pronstico probabilstico como la
calidad global del mismo, para cada una de las estructuras de redes Bayesianas que conforman el
modelo probabilstico de pronstico propuesto.
1.1. OBJETIVOS
El objetivo fundamental de la presente tesis consiste en la construccin de un modelo
probabilstico de pronstico de caudales de avenida a partir de las condiciones iniciales en la
cuenca y la lluvia antecedente, permitiendo en su caso la introduccin de pronsticos de lluvia en el
futuro. El desarrollo de un modelo probabilstico de pronstico supone un avance sobre los
modelos de pronstico de tipo determinstico que normalmente utilizan los organismos
responsables de la gestin de avenidas, mediante la cuantificacin de la incertidumbre inherente a
cualquier pronstico, permitiendo tomar decisiones en funcin del riesgo asumido. La construccin
del modelo probabilstico de pronstico de avenidas se fundamenta en la aplicacin de redes
Bayesianas sobre un conjunto de episodios sintticos de avenida, resultado de la conjuncin de un
modelo hidrolgico de tipo distribuido y un generador estocstico de lluvia distribuida en el
espacio.
A continuacin se describen los objetivos parciales que se derivan de dicho objetivo
principal:
a) Desarrollo de una metodologa de calibracin para un modelo hidrolgico de tipo
distribuido a partir los datos de lluvia-caudal observados durante los episodios de
Pgina 3


avenida registrados en la cuenca. La metodologa de calibracin propuesta debe
permitir la obtencin de distribuciones de probabilidad para cada parmetro, en vez de
una nica solucin, con el objetivo de considerar los diferentes comportamientos
hidrolgicos que puede tener la cuenca.
b) Generacin de dos conjuntos de episodios sintticos de avenida mediante la conjuncin
de un simulador estocstico de lluvia, que permite generar episodios sintticos de
lluvia distribuidos en el espacio con caractersticas similares a los episodios
observados, y un modelo hidrolgico de tipo distribuido, que permite considerar los
diferentes comportamientos hidrolgicos de la cuenca de un modo ms realista que en
el caso de un modelo hidrolgico de tipo agregado. El primer conjunto de episodios
sintticos se utiliza para realizar el aprendizaje de las redes Bayesianas y el segundo
para realizar la validacin de la calidad de las redes Bayesianas aprendidas.
c) Creacin de un mdulo de embalses con el objeto de obtener dos conjuntos de
episodios sintticos de avenida en rgimen alterado. La influencia de los embalses
sobre la forma final de los hidrogramas en muy importante en las cuencas donde
existan embalses de tamao mediano o grande. Una simulacin en rgimen natural no
tiene en cuenta el efecto laminador de los embalses sobre los hidrogramas finales de
avenida. Por tanto, un modelo de pronstico generado a partir de un conjunto de
episodios sintticos de avenida en rgimen natural no sera fiable ni describira con
exactitud el comportamiento de la cuenca, no pudiendo ser aplicado en una situacin
real de avenidas.
d) Desarrollo de una metodologa de construccin de modelos probabilsticos basados en
redes Bayesianas. Las redes Bayesianas permiten el tratamiento de la gran cantidad de
datos que conforman los dos conjuntos de episodios sintticos de avenida generados.
En el campo de la hidrologa se han aplicado en contadas ocasiones, normalmente
mediante la aplicacin de modelos hidrolgicos agregados. La utilizacin de un
modelo hidrolgico distribuido supone la consideracin de un gran nmero de
variables y parmetros, a partir de los cuales se deben construir las redes Bayesianas.
Se debe proponer una metodologa de anlisis de dependencia entre las variables y
parmetros, para identificar las relaciones causales entre ellos que determinan los arcos
que componen las estructuras topolgicas de redes Bayesianas.
e) Desarrollo de una metodologa de validacin de la calidad de un pronstico
probabilstico. La validacin de un pronstico probabilstico resulta ms compleja que
la de un pronstico determinstico, ya que este ltimo consiste en la comparacin de
valores fijos con datos observados, mientras que el primero consiste en la comparacin
de distribuciones de probabilidad con datos observados. La metodologa de validacin
debe permitir la cuantificacin de los diferentes atributos que influyen en la calidad de
un pronstico de tipo probabilstico, la obtencin de un valor de calidad global para el
conjunto del pronstico y la evaluacin de la capacidad de aplicacin del pronstico en
el proceso de toma de decisiones en una situacin real.
f) Aplicacin del modelo probabilstico de pronstico en una cuenca concreta, con el
objeto de evaluar la validez de la metodologa propuesta. La aplicacin deber concluir
con la obtencin de los valores de calidad global para cada una de las estructuras de
redes Bayesianas que conforman el modelo de pronstico.
Pgina 4

Captulo 2. Estado del arte

2 ESTADO DEL ARTE
En este captulo se realiza una revisin de los antecedentes que han dado lugar a la
realizacin de la presente tesis. El objetivo principal de la tesis es el pronstico probabilstico de
avenidas, por tanto en el primer apartado se realiza una revisin de la prediccin probabilstica,
prestando especial atencin a los modelos probabilsticos de pronstico de avenidas, a los tipos de
pronsticos probabilsticos y las mejoras suministradas por un pronstico probabilstico respecto a
un pronstico determinstico. El segundo apartado se dedica a la revisin de los antecedentes
acerca de las herramientas determinsticas de simulacin hidrolgica, ya que el pronstico
probabilstico de avenidas se va a realizar a partir del anlisis de los resultados de un conjunto de
simulaciones de un modelo hidrolgico distribuido; en este apartado se prestar especial atencin al
dilema existente entre los modelos agregados y distribuidos y entre los modelos distribuidos
conceptuales y fsicamente-basados. El anlisis de los resultados del modelo hidrolgico se va a
realizar mediante un modelo basado en redes Bayesianas, ya que permiten cuantificar la
incertidumbre, traducindola en un resultado de tipo probabilstico, por tanto, el tercer apartado de
este captulo se dedica a la revisin de las redes Bayesianas, revisando su base conceptual y
matemtica, los proceso de aprendizaje e inferencia que permiten su construccin y las aplicaciones
existentes en la actualidad, principalmente en el campo de la Ingeniera Civil y ms
especficamente en el campo de la hidrologa. Por ltimo, el cuarto apartado se dedica a realizar
una revisin de las tcnicas de verificacin aplicadas a los pronsticos probabilsticos, totalmente
diferentes a las utilizadas para validar pronsticos determinsticos, describiendo las tcnicas
utilizadas dentro del campo de la meteorologa y citando las escasas aplicaciones dentro del campo
de la hidrologa implementadas a partir de los avances obtenidos en el campo de la meteorologa.
2.1. PRONSTICOS PROBABILSTICOS DE AVENIDAS
Dentro del campo de la prediccin de avenidas se pueden identificar tres conceptos muy
diferentes entre s:
- Deteccin de avenidas: Consiste en la estimacin de la posibilidad de formacin de
una avenida a partir de un anlisis hidrometeorolgico.
- Pronstico de avenidas: Consiste en la estimacin cuantitativa de los valores futuros
de una variable hidrolgica durante una inminente situacin de avenida.
- Alerta de avenidas: Consiste en la comunicacin del nivel de peligrosidad y el tiempo
de llegada de una avenida, junto con alguna estimacin de tipo cualitativo que indique
la posibilidad de excedencia de un umbral determinado. Las alertas de avenidas
normalmente van dirigidas a las autoridades responsables de las actuaciones en caso de
avenidas y a los usuarios afectados por la misma.
El objeto de la presente tesis es el desarrollo de un modelo de pronstico probabilstico de
avenidas, por tanto, nos vamos a centrar nicamente en el pronstico de avenidas. Un modelo de
pronstico de avenidas se puede definir como un modelo que tiene como principal objetivo la
realizacin de estimaciones futuras de una variable hidrolgica relacionada con la avenida, en
funcin de los datos disponibles en el instante actual y el conjunto de datos de avenidas que se ha
recopilado durante el pasado o de los que se dispone en el momento actual como producto de
diferentes simulaciones de la cuenca.
Pgina 5


La mayor parte de los sistemas de operacin de avenidas en tiempo real toman decisiones a
partir de pronsticos hidrolgicos de tipo determinstico. Este tipo de pronstico no tiene en cuenta
la incertidumbre asociada al mismo y dan como resultado un nico valor. Cualquier pronstico de
lo que va a ocurrir en un intervalo de tiempo futuro lleva asociado una incertidumbre, ya que nos
resulta imposible conocer con total certeza lo que va a ocurrir con exactitud. Por tanto, la
realizacin de un pronstico de avenidas bajo un marco determinstico no conduce a unos
resultados fiable y tiles, sino que resulta necesario la utilizacin de un sistema de pronstico
probabilstico que sea capaz de tener en cuenta la incertidumbre asociada al mismo (Taramasso et
al., 2005).
El objetivo principal de un pronstico probabilstico consiste en la cuantificacin de la
fiabilidad del pronstico mediante la determinacin de una funcin de densidad de probabilidad o
un intervalo de prediccin para definir el valor de una variable desconocida en el futuro. La
probabilidad futura se determina fundamentalmente mediante la evaluacin de la incertidumbre
asociada al pronstico, no slo para realizar una correcta evaluacin del pronstico, sino tambin
evaluar acciones y decisiones futuras condicionadas a lo que se espera que ocurra en el futuro.
En el presente apartado se ha realizado una revisin de los pronsticos probabilsticos de
avenidas. En primer lugar se presenta el marco en el que se encuentran localizados los modelos de
pronstico de avenidas y se describen los diferentes tipos de modelo de pronstico. En segundo
lugar se describen los diferentes tipos de pronsticos que existen y los diferentes tipos de
pronsticos probabilsticos que se pueden realizar. A continuacin se describen los fundamentos de
un pronstico probabilstico. Finalmente, se presentan los diferentes modelos de pronstico de
avenidas de carcter probabilstico que existen en la actualidad.
2.1.1 MODELOS DE PRONSTICO DE AVENIDAS
Las predicciones hidrolgicas dependen de varias disciplinas cientficas, uniendo los
campos de la hidrologa, meteorologa, climatologa, estadstica y toma de decisiones. Los modelos
de pronstico mediante modelos de lluvia-escorrenta basados en la utilizacin de un computador
nacen en la dcada de 1960. Desde entonces su utilizacin ha ido aumentando en funcin del
avance de la capacidad de computacin, principalmente a partir de la aparicin de los ordenadores
personales.
Los modelos de pronstico de avenidas tienen una gran dependencia respecto del
pronstico de lluvias, ya que ste es el dato de entrada de los modelos hidrolgicos y la causa
principal de la generacin de escorrenta. Por tanto, la calidad de un pronstico de avenidas
depender de la precisin del pronstico de lluvias. Sin embargo, un modelo de pronstico debe
presentar una especial atencin a los resultados de salida (caudal punta, caudal o nivel en un ro en
un instante de tiempo determinado, hydrogramas de avenida, evolucin temporal del nivel de un
ro, volumen de avenida, alturas de inundacin, etc.), ms que a la propia estructura y construccin
del modelo, ya que de ellos depender la utilidad y precisin del pronstico.
Existen diversos tipos de modelos de pronstico en la actualidad. Por una parte, se pueden
englobar los modelos de pronstico basados en el anlisis de datos observados, ya sea mediante
modelos paramtricos o estadsticos muy simples de tipo caja-negra, cuyos parmetros pueden
ser estimados y actualizados continuamente mediante calibracin y, por tanto, tienen una gran
dependencia respecto de los datos observados; o bien, mediante modelos que tienen una menor
dependencia de los datos y representan el comportamiento no-lineal del sistema a travs de un
Pgina 6


conocimiento adquirido a priori, ya que este comportamiento no puede ser representado
completamente mediante un conjunto limitado de datos, teniendo como objetivo reducir la
incertidumbre y mejorar la simulacin de los procesos fsicos. Por otra parte, se encuentran los
modelos fsicamente basados, que representan la generacin de escorrenta mediante la simulacin
de los procesos fsicos que la componen. Estos modelos tienen una gran complejidad pero,
idealmente, no resulta necesaria la calibracin cada vez que se producen cambios en la cuenca. Por
ltimo se encuentran los modelos de pronstico que evalan la incertidumbre asociada al mismo,
permitiendo la realizacin de pronsticos probabilsticos.
Las grandes avenidas que se han producido recientemente dentro de la Comunidad
Europea: Las de los ros Meuse y Rihn de 1995, las producidas en diversas zonas de Gran Bretaa
durante los aos 1998 y 2000 y la avenida del ro Elba en el verano de 2002, junto con la
especulacin de que estos eventos extremos estn relacionados con el calentamiento global del
planeta y posiblemente representen el inicio de un perodo con repetidas avenidas de alta frecuencia
de ocurrencia, han tenido como consecuencia que en la actualidad se haya incrementado el inters y
la necesidad del desarrollo de sistemas de pronsticos de avenida (Arduino et al., 2005).
Al mismo tiempo, ha aumentado la demanda de pronsticos cada vez ms precisos. Como
consecuencia de todo ello, se han modernizado los sistemas de medida y se ha automatizado la
adquisicin de datos, mediante la utilizacin de sistemas de comunicacin por satlite y telemetra.
Producto de este avance ha sido, por ejemplo, la implantacin en Espaa de los sistemas SAIH
(Sistema Automtico de Informacin Hidrolgica). Gracias al aumento e informatizacin de los
datos hidrolgicos de episodios de avenida en los ltimos aos, actualmente se est en disposicin
de desarrollar modelos de pronstico basados en diferentes tcnicas de anlisis de dichos datos,
como por ejemplo el AHPS (Advanced Hydrologic Prediction System) del National Weather
Service de los Estados Unidos.
El presente marco permite la implementacin de nuevos modelos de pronstico, mediante
diferentes aproximaciones, aprovechando la gran cantidad de datos recogidos en los ltimos aos,
de una calidad superior a los recogidos histricamente.
2.1.2 TIPOS DE PRONSTICOS
La realizacin de un pronstico debe comenzar con la representacin numrica de la
variable pronosticada, existiendo varios tipos de representacin:
- Representacin continua: Se considera el conjunto total de valores de la variable
considerada. El pronstico determinar un valor determinado de dicha variable, por
ejemplo, caudal = 57 m
3
/s.
- Representacin dicotmica: Se considera que la variable nicamente puede tomar
dos valores en funcin de la ocurrencia o no-ocurrencia de la misma, por ejemplo
llueve o no llueve.
- Representacin multicategrica: Los valores de la variable se discretizan en
intervalos mediante la seleccin de una serie de umbrales. Las variables se pueden
dividir en dos intervalos mediante la seleccin de un umbral (por ejemplo, el umbral de
50 m
3
/s nos lleva a las categoras
50 m
3
/s y >50 m
3
/s), o bien en n intervalos
seleccionando n-1 umbrales.
Pgina 7


En funcin del formato del resultado que suministra el pronstico, stos se pueden
clasificar en varios grupos (Wilson, 2001; J oliffe et al., 2003):
- Pronsticos descriptivos: Son los pronsticos subjetivos que se expresan
verbalmente, por ejemplo, el ro se desbordar a su paso por Zaragoza.
- Pronsticos categricos: Son los pronsticos que especifican si un evento ocurre o no
ocurre, por ejemplo, el da 17 de diciembre llover en Zaragoza. Los pronsticos que
determinan si las diferentes categoras de una variable multicategrica ocurren o no
ocurren, tambin pertenecen a este tipo de pronstico.
- Pronsticos determinsticos: Son los pronsticos que especifican la estimacin de un
valor de la variable pronosticada, por ejemplo, el caudal ser de 57 m
3
/s, o una
categora de la variable pronosticada quedando excluidas el resto de categoras, por
ejemplo, el caudal pertenecer al intervalo 50 - 75 m
3
/s.
- Pronsticos probabilsticos: Los pronsticos probabilsticos asignan un valor de
probabilidad comprendido entre 0 y 1 a posibles estados de una variable en el futuro,
en funcin de la probabilidad esperada de los eventos pronosticados (J oliffe et al.,
2003). Este tipo de pronsticos puede ser especificado mediante una funcin de
distribucin de probabilidades de la variable pronosticada (Figura 2.1.1.).
- EPS (Ensemble prediction system): Un EPS o pronstico por conjuntos simula las
posibles incertidumbres de las condiciones iniciales mediante la introduccin de
pequeas perturbaciones dinmicas en las mediciones de dichas condiciones iniciales.
A partir del conjunto de simulaciones determinsticas obtenidas de estas perturbaciones
se realiza un pronstico probabilstico, cuantificando la incertidumbre mediante
mtodos estadsticos (Mureau et al., 1993; Molteni et al., 1996; Hamill, 2001).
En la actualidad, la gran mayora de los pronsticos hidrolgicos son de carcter
determinstico, dando como resultado una estimacin que no considera la incertidumbre asociada a
cualquier pronstico (Walser et al., 2004).
2.1.3 TIPOS DE PRONSTICOS PROBABILSTICOS
Los pronsticos probabilsticos se pueden clasificar siguiendo dos criterios, en primer lugar
segn el tipo de resultado que suministran y en segundo lugar segn el mtodo utilizado para
cuantificar la incertidumbre del pronstico y obtener los valores de probabilidad
Los resultados de los pronsticos probabilsticos se pueden clasificar en cuatro grupos,
segn el formato de los resultados que suministran (Brown, 2001; Joliffe et al., 2003):
- Pronstico probabilstico continuo: El pronstico probabilstico se realiza sobre la
distribucin completa de valores de la variable pronosticada, definiendo su funcin de
distribucin de probabilidad (Figura 2.1.1).
- Pronstico probabilstico dicotmico: El evento pronosticado se divide en dos
categoras: Ocurrencia y no-ocurrencia, por ejemplo, llueve y no-llueve. El
pronstico asigna una probabilidad a la ocurrencia del evento igual a p y, por tanto,
una probabilidad de no-ocurrencia igual a 1-p.
Pgina 8


Figura 2.1.1. Funcin de distribucin de probabilidad de un pronstico probabilstico continuo.
- Pronstico probabilstico multicategrico: El evento pronosticado se discretiza en un
nmero finito de categoras, por ejemplo, el caudal se puede dividir en 5 categoras:
0-25 m
3
/s; 25-50 m
3
/s; 50-100 m
3
/s; 100-150 m
3
/s; >150 m
3
/s. El pronstico asigna un
valor de probabilidad comprendido entre 0 y 1 a cada una de las categoras
(Figura 2.1.2.), debiendo ser la suma de todas las probabilidades asignadas a las
categoras de un evento igual a 1 ( , siendo k el nmero de categoras en que
se ha discretizado la variable).
=
=
k
i
i
p
1
1

Figura 2.1.2. Distribucin de probabilidad de un pronstico probabilstico multicategrico.
- Pronstico probabilstico de conjunto (EPS): Los pronsticos probabilsticos de
conjunto se estiman sobre un conjunto de resultados determinsticos independientes
obtenidos de un proceso aleatorio de pequeos incrementos aplicados sobre los valores
iniciales de las diferentes variables. La probabilidad estimada de pronstico se obtiene
como la fraccin de los pronsticos que han estimado el evento considerado sobre el
conjunto de pronsticos considerados.
Pgina 9


2.1.4 RAZN DE SER DE LOS PRONSTICOS PROBABILSTICOS DE AVENIDAS
Actualmente la mayor parte de los pronsticos de avenidas son de carcter determinstico,
suministrando como resultado un valor exacto de la variable hidrolgica estimada. Este tipo de
pronstico presenta una serie de deficiencias (Krzysztofowicz, 1998; Young, 2002):
- Los modelos determinsticos de pronstico presentan un sesgo endmico causado por
dos razones: En cuencas con tiempos de respuesta pequeos, los modelos
determinsticos normalmente no son capaces de simular los caudales de recesin
anormales que se producen en tiempos superiores al tiempo de respuesta, siendo la
lluvia nula. Por otra parte, los modelos determinsticos toman como dato de entrada los
valores y pronsticos de precipitacin como si fueran verdaderos, sin tener en cuenta la
incertidumbre en las medidas y los pronsticos.
- El proceso lluvia-escorrenta es por naturaleza de carcter no-estacionario, ya que una
vez fijados los parmetros de un modelo en una cuenca determinada a partir del
conjunto de datos registrados, ste no ser capaz de simular correctamente todos los
posibles comportamientos de dicha cuenca en el futuro. Un pronstico determinstico
suministra la mejor prediccin de una variable a partir del resultado de un modelo
tambin determinstico, no teniendo en cuenta los posibles cambios en el
comportamiento de la cuenca que el modelo no ha considerado con precisin. Por
tanto, un pronstico determinstico no puede ofrecer una informacin til para un
proceso de toma de decisiones efectivo.
- La probabilidad de que la variable pronosticada tome un valor que exceda a la
estimacin ser variable con el tiempo de pronstico. El conocimiento de estas
probabilidades es necesario para tomar las decisiones de una manera ptima, aunque al
usuario se le suministre un pronstico determinstico.
Sin embargo, un pronstico de avenidas en tiempo real debe ser capaz de predecir no
nicamente el valor del nivel o caudal de un ro en el futuro, sino tambin la incertidumbre
asociada al propio pronstico. Un modelo de pronstico determinstico no considera dicha
incertidumbre, por lo que no resulta apropiada su aplicacin para el pronstico de avenidas. La
utilizacin de un pronstico probabilstico s permite tener en cuenta la incertidumbre del
pronstico. Por tanto, un pronstico probabilstico presentar una serie de ventajas sobre un
pronstico de carcter determinstico (Krzysztofowicz, 1998):
- El pronosticador admite la incertidumbre asociada al pronstico, cuantificndola
mediante una funcin de excedencia que permite transmitir la incertidumbre del
pronstico al usuario.
- A partir de las probabilidades de excedencia, el usuario puede calcular la probabilidad
de cualquier evento que sea de inters para l, ya sea la probabilidad de excedencia de
un valor de la variable, la probabilidad de ocurrencia de una variable por debajo de un
valor determinado o la probabilidad de que ocurra entre dos valores.
- Para la persona encargada de la toma de decisiones, un pronstico probabilstico tiene
un valor econmico mayor que el de un pronstico determinstico.
Una alerta de avenida realizada a partir de un pronstico de avenida, debe utilizar una
medida de la incertidumbre para que tenga valor (Arduino et al., 2005). Existen diversas fuentes de
Pgina 10


incertidumbre que se propagan con la utilizacin de un modelo de pronstico, siendo las ms
importantes la estimacin de la precipitacin, la incertidumbre asociada a la estructura del modelo
y la estimacin de las condiciones iniciales. Los pronsticos hidrolgicos de avenidas en tiempo
real parten del dato inicial de la lluvia pronosticada en el perodo de tiempo sobre el que se va a
realizar la prediccin, por lo que la mayor fuente de incertidumbre residir en los datos de entrada,
es decir, en los pronsticos meteorolgicos de precipitacin futura (Krzysztofowicz, 1999).
Por tanto, la causa fundamental de la importancia de la utilizacin de un pronstico
probabilstico reside en la necesidad de cuantificar la incertidumbre asociada al resultado de un
modelo de pronstico, ya que para considerar la incertidumbre inherente a un pronstico, ste debe
ser expresado en trminos probabilsticos (A.H. Murphy, 1993). Se pueden identificar cuatro
fuentes de incertidumbre asociadas a los resultados de un modelo (Maskey et al., 2004):
- Incertidumbre del modelo, asociada a su propia estructura y construccin.
- Incertidumbre de los datos de entrada, asociada a los pronsticos iniciales introducidos
en el modelo.
- Incertidumbre en la evaluacin de los parmetros del modelo.
- Incertidumbre de los procesos naturales.
Por tanto, los pronsticos probabilsticos ofrecen cuatro beneficios potenciales
(Krzysztofowicz, 2001):
- Son cientficamente ms honestos que los pronsticos determinsticos, ya que permiten
admitir la incertidumbre y expresar el grado de certidumbre.
- Permiten a las autoridades tomar decisiones en funcin del riesgo asumido para alertas
de avenidas, actuaciones de emergencia, etc.
- Permiten dar a conocer la incertidumbre al usuario, permitindole tener en cuenta el
riesgo.
- Potencialmente ofrecen beneficios econmicos a la sociedad.
Como conclusin, se puede decir que la determinacin de la distribucin de probabilidad
de las diferentes variables hidrolgicas que permiten identificar la magnitud de una avenida (nivel
del ro, caudal del ro, volumen de embalse, etc.), permite a los usuarios tomar decisiones teniendo
en cuenta el riesgo que asumen. Adems, la creciente demanda de informacin por parte de los
responsables de la toma de decisiones acerca de la incertidumbre de los pronsticos que utilizan,
han convertido la prediccin probabilstica en un campo de gran aplicacin, ya que un modelo de
pronstico probabilstico permite cuantificar esta incertidumbre adecuadamente, permitiendo tomar
unas decisiones efectivas.
2.1.5 APLICACIONES DE LOS PRONSTICOS PROBABILSTICOS A LA
PREDICCIN DE AVENIDAS
En la actualidad se realizan pronsticos probabilsticos en una amplia gama de campos:
Prediccin de las variables econmicas en el campo de la economa y finanzas, prediccin de
resultados en los eventos deportivos, prediccin de epidemias en el campo de la medicina y
prediccin de caudales dentro del campo hidrolgico, etc.
Pgina 11


El National Weather Service de Estados Unidos comenz a realizar pronsticos
probabilsticos de ocurrencia de precipitacin en el ao 1969, pero no fue hasta la dcada de 1990
cuando los pronsticos probabilsticos obtenidos mediante un EPS pudieron ser aplicados como
herramienta operativa en la prediccin hidrolgica (Walser et al., 2004). Actualmente, los
pronsticos cuantitativos de precipitacin (QPF) estn operativos en muchas regiones
(Collier y Krzystofowicz, 2000), permitiendo que la prediccin probabilstica sea una fructfera
lnea de investigacin dentro del campo de la hidrologa (Georgakos et al., 2001).
El 19 de octubre de 1996 se realiz el primer pronstico probabilstico de avenidas,
mediante la prediccin de los niveles en el cauce para tiempos de pronstico de 1, 2 y 3 das en el
futuro. Este pronstico fue realizado por el National Weather Service. Este pronstico fue
realizado gracias a la implementacin del Pronstico probabilstico a corto plazo de transicin del
nivel del ro (PSTF), que partiendo de un pronstico probabilstico de precipitacin cuantitativa
(PQPF), da como resultado una funcin de probabilidad de excedencia del nivel mximo del ro. El
PSTF consta de los siguientes mdulos: Un Procesador de la incertidumbre de la precipitacin
(PUP), que transforma un pronstico probabilstico de precipitacin cuantitativa (PQPF) en una
distribucin de probabilidad de una variable de salida de un modelo hidrolgico; un Procesador de
la incertidumbre hidrolgica (HUP), que cuantifica la incertidumbre debido a fuentes distintas a la
precipitacin como el propio modelo hidrolgico, los datos, la incertidumbre en le estimacin de
los parmetros, etc.; y un Integrador (INT), que combina las cuantificaciones de las
incertidumbres hidrolgicas y de precipitacin dentro del PQPF. (Krzysztofowicz, 1999;
Krzysztofowicz y Maranzano, 2004).
Los modelos de prediccin probabilstica se han aplicado en escasas ocasiones a la
prediccin a corto plazo de avenidas en tiempo real. El National Weather Service de Estados
Unidos ha desarrollado recientemente un nuevo componente, llamado Advanced Hydrologic
Prediction Service (AHPS), que permite cuantificar la magnitud de la incertidumbre de ocurrencia
de avenidas en intervalos de tiempo desde horas a meses. El AHPS suministra probabilidades de
excedencia de caudales, nivel de ro y volmenes (Evans, 2003; Ingram y Duan, 2003).
La concienciacin acerca de la necesidad y utilidad de pronsticos probabilsticos de
avenidas ha llevado a un creciente inters por dicho campo durante los ltimos aos, dando como
resultado la aparicin de diversas aproximaciones probabilsticas (Tamea et al., 2005):
- Mtodos que utilizan tcnicas de repeticin de muestreos de datos para evaluar la
incertidumbre de los parmetros y del modelo, como el algoritmo Metropolis, basado
en simulaciones de Monte-Carlo y un mtodo aleatorio para conseguir las
distribuciones de probabilidad que describen la incertidumbre
(Kuczera y Parent, 1998), la metodologa GLUE (Generalizad Likelihood Uncertainty
Estimation) utilizada como modelo de evaluacin de la incertidumbre
(Montanari, 2005; Hossain y Anagnostou, 2005) o la utilizacin de redes Bayesianas
para cuantificar la incertidumbre a partir de un conjunto de simulaciones de Monte-
Carlo sobre un modelo hidrolgico determinstico (Garrote y Molina, 2003;
Molina et al., 2005).
- Mtodos basados en el procesamiento de los errores cometidos en los pronsticos de
una variable durante eventos de avenidas ocurridos en el pasado, para obtener las
distribuciones de probabilidad de valores futuros de dicha variable, por ejemplo, el
mtodo implementado por Montanari y Brath, 2004; que consiste en una tcnica que
Pgina 12


evala la incertidumbre de las simulaciones de un modelo de lluvia-escorrenta
mediante una aproximacin meta-Gaussiana que estima la distribucin de probabilidad
del error del modelo condicionado al valor del caudal simulado.
- Mtodos que evalan cmo se propaga la incertidumbre desde el pronstico de
precipitaciones hasta el pronstico de caudales en el cauce, por ejemplo, el modelo de
pronstico PQPF ya comentado, el modelo de pronstico en cadena desarrollado
dentro del proyecto HYDROPTIMET (Taramasso et al., 2005) o la metodologa de
evaluacin de las funciones de distribucin de probabilidad acumuladas de los efectos
del suelo sobre los pronsticos de avenidas en zonas montaosas (Ferraris et al., 2002;
Siccardi et al., 2005).
- Mtodos que unen las aproximaciones primera y tercera, es decir, utilizan tcnicas de
muestreo de datos mediante simulaciones de Monte Carlo para cuantificar la
incertidumbre, a la vez que analizan la propagacin de la incertidumbre desde el
pronstico de precipitaciones, pasando por el modelo de lluvia-escorrenta e incluso
llegando al modelo hidrulico de inundaciones, como es el caso del modelo de
estimacin de la incertidumbre en cascada desarrollado dentro del EFFS (European
Flood Forecasting System) que utiliza la metodologa GLUE para cuantificar la
propagacin de la incertidumbre por los distintos modelos (Pappenberger et al., 2005)
Actualmente, la organizacin Risk Management Solutions (RMS) est desarrollando
varios modelos probabilsticos de ejecucin de defensas frente a avenidas, como el modelo
U.K. River Flood (RMS, 2004a) y el modelo Belgium River Flood (RMS, 2004b).
Comercialmente, se tiene previsto crear el modelo DACH Flood que suministrar
pronsticos probabilsticos de avenidas en Europa. El modelo tendr aplicacin sobre los ros de
Alemania, para posteriormente extenderlo a Austria, Suiza y otras zonas de Europa
(Toothill y Catford, 2004).
2.2. HERRAMIENTAS DETERMINSTICAS DE SIMULACIN
HIDROLGICA
Un modelo hidrolgico tiene como objetivo la representacin de los procesos que
conforman el ciclo hidrolgico y la interrelacin entre las variables que influyen en el mismo. Los
modelos hidrolgicos pueden ser determinsticos o probabilsticos. Un modelo determinstico
estimar la respuesta hidrolgica a unos datos de entrada mediante una representacin matemtica
abstracta o una ecuacin basada fsicamente, dando como resultado un valor numrico concreto,
por ejemplo, un caudal de 25 m
3
/s. Por el contrario, un modelo probabilstico, tanto estadstico
como estocstico, sigue las leyes de la probabilidad, dando como resultado una funcin de
distribucin de probabilidad, en el caso de variables continuas, o la probabilidad de ocurrencia de
cada uno de los intervalos que conforman una variable discreta.
En el presente apartado nos vamos a centrar en la descripcin de los modelos
determinsticos, primero se va a realizar una descripcin histrica del desarrollo de los modelos
hidrolgicos, en segundo lugar se realiza una revisin de los principales tipos de clasificacin de
los modelos hidrolgicos determinsticos, para finalmente realizar una discusin de las ventajas y
desventajas existentes entre los modelos agregados y distribuidos, y entre los modelos conceptuales
y fsicamente basados.
Pgina 13


2.2.1 MARCO HISTRICO
Los orgenes de la modelizacin hidrolgica se pueden situar en la segunda mitad del
siglo XIX, debido a la necesidad de estimar un caudal de diseo para tres tipos de problemas
dentro del campo de la ingeniera: El diseo de alcantarillado urbano, el diseo de sistemas de
drenaje y el diseo de aliviaderos de los embalses (Todini, 1988). A finales del siglo XIX y
principios del XX aparece el primer intento de aproximacin racional al problema de la prediccin
de la escorrenta a partir del caudal: El mtodo racional. Este mtodo desarrollado para su
aplicacin en pequeas cuencas o cuencas de montaa a partir de la determinacin del tiempo de
concentracin, que determina la mnima duracin de la tormenta para que ocurra el caudal mximo
calculado a partir de una intensidad de lluvia dada.
Durante la dcada de 1920 aparece la necesidad de modificar el mtodo racional para
permitir su aplicacin en cuencas de mayor tamao, permitiendo la consideracin de una lluvia y
de unas caractersticas de la cuenca variables en el tiempo y en el espacio, mediante el concepto de
las iscronas o lneas de igual tiempo de viaje. Esta modificacin se convierte en el primer modelo
lluvia-escorrenta basado en una funcin de transferencia, cuyos parmetros y forma se pueden
derivar a partir de valores medios de los mapas topogrficos y el uso de la frmula de Manning
para evaluar los diferentes tiempos de viaje.
Con el objeto de conseguir soluciones ms realistas y precisas para la simulacin de la
escorrenta superficial, aparece el concepto del hidrograma unitario en la dcada de 1930
(Sherman, 1932). Este concepto permite la estimacin ya no slo del caudal punta, sino de la forma
de hidrogramas causados por diferentes tipos de tormentas. Sin embargo, este mtodo presenta una
serie de dificultades que slo pueden resolverse a partir de un alto grado de subjetividad:
- La separacin de la escorrenta superficial respecto del flujo de base.
- La determinacin de la lluvia neta.
- El desarrollo del hidrograma unitario.
Durante los ltimos aos de la dcada de 1930 y los primeros de la de 1940, se proponen
un considerable nmero de tcnicas que intentan mejorar la objetividad de los mtodos y resultados
propuestos, apareciendo las tcnicas basadas en el anlisis estadstico.
El verdadero desarrollo de los modelos hidrolgicos ocurre en la dcada de 1950, con la
bsqueda de aproximaciones al anlisis de sistemas dinmicos complejos. El mtodo del
hidrograma unitario se mejora mediante el uso de transformadas de Laplace y Fourier para obtener
la funcin de respuesta de la cuenca a partir del anlisis de los datos de entrada y salida. De esta
forma se produce el origen de los modelos conceptuales.
Por otra parte, se descubre que la forma del hidrograma unitario puede obtenerse a partir de
las soluciones de ecuaciones diferenciales ms o menos simplificadas, como por ejemplo, las que
describen el comportamiento temporal del almacenamiento en un embalse o en un conjunto de
embalses en cascada (Nash, 1957), de tal forma, que el hidrograma unitario se puede expresar
mediante unos pocos parmetros estimados a partir de las caractersticas de la cuenca o mediante
procedimientos estadsticos: Momentos, regresiones, mxima verosimilitud, etc.
Durante la dcada de 1960 aparecen nuevas aproximaciones a la modelizacin del proceso
lluvia-escorrenta, debido a la aparicin de nuevas necesidades:
Pgina 14


- La extensin del uso de los modelos a la simulacin continua evitando la complejidad
de la separacin entre la escorrenta procedente de la tormenta y el flujo de base.
- La aplicacin de los modelos a cuencas complejas con una gran variabilidad de las
caractersticas fsicas: tipos de suelo, pendientes, etc.
- Permitir la extensin de los modelos a otras cuencas similares sin necesidad de realizar
la calibracin.
Estas necesidades son cubiertas mediante soluciones basadas en la bsqueda de
interpretaciones con un mayor contenido fsico del proceso lluvia-escorrenta, consistentes en la
simulacin de un sistema hidrolgico a partir de la utilizacin de un nmero determinado de
modelos conceptuales interconectados, cada uno de los cuales representan la respuesta de un
subsistema particular. Ejemplos de estos modelos son el Stanford model IV (Crawford and
Linsley, 1966) o el Sacramento model (Burnash et al., 1973).
Tericamente, si la descripcin estructural es correcta, los parmetros del modelo, como la
capacidad de almacenamiento, deberan estar relacionados con las caractersticas fisiogrficas de la
cuenca. Sin embargo, en muchos casos, el gran nmero de parmetros utilizados por los modelos y
el hecho de que los modelos sean calibrados mediante un mejor ajuste a los datos observados,
conducen a la obtencin de unos valores de los parmetros que no se ajustan a la realidad,
impidiendo el uso de estas soluciones a otras cuencas.
Durante la dcada de 1970 aparecen nuevos modelos para simular otros procesos como la
erosin de los suelos o la difusin de contaminantes. Sin embargo, el avance ms significativo
conseguido durante esta dcada es la aparicin de los modelos de pronstico en tiempo real,
basados en tcnicas de actualizacin y recalibracin como los filtros de Kalman.
Por otra parte, en esta dcada aparece una alternativa a la determinacin del hidrograma
unitario mediante parmetros: Las variables exgenas autorregresivas de la funcin de
transferencia (ARX) o la media movible autorregresiva (ARMA) (Box y J enkins, 1970).
En la dcada de 1980, la falta de relacin entre los parmetros de los modelos y los valores
que estos adoptan en la realidad lleva al desarrollo de modelos que integran las ecuaciones en
diferencias parciales que permiten expresar la continuidad de masas y momentos. Como resultado
se produjo el desarrollo del modelo 'SHE (Abbot et al., 1986a y b), origen de los modelos
fsicamente basados. Los modelos fsicamente basados tratan de solucionar los problemas surgidos
durante la dcada anterior, referentes al impacto de las actividades humanas sobre el ciclo
hidrolgico y la gestin y desarrollo de los recursos hdricos, al cambio en los regmenes de los ros
debidos a la deforestacin a gran escala, el aumento de la erosin de los suelos debido a esta de
deforestacin y la rpida sedimentacin de los embalses provocada por la erosin masiva
(Abbot et al., 1986a).
Con el avance de la capacidad de los computadores y la posibilidad de resolucin rpida
numrica de las ecuaciones diferenciales que representan los procesos hidrolgicos, tales como las
ecuaciones de Saint Venant, se ha producido la proliferacin de un gran nmero de modelos
fsicamente basados. Se esperaba que este tipo de modelos llevara a grandes avances en la
hidrologa, gracias a la posibilidad de determinacin de los parmetros a priori sin necesidad de
disponer de datos experimentales (Wong, 2006). Sin embargo, en la prctica real han aparecido una
serie de limitaciones en la aplicacin de los modelos fsicamente distribuidos que todava hoy no
han sido solucionadas.
Pgina 15


Recientemente se han aprovechado las ventajas que proporciona la gran cantidad de
informacin que suministran los Sistemas de Informacin Geogrfica y se han desarrollado
modelos integrados dentro de herramientas GIS (Garca et al., 2003), como por ejemplo el modelo
LISFLOOD (De Roo et al., 2000) o el modelo SIMPA (Ruiz, 1999).
Actualmente existe un debate entre la utilizacin de los modelos conceptuales frente a los
modelos fsicamente basados, cada uno de los cuales presenta ventajas e inconvenientes, como se
describe un poco ms adelante.
2.2.2 CLASIFICACIN DE LOS MODELOS HIDROLGICOS
Existen numerosas clasificaciones de los modelos hidrolgicos, pero fundamentalmente
stos se pueden clasificar desde tres puntos de vista, la primera se fundamenta en el tipo de
representacin espacial del modelo, la segunda en la forma de representar los procesos hidrolgicos
que ocurren en la cuenca y la ltima en la extensin temporal en la que se puede aplicar el modelo
(Ponce, 1989; Beck, 1991; Sempere, 1996; Francs, 1996; Wheater et al., 1993;
Kokkonen y Jakeman, 2001).
En funcin de la representacin espacial se pueden clasificar en tres grupos:
- Modelos agregados: Son aquellos que consideran una distribucin espacial uniforme
de lluvia en la cuenca, utilizando como variable la precipitacin media, y supone que
los parmetros de los diferentes submodelos, que simulan los diferentes procesos
hidrolgicos, son globales para toda la cuenca y permanecen constantes a lo largo de
un episodio.
- Modelos semidistribuidos: Son aquellos que permiten una cierta variabilidad espacial
de la lluvia y de los parmetros de los submodelos que lo componen, mediante la
divisin de la cuenca en multitud de pequeas subcuencas con lluvia y parmetros
constantes en cada uno de ellos.
- Modelos distribuidos: Son aquellos que permiten la variabilidad espacial de la lluvia
y de los parmetros, mediante la divisin de la cuenca en celdas, en las que se simulan
los diferentes procesos hidrolgicos.
En funcin del tipo de representacin de los procesos hidrolgicos que ocurren en la
cuenca se pueden clasificar en cuatro grupos:
- Modelos mtricos: Son aquellos que tienen una gran dependencia respecto de los
datos observados, realizando una bsqueda sobre los mismos para caracterizar la
respuesta del sistema, mediante un mtodo de extraccin de la informacin a partir de
los datos existentes. Estos modelos se construyen con una consideracin pequea o
nula de los procesos fsicos que ocurren en el sistema hidrolgico.
Los modelos mtricos utilizan la representacin ms simple del comportamiento de una
cuenca hidrolgica, ya que la relacin entre la lluvia y el caudal respuesta a partir de
las condiciones iniciales de la cuenca puede ser simulada mediante una variable de
prdida volumtrica, que engloba los procesos de prdida por evaporacin,
almacenamiento de humedad en el suelo y recarga de aguas subterrneas, y una
funcin distribucin temporal , que simula los diferentes modos dinmicos de respuesta
de la cuenca.
Pgina 16


El ejemplo ms comn de este tipo de modelos son los basados en el concepto de
hidrograma unitario, que simula la respuesta de caudal a un episodio de lluvia mediante
una funcin de prdidas no lineal y una funcin de transferencia lineal
(Sherman, 1932).
La gran ventaja de estos modelos es que requieren una cantidad mnima de datos, pero
tiene un rango de aplicacin limitado por la variabilidad de los datos observados y no
son capaces de tener en cuenta los cambios producidos en la cuenca, por ejemplo la
expansin urbana, sin realizar modificaciones en el modelo.
- Modelos conceptuales: Son aquellos que representan los procesos hidrolgicos ms
importantes mediante una base de conocimiento inicial en forma de representacin
conceptual de los mismos. El inicio de estos modelos se produce con la mejora de la
capacidad computacional, lo que permiti la representacin integrada de la fase
terrestre del ciclo hidrolgico para generar secuencias continuas del flujo. De todas
formas la representacin hidrolgica se realiza mediante relaciones simplificadas con
parmetros que no se pueden medir fsicamente en la realidad. Por tanto, para aplicar
estos modelos a una cuenca determinada deben ser calibrados con los datos observados
en la misma.
La principal desventaja de estos modelos estriba en el concepto de equifinalidad
(equifinality: Beven, 1993), es decir, la existencia de diferentes valores de los
parmetros del modelo con los que se obtienen similares medidas de ajuste. Por tanto,
si los valores de los parmetros no pueden ser definidos de manera nica, los
parmetros no pueden asociarse directamente a las caractersticas de la cuenca, y por
tanto, el modelo no puede aplicarse a nuevas cuencas sin observaciones, e incluso a la
misma cuenca despus de haberse producido cambios en la misma. Sin embargo, las
actuales tcnicas estocsticas mediante simulaciones de Monte-Carlo junto con una
anlisis detallado de la estructura del modelo y de la incertidumbre de los parmetros,
permiten resolver este problema mediante la estimacin de la incertidumbre del
modelo, como se detalla ms abajo en el apartado de calibracin del modelo.
Ejemplos de estos modelos son: Stanford Watershed model (Crawford y Linsley,
1966), MODHYDROLOG (Chiew y McMahon, 1994), DBSIM (Garrote y Bras,
1995a), IHACRES (Evans y J akeman, 1998), etc.
- Modelos fsicamente basados: Estos modelos utilizan los conocimientos ms
recientes del comportamiento fsico de los procesos hidrolgicos, realizando la
simulacin del comportamiento hidrolgico de una cuenca mediante la utilizacin de
las ecuaciones de continuidad clsicas, resolviendo las ecuaciones diferenciales de
forma numrica mediante la aplicacin de mtodos de diferencias finitas o elementos
finitos. Estos modelos son necesariamente de tipo distribuido, y por tanto, permiten la
descripcin de los fenmenos en cada una de las celdas del sistema, tanto desde el
punto de vista de los parmetros como de la resolucin de los sistemas de ecuaciones
diferenciales, por tanto el sistema fsico se representa mediante un sistema de
ecuaciones diferenciales que expresan la masa, el momento y el balance de energas.
El primer modelo fsicamente basado fue desarrollado por Freeze, 1972; resolviendo la
ecuacin de Richards para el flujo no saturado en dos dimensiones mediante
Pgina 17


diferencias finitas. Ms recientemente, los modelos desarrollados han resuelto las
ecuaciones mediante mtodos similares, siendo el ms conocido el modelo SHE o
Systme Hydrologique Europen (Abbott et al., 1986a y b).
La gran ventaja de los modelos fsicamente basados utilizan parmetros que en
principio pueden ser medidos directamente en el campo y tienen un sentido fsico
directo, por tanto, si los valores de estos parmetros se pueden determinar a priori,
estos modelos pueden ser aplicados a cuencas sin datos observados, e incluso se
pueden tener en cuenta los cambios en la misma cuenca.
Por otra parte, los modelos fsicamente basados permiten una representacin
matemticamente ideal de un fenmeno real, aunque por otra parte, requieren una
cantidad muy grande de datos que son muy difciles de medir en la realidad, a la vez,
que requieren elevados tiempos de computacin. Adems, los procesos fsicos
incluidos en el modelo han sido caracterizados en laboratorio, a una escala mucho ms
pequea que la utilizada posteriormente en las celdas del modelo, por lo que aparece un
problema de aplicabilidad numrica.
En funcin de la extensin temporal en la que se puede aplicar el modelo, se clasifican en
dos grupos:
- Modelos de episodio (event-driven): Son aquellos desarrollados para simulaciones
de cortos intervalos de tiempo, normalmente de un nico episodio de lluvia, como su
nombre indica. Estos modelos se centran en la simulacin de los procesos de
infiltracin y escorrenta superficial, ya que su principal objetivo es la evaluacin de la
escorrenta directa. Sin embargo, no tienen en cuenta el proceso de recuperacin de
humedad entre episodios de lluvia. Los modelos de episodio se aplican
fundamentalmente para simular caudales de avenida, principalmente en aquellos casos
en los que la escorrenta directa es la principal fuente de generacin de la escorrenta
total. Sin embargo, no se deben aplicar a la simulacin de caudales durante las pocas
de estiaje ni a la simulacin de caudales diarios.
- Modelos continuos: Son aquellos que permiten la simulacin de caudales diarios,
mensuales o estacionales, es decir, permiten la simulacin durante intervalos de tiempo
mayores a un episodio de lluvia. Estos modelos consideran todos los procesos que
influyen en la generacin de escorrenta, tanto la escorrenta directa mediante el flujo
de superficie, como la escorrenta indirecta mediante el flujo subterrneo. Los modelos
continuos se centran en la simulacin de la evapotranspiracin y de los procesos que
influyen a largo plazo en la recuperacin de la humedad durante los periodos en los que
no hay ocurrencia de precipitacin. Por tanto, el objetivo principal de los modelos
continuos es la simulacin del balance de humedad total de la cuenca durante perodos
largos de tiempo. Los modelos continuos se aplican fundamentalmente para el
pronstico de volmenes de escorrenta a largo plazo y estimacin de las reservas de
agua.
2.2.3 MODELOS DISTRIBUIDOS FRENTE A MODELOS AGREGADOS
La principal diferencia entre los modelos agregados y distribuidos se fundamenta en que
los primeros no consideran la variabilidad espacial de los parmetros, utilizando valores medios
sobre la cuenca, mientras que los segundos permiten la variabilidad espacial de los parmetros. Por
Pgina 18


tanto, los modelos agregados slo pueden evaluar la respuesta de la cuenca en el punto de salida de
la misma, sin tener en cuenta la respuesta de las subcuencas de forma individual, mientras que los
modelos distribuidos permiten la evaluacin de la repuesta tanto de la cuenca en conjunto como de
las subcuencas de manera individual, pudiendo as mismo obtener la respuesta en cualquier punto
de la cuenca (Ponce, 1989, p. 393).
Histricamente, se ha tendido a utilizar modelos agregados sobre modelos distribuidos,
debido principalmente a la limitacin de los computadores y a la falta de disponibilidad de datos en
el pasado. Sin embargo, como consecuencia de los avances tecnolgicos de la ltima dcada y la
gran cantidad de datos procedentes de los sistemas SIG (Sistemas de Informacin Geogrfica),
que permiten una descripcin detallada de la cuenca: Topografa, usos del suelo, tipos de suelos,
lluvia, etc., actualmente se produce una mayor utilizacin de los modelos hidrolgicos distribuidos,
con el objeto de utilizar su capacidad de representacin espacial de los parmetros y datos de
entrada y as aprovechar toda esta cantidad de datos disponibles hoy en da (Vieux, 2004).
La utilizacin de modelos agregados puede estar justificada en zonas donde la variabilidad
espacial de los parmetros sea ms o menos uniforme. Sin embargo, un modelo agregado no ser
capaz de representar correctamente los cambios de pendiente y la forma de la red drenaje, que
tienen una influencia considerable en la respuesta hidrolgica de una cuenca. Sin embargo, en
muchos casos se prefiere utilizar un modelo agregado debido a las ventajas que conlleva en cuanto
a simplicidad de descripcin de los parmetros y facilidad de calibracin, respecto a la complejidad
de estas tareas en la construccin de un modelo distribuido.
Una solucin intermedia consistira en la construccin de un modelo semi-distribuido,
consistente en la divisin de la cuenca en un conjunto de subcuencas, con parmetros y
caracterscas uniformes, modelizadas mediante un modelo agregado y conectadas entre s. Sin
embargo, la consideracin de subcuencas agregadas conlleva una serie de inconvenientes
(Vieux, 2004):
- La obtencin de los valores de los parmetros a la escala de las subcuencas
consideradas resultar complicado, debido a que no se dispondr de valores de caudal
en la salida de cada una de las subcuencas.
- La representacin del modelo puede verse afectada en funcin del nmero de
subcuencas consideradas.
- La variabilidad de los parmetros no se representa correctamente, debido a la
agregacin a la escala de la subcuenca.
- El modelo resultante no tendr una base fsica.
Adems de la consideracin de la variabilidad espacial de los parmetros del modelo, la
gran ventaja de los modelos distribuidos frente a los modelos agregados consiste en la
consideracin de la variabilidad espacial de la lluvia.
La variabilidad espacial de la lluvia tiene una influencia muy importante en la respuesta de
la cuenca (Winchell et al., 1998), sobre todo para el caso de lluvias convectivas (Bell y Moore,
2000), siendo uno de los factores ms determinantes en el caudal punta y la duracin del
hidrograma (Beven y Hornberger, 1982). Si el rea de la tormenta es mucho menor que el rea de
la cuenca, el caudal punta estar muy influenciado por la direccin y velocidad de la tormenta
(Surkan, 1974). En este caso, una tormenta que se mueve hacia aguas abajo de la cuenca, siguiendo
Pgina 19


la direccin de la red de drenaje y del flujo, produce un hidrograma con un caudal punta mayor y
una curva de ascenso ms aguda (Niemczynowicz, 1991; Singh, 1997), sin embargo, una tormenta
que se mueve hacia aguas arriba de la cuenca produce un hidrograma con un caudal punta menor,
una curvas de ascenso y descenso ms suaves (Roberts y Klingerman, 1970).
Se han realizado numerosas comparaciones entre modelos distribuidos y modelos
agregados, obteniendo como resultado que la distribucin espacial de la lluvia debera tenerse en
cuenta para cualquier tamao de cuenca, ya que no slo influye en los volmenes de escorrenta y
los valores del caudal punta, sino que tambin el tiempo de viaje de los hidrogramas
(Krajewski et al., 1991 ; Arnaud et al., 2002).
Sin embargo, recientes estudios sugieren que no siempre se pueden mejorar los resultados
mediante la utilizacin de un modelo hidrolgico distribuido frente a un modelo hidrolgico
agregado (Reed et al., 2004). En algunos casos los caudales calculados mediante un campo de
lluvia variable en el espacio y una lluvia espacial media equivalente, no muestran diferencias
significativas (Obled et al., 2004). Sin embargo, la mayora de estos casos pueden ser consecuencia
de errores en los datos, en la estructura del modelo y en los parmetros del modelo, ya que las
caractersticas no-lineares de los modelos distribuidos pueden magnificar los errores en los datos de
lluvia, en vez de suavizarlos, por lo que resulta muy difcil que un modelo distribuido mejore los
resultados de un modelo agregado, correctamente calibrado, en el caso de una precipitacin
uniforme (Smith et al., 2004). Por otra parte, los resultados pueden ser muy especficos y
localizados, y pueden tener una gran dependencia respecto de la escala de la cuenca, la variabilidad
de la lluvia en la zona y las caractersticas de los mecanismos de generacin de escorrenta
(Arnaud et al., 2002), adems de que en cada estudio se han utilizado diferentes modelos para
simular el proceso lluvia-escorrenta.
Como consecuencia se ha sugerido que lo importante no es determinar si una cuenca tiene
una gran variabilidad espacial de la lluvia y de las caractersticas fsicas, sino la identificacin de si
la variabilidad de la lluvia, filtrada a travs de las caractersticas fsicas de la cuenca, produce una
variabilidad significativa sobre la respuesta de la cuenca; en estos casos, un modelo distribuido
producir una mejora en los resultados respecto a un modelo agregado (Smith et al., 2004).
Como conclusin, los modelos distribuidos requieren un mayor tiempo de computacin
respecto a los modelos agregados, debido al mayor detalle con que realizan las simulaciones. Sin
embargo, la principal ventaja de los modelos distribuidos consiste en la consideracin de la
variabilidad espacial tanto de la lluvia, como de los procesos hidrolgicos, ya que las
heterogeneidades espaciales de un sistema hidrolgico pueden no estar bien reproducidas mediante
valores medios de los parmetros. Por el contrario, los modelos hidrolgicos distribuidos tienen el
inconveniente de requerir una considerable calidad y cantidad de datos disponibles en la cuenca.
Por lo tanto, con los avances actuales en la capacidad de computacin y en las cuencas en las que
se disponga de suficiente informacin hidrolgica, la utilizacin de un modelo hidrolgico
distribuido normalmente llevar a una mejora en los resultados de la simulacin de los hidrogramas
de caudal, ya que aprovechar las ventajas que conlleva la consideracin de la heterogeneidad de
un sistema hidrolgico mediante la utilizacin de una lluvia y unos parmetros distribuidos en el
espacio.
Pgina 20


2.2.4 MODELOS CONCEPTUALES FRENTE A MODELOS FSICAMENTE BASADOS
Los modelos conceptuales se caracterizan por definir la estructura del modelo antes de
realizar ninguna modelizacin y porque al menos algunos de los parmetros del modelo no tienen
una interpretacin fsica directa, es decir, no pueden ser medidos directamente en el campo, y por
ello, los modelos conceptuales requieren un proceso de calibracin con datos observados para
estimar los valores de estos parmetros (Wagener et al., 2004). Por tanto, antes de utilizar un
modelo conceptual, se debe realizar la calibracin del mismo con los datos observados en la cuenca
donde se va utilizar. Los valores de los parmetros estimados en una cuenca determinada no
pueden ser utilizados en otra distinta y, por tanto, un modelo conceptual no puede ser aplicado en
una cuenca donde no existan datos observados.
En principio, los modelos distribuidos fsicamente basados aparecen con el objetivo de
superar algunas de las limitaciones de los modelos conceptuales (Abbot et al., 1986a):
- Los modelos conceptuales tienen una gran dependencia respecto de la disponibilidad
de registros de series hidrolgicas suficientemente largas para realizar la calibracin de
los mismos y en muchas ocasiones no se dispone de estos registros.
- La calibracin de los modelos conceptuales implica una parte muy importante de ajuste
a los datos observados, por lo que resulta difcil hacer una interpretacin fsica de los
parmetros ajustados.
- La prediccin de los efectos de cambios en los usos del suelo sobre la respuesta
hidrolgica de la cuenca, no puede ser estimada con total confianza, sin realizar de
nuevo la calibracin del modelo con los nuevos datos registrados.
- No se pueden alterar los valores de los parmetros para reflejar estos cambios, ya que
stos no tienen una base fsica.
Las caractersticas de los modelos distribuidos fsicamente basados permiten superar
algunas de estas limitaciones (Abbot et al., 1986a):
- En principio, estos modelos no requieren registros largos de series hidrolgicas para
calibrarlos, ya que los parmetros, la tener una base fsica, pueden ser medidos en el
campo.
- La distribucin espacial de los valores de los parmetros tambin puede ser medida en
el campo.
- En principio, los modelos distribuidos fsicamente basados no necesitan calibracin, ya
que los valores de los parmetros estn basados en medidas fsicas.
- Estos modelos pueden ser aplicados en cuencas sin registros de series hidrolgicas,
mediante los valores de los parmetros estimados en otra cuenca con medidas.
Pero, sin embargo, desde la aparicin de estos modelos se aprecian una serie de
limitaciones muy importantes en su aplicacin (Abbot et al., 1986a; Bathurst, 1986; Beven, 1989;
Grayson et al., 1992):
- Los modelos fsicamente basados requieren la evaluacin de un gran nmero de
parmetros que describen las caractersticas fsicas de la cuenca desde un punto de
vista distribuido en el espacio.
Pgina 21


- La medida en el campo de todos los parmetros utilizados por el modelo conllevara un
gasto que hara prohibitiva la implementacin prctica de estos modelos.
- Por tanto, para permitir su implementacin, se reduce el nmero de medidas directas a
cambio de utilizar un mayor nmero de evaluaciones indirectas, por ejemplo,
realizando unas pocas medidas en los sitios ms representativos de la cuenca,
centrndose en obtener informacin acerca de las propiedades de los suelos y la
rugosidad en los cauces, ya que se considera que estos parmetros son los que mayor
influencia tienen sobre el proceso de generacin de escorrenta.
- Muchas de las medidas de los parmetros se realizan a la escala de un punto, sin
embargo, en el modelo se utilizan a la escala de celdas de centenares de metros de
ancho, con lo que pueden o no pueden ser representativas de los procesos hidrolgicos
a la nueva escala.
- Por tanto, hay una inconsistencia de escala entre las mediciones en el campo y los
valores de los parmetros aplicados en los modelos.
- Se asume que las ecuaciones fsicas a pequea escala pueden ser aplicadas a la escala
de las celdas del modelo con los mismos valores de los parmetros.
- Como consecuencia, estos modelos requieren cierta calibracin de los parmetros.
Por tanto, los modelos distribuidos fsicamente basados contienen una serie de problemas
importantes para su uso prctico en la prediccin hidrolgica: Las limitaciones de las ecuaciones
utilizadas por el modelo relativas a la heterogeneidad de la realidad, la falta de una teora de
integracin de los procesos a la escala de las celdas y problemas de dimensionalidad en la
calibracin de los parmetros (Beven, 1989). La correcta determinacin de los valores de los
parmetros en el futuro pasa por las mediciones mediante sensores remotos unidas a la calibracin
con las medidas de campo, sin embargo, se requieren mediciones de campo de las velocidades de
escorrenta, flujos subterrneos, medidas distribuidas de profundidades de flujo, tasas de
conversin entre lluvia y escorrenta, etc., en diferentes puntos de la cuenca para conseguir un
mejor conocimiento de un sistema hidrolgico y permitir una correcta aplicacin de los modelos
fsicamente basados (Grayson et al., 1992).
Adems, tras dos dcadas de experiencia en el uso de modelos fsicamente basados, se ha
llegado a la conclusin de que la determinacin a priori de los valores de los parmetros es una
tarea muy difcil sino imposible (Wong, 2006) y, a pesar, de la creencia en la superioridad de los
modelos fsicamente basados sobre los modelos conceptuales, la realidad es que los dos tipos de
modelos son similares excepto porque los fsicamente basados requieren un tiempo de calibracin
mucho mayor para determinar los valores de la gran cantidad de parmetros que componen un
modelo de este tipo (Grayson et al., 1992).
Como consecuencia de todo esto, existen dos soluciones a esta discusin (Francs, 1996):
a) Utilizar modelos conceptuales distribuidos, ya que no resulta necesario simular los
procesos de generacin y traslacin de la escorrenta en la cuenca, en un sentido
totalmente fsico, para modelar la respuesta hidrolgica de la misma.
b) Utilizar modelos fsicamente basados, pero siendo conscientes de sus limitaciones
mediante la estimacin de la incertidumbre asociada a las simulaciones.
Pgina 22


2.2.5 MODELOS HIDROLGICOS DISTRIBUIDOS
Se ha concluido anteriormente que los sistemas hidrolgicos suelen presentan una gran
heterogeneidad, tanto en los datos de entrada de lluvia, como en las caractersticas del terreno a lo
largo de la cuenca. La gran ventaja de los modelos hidrolgicos distribuidos es que permiten tener
en cuenta estas heterogeneidades mediante una discretizacin de la cuenca en celdas. A
continuacin se ha realizado una revisin de los principales modelos hidrolgicos de lluvia-
escorrenta distribuidos en el espacio que han sido utilizados hasta la actualidad.
En primer lugar, el modelo SHE fue uno de los primeros modelos que utiliz una
discretizacin de la cuenca en celdas. La estructura del modelo se fundamenta en la unin de dos
mdulos independientes: Un mdulo unidimensional que representa las columnas de flujo vertical
no saturado de profundidad variable, y un mdulo bidimensional que representa la escorrenta
saturada. El modelo SHE est formado por los siguientes componentes (Abbott et al., 1986b):
- Componente que representa los procesos de intercepcin de lluvia por la cubierta
vegetal y evapotranspiracin: Calcula la evapotranspiracin y la cantidad de lluvia neta
resultante a partir de los datos meteorolgicos de entrada y los parmetros de
vegetacin.
- Componente que representa los procesos de escorrenta y flujo en canal: Calcula el
transporte del agua superficial en forma de escorrenta por el terreno y flujo en los
cauces, a partir de los datos de topografa, forma del cauce y parmetros de rugosidad.
La profundidad de agua superficial disponible como escorrenta se determina a partir
de la lluvia neta y los coeficientes de evaporacin dados por el componente anterior y
por el coeficiente de infiltracin del suelo determinado por el siguiente componente.
- Componente que representa la zona no saturada: Calcula el contenido de humedad del
suelo, as como la distribucin de presiones en la zona no saturada. La zona no saturada
se extiende desde la superficie del suelo hasta el nivel fretico.
- Componente de la zona saturada: Calcula la cota del nivel fretico y los flujos en la
zona saturada, que se suponen tener una direccin nicamente horizontal.
- Componente de deshielo: Calcula la transferencia de humedad debida a la nieve a partir
de un conjunto de parmetros de vegetacin y nieve y unos datos de entrada
meteorolgicos.
El modelo SAC-SMA (Sacramento Soil Moisture Accounting) ha sido desarrollado por el
National Weather Service de los Estados Unidos (Burnash, 1995; Ajami et al., 2004). El modelo
se fundamenta en un algoritmo de clculo de la escorrenta generada a partir de una divisin del
suelo en dos capas, una superior y otraa inferior. Cada capa incluye almacenamientos que
interactan para generar estados de humedad del suelo y cinco formas de generacin de la
escorrenta:
- Escorrenta directa procedente de las zonas impermeables, tanto temporales como
permanentes.
- Escorrenta superficial debida a una precipitacin ms rpida que el tiempo necesario
para que se produzca el proceso de percolacin cuando las zonas ms altas del
almacenamiento estn llenas.
Pgina 23


- Flujo interno debido al drenaje lateral producido por un almacenamiento libre
temporalmente.
- Flujo de base suplementario.
- Flujo de base primario.
El modelo utiliza un conjunto de almacenamientos que se encuentran unidos mediante una
serie de procesos. Los almacenamientos se llenan si ocurre una precipitacin lo suficientemente
fuerte, mientras que se vacan debido a la percolacin vertical, la evapotranspiracin y el drenaje
lateral. El volumen de agua que excede la capacidad de tensin del agua genera el exceso de lluvia.
Este exceso se introduce en el tanque de almacenamiento libre, desde el cul se produce el
percolamiento vertical hacia la capa inferior o fluye horizontalmente. Finalmente, el agua que
excede la capacidad de percolamiento y de flujo lateral se convierte en escorrenta superficial.
El modelo DBSIM (Distributed Basin Simulator) realiza una parametrizacin de los
procesos de generacin de escorrenta de una forma ms fsica que en el caso de los modelos
conceptuales (Garrote y Bras, 1995a). El modelo est formado por dos componentes principales:
- Mdulo de generacin de escorrenta: Calcula la distribucin espacial de la capacidad
de infiltracin superficial de la cuenca con el objeto de representar la evolucin de las
zonas saturadas durante una tormenta. Se utiliza un modelo de infiltracin cinemtica.
La generacin de escorrenta se puede producir mediante dos mecanismos: Escorrenta
producida por la exfiltracin del flujo subterrneo y escorrenta producida por la
superacin de la capacidad de infiltracin del suelo.
- Mdulo de transporte del flujo superficial: Calcula el caudal en un punto de la cuenca a
partir de la distribucin de la tasa de generacin de escorrenta en la cuenca y una
funcin de respuesta instantnea de cada celda, que sigue una funcin delta de Dirac
con un retardo igual al tiempo de viaje desde dicha celda al punto en el que se est
calculando el caudal.
El modelo TOPMODEL se utiliza para simular el comportamiento hidrolgico en cuencas
de pequeo tamao. Se fundamente en la representacin del flujo subterrneo mediante una
aproximacin de onda cinemtica, suponiendo que la variacin de la zona saturada se puede
simular mediante sucesivas representaciones en rgimen uniforme y que el gradiente hidrulico de
la zona saturada puede ser simulado mediante la pendiente topogrfica local. De esta suposicin se
deriva una relacin simple entre el almacenamiento en la cuenca y el ndice topogrfico (relacin
entre el rea drenante y la pendiente), que representa la propensin de alcanzar las condiciones
saturadas en cualquier punto de la cuenca. Una tercera suposicin consiste en que la distribucin de
la transmitividad en profundidad aguas abajo de un punto es una funcin exponencial del dficit de
almacenamiento. Por tanto, en un intervalo de tiempo con lluvia, el modelo predice que cualquier
lluvia sobre una zona saturada alcanzar el cauce del ro como escorrenta superficial o subterrnea,
junto con el exceso de lluvia sobre el requerido para rellenar las zonas donde el dficit es pequeo
(Beven et al., 1995).
El modelo queda completado mediante los componentes que representan el
comportamiento de la zona no saturada y del transporte de caudal. La zona no saturada se
representa mediante dos tipos de almacenamiento, uno representa el almacenamiento por
intercepcin de la vegetacin y otro el almacenamiento por drenaje que controla la recarga de la
zona saturada.
Pgina 24


El modelo TOPMODEL se ha aplicado en numerosas ocasiones y se han realizado
diferentes variaciones sobre el mismo, por ejemplo, el modelo TOPNET que utiliza un modelo de
transporte de flujo por el cauce mediante una aproximacin de onda cinemtica, para ampliar su
aplicacin a cuencas de mayor tamao (Bandaragoda et al., 2004), o el modelo TOPKAPI que
supone que el flujo horizontal en un punto, tanto subterrneo como superficial, puede ser
aproximado mediante un modelo de onda cinemtica y utiliza una representacin de la celda
mediante un sistema de tres almacenamientos en cascada, que representan el suelo, la superficie y
la red de drenaje (Ciarapica y Todini, 2002).
El modelo HBV se fundamenta en un balance hidrolgico en el cual la escorrenta o
diferencia entre la precipitacin y la suma de la evapotranspiracin y el caudal, es igual al
incremento de la suma de la escorrenta debida al deshielo de nieve, de la humedad del suelo y la
profundidad de la zona saturada. Los datos de entrada son la lluvia, las zonas cubiertas de nieve y
la temperatura del aire. La humedad del suelo se calcula a partir de un ndice de humedad que tiene
en cuenta la intercepcin y el almacenamiento de la humedad del suelo. La generacin de
escorrenta se simula mediante una representacin con dos almacenamientos y un filtro de
suavizacin del flujo generado, a partir de una funcin de ponderacin triangular. El transporte del
caudal se simula mediante un modelo de Muskingum (Bergstrm, 1995).
El modelo MIKE-11 es un modelo hidrulico en dos dimensiones que simula los procesos
de generacin de escorrenta, transporte de sedimentos y calidad de las aguas. Uno de los mdulos
que incluye es el hidrolgico de lluvia-escorrenta. El comportamiento hidrolgico de la cuenca se
simula de modo semi-distribuido mediante la divisin de la cuenca en subcuencas unidas a la red
de drenaje. El modelo permite simular el proceso lluvia-escorrenta mediante un modelo NAM que
se utiliza en zonas rurales, teniendo en cuenta el contenido de humedad en cuatro almacenamientos
interconectados, o mediante un modelo de hidrograma unitario que utiliza el mtodo del SCS
(Havno et al., 1995). Por otra parte, hay que mencionar el modelo MIKE SHE que supone un
desarrollo del modelo SHE descrito con anterioridad (Butts et al., 2004).
El modelo TETIS, desarrollado por el DIHMA-UPV es un modelo hidrolgico distribuido
de tipo conceptual, que utiliza un mtodo de onda cinemtica unido a las caractersticas
geomorfolgicas de la cuenca, con el objeto de transportar el flujo a lo largo de la red de drenaje.
Este mtodo se conoce como Onda Cinemtica Geomorfolgico (GKW de Geomorphologic
Kinematic Wave) (Vlez et al., 2007).
El modelo TETIS est basado en una simulacin de la cuenca en la que cada celda se
representa mediante seis tanques verticales (Francs y Vlez, 2006; Vlez et al., 2005). Las
conexiones verticales entre tanques describen los procesos de precipitacin, deshielo,
evapotranspiracin, infiltracin y percolacin, mientras que las conexiones horizontales describen
los procesos de escorrenta y flujo de base. El primer tanque tiene en cuenta la nieve mediante un
mtodo de grado-da. El segundo representa el almacenamiento esttico que tiene prdida de flujo
por evapotranspiracin. El tercero simula el almacenamiento superficial, donde la escorrenta
superficial es producida por el agua que no ha sido infiltrada en el terreno. El cuarto representa el
almacenamiento debido a la gravedad. El quinto corresponde a la simulacin de acufero, donde el
flujo horizontal representa el flujo de base. Por ltimo, el sexto tanque representa el
comportamiento de la celda como canal, estando cada celda conectada a la de aguas abajo, segn la
forma de la red de drenaje. De esta forma, el comportamiento hidrolgico de la cuenca es
Pgina 25


representado mediante un conjunto de celdas drenantes, en tres dimensiones, hacia aguas abajo
hasta encontrar el cauce, donde el transporte del flujo es representado mediante el modelo GKW
(Francs et al., 2007).
Recientemente se han desarrollado modelos que utilizan las ventajas derivadas de la
disponibilidad de informacin GIS, como por ejemplo, el modelo LISFLOOD. Este modelo se
utiliza para simular la generacin de escorrenta en cuencas de gran tamao, mediante la
representacin de los procesos de lluvia, intercepcin, deshielo, evapotranspiracin, infiltracin,
percolacin, flujo subterrneo y escorrenta superficial. El modelo toma como datos de entrada las
series temporales de lluvia y temperatura. La infiltracin se simula mediante la ecuacin de Green-
Ampt. En los procesos de escorrenta superficial y transporte de flujo por el cauce se ha utilizado
mdulo de transporte de onda cinemtica basado en GIS. El modelo LISFLOOD tambin permite
estimar las zonas inundadas a partir de los datos del MDT (De Roo et al., 2000).
2.3. REDES BAYESIANAS
Las redes Bayesianas fueron introducidas por J udea Pearl dentro del campo de la
inteligencia artificial en su libro Probabilistic Reasoning in Intelligent Systems (Pearl, 1988),
durante la dcada de 1980, en respuesta al inters surgido por la utilidad de las probabilidades
como aplicacin en la toma de decisiones. La aparicin de las redes Bayesianas resuelve muchos de
los problemas que aparecen en los sistemas de razonamiento probabilstico durante las dcadas de
1960 y 1970. J udea Pearl tom como base los mecanismos del razonamiento humano para
establecer relaciones de dependencia entre las causas y los efectos. Actualmente, el campo de las
redes Bayesianas domina la investigacin en Inteligencia Artificial relacionada con el
razonamiento de la incertidumbre y los sistemas expertos (Russell y Norvig, 2003), ya que stas
presentan una propiedad muy importante: Definen una distribucin de probabilidad. Por ello, tienen
una gran aplicacin en el diagnstico, pronstico y muchas otras cuestiones de inferencia
necesarias para el desarrollo de los sistemas inteligentes (Buntine, 1996).
Las redes Bayesianas tienen como base fundamental el teorema de Bayes que describe la
probabilidad de una variable aleatoria X condicionada al conocimiento de la probabilidad de otra
variable aleatoria Y. La probabilidad condicionada entre dos variables se puede definir a partir de la
interseccin entre ambas:
( )
( )
( ) Y P
Y X P
Y X P

= |
Por tanto:
( ) ( ) ( ) Y P Y X P Y X P | =
( ) ( ) ( ) X P X Y P X Y P | =
Igualando las dos ecuaciones anteriores se obtiene el teorema de Bayes:
( )
( ) (
( )
)
X P
Y P Y X P
X Y P
|
| =

Pgina 26


El teorema de Bayes se puede generalizar para el caso en que se conoce una evidencia e:
( )
( ) (
( )
)
e X P
e Y P e Y X P
e X Y P
|
| , |
, | =
Las redes Bayesianas se pueden definir como modelos probabilsticos de una funcin de
probabilidad conjunta determinada mediante un grafo dirigido acclico (DAG) y un conjunto de
funciones de probabilidad condicionada.
En primer lugar, una red Bayesiana es un grafo dirigido formado por nodos que representan
a las variables, tanto discretas como continuas, que influyen en el sistema que se est modelizando.
Un grafo permite la realizacin de una representacin simplificada de una distribucin de
probabilidad mediante nodos y arcos. Los nodos estn unidos por parejas mediante arcos dirigidos
que expresan las relaciones de dependencia existentes entre las variables. Si existe un arco dirigido
del nodo X al nodo Y, se dice que X es el padre de Y, y que Y es el hijo de X. De esta forma las
relaciones de dependencia entre variables quedan determinadas de una manera intuitiva, ya que un
arco que une las variables X e Y significa que Y es condicionalmente dependiente respecto de X y
dos nodos que no estn conectados por un arco significa que son condicionalmente independientes
entre s. Por tanto, cada nodo X
i
tiene asociada una distribucin de probabilidad condicionada,
P( X
i
| (X
i
) ), donde (X
i
) son los padres del nodo X
i
, que cuantifica el efecto del conjunto de los
padres sobre el nodo X
i
, expresada mediante una tabla de probabilidad condicionada (CPT) en el
caso de que las variables sean discretas. Cada fila de la CPT contiene la probabilidad condicionada
de cada valor de un nodo para cada caso condicionante o combinacin de valores de los nodos
padres. Cada fila de la CPT debe sumar 1. La CPT de un nodo sin padres tiene una nica fila que
representa las probabilidades iniciales de cada uno de los posibles valores de la variable. Los
valores usados para definir la CPT se denominan parmetros de la red Bayesiana.
Una red Bayesiana es representada mediante un grafo dirigido acclico (DAG), es decir, el
grafo tiene arcos dirigidos pero no tiene ciclos dirigidos. Si X = [X
1
,,X
k
] es el conjunto de nodos
de una red Bayesiana, un conjunto de arcos que une X
i
con X
j
se denomina camino de X
i
a X
j
. Si
existe un camino o conjunto de arcos que une un nodo consigo mismo, este se denomina ciclo
dirigido. Un grafo dirigido acclico (DAG) es aquel que no presenta ningn ciclo dirigido
(Neapolitan, 2004; p. 36). Por tanto, las redes Bayesianas no pueden presentar ciclos dirigidos, o lo
que es lo mismo, no pueden tener nodos conectados consigo mismos.
El conjunto de nodos y arcos se denomina topologa de la red Bayesiana y especifica las
relaciones de independencia condicional existentes entre las variables del sistema. De esta forma,
resulta sencillo para un experto determinar la estructura de una red Bayesiana a partir de las
influencias directas existentes entre las variables que componen el sistema modelizado. Una vez
determinada la topologa de la red, se debern determinar las distribuciones de probabilidad
condicionada para cada una de las variables, dados sus padres. Con la topologa de la red y las
distribuciones condicionadas de probabilidad se puede obtener la distribucin de probabilidad
conjunta para todas las variables.
Si denominamos la distribucin de probabilidad conjunta como P y un DAG representativo
de una estructura de red Bayesiana como G, diremos que la unin de ambos (G,P) es una red
Bayesiana si (G,P) cumple la condicin de Markov (Neapolitan, 2004; p. 45). La condicin de
Markov se cumple cuando todas las variables X de la red son condicionalmente independientes del
conjunto de sus no-descendientes, dado el conjunto de sus padres.
Pgina 27


X
Y
Z
Y
X Z
X Z
Y
X
Y
Z
Y
X Z
Y
X Z
X Z
Y
X Z
Y

Figura 2.3.1. Tipos de conexin entre nodos, de izquierda a derecha: a) Lineal; b) Convergente; c) Divergente
Esta condicin se comprende mejor mediante la definicin de la dependencia en una red
Bayesiana: Una variable X ser dependiente de una variable Y dada una evidencia E, si existe un
camino d-unido desde X hasta Y dado E; si X no depende de Y dado E, X ser independiente de Y
dado E (Charniak, 1991). Los caminos d-unidos se comprenden considerando las tres clases de
conexiones entre una variable Y y sus dos vecinos inmediatos en el camino X y Z: Lineal,
convergente o divergente (Figura 2.3.1). Un camino entre X e Y es d-unido con respecto a los
nodos evidencia E si cada uno de los nodos interiores Z en el camino cumplen que si son lineales o
divergentes no son miembros de E, o bien, si son convergentes, Z o alguno de sus descendientes
pertenecen a E. En definitiva, dos nodos estn d-unidos si existe una relacin causal entre ellos o
existe una evidencia que deje a los nodos correlados entre ellos.
Si se cumple la condicin de Markov, la distribucin de distribucin de probabilidad
conjunta ser igual al producto de las distribuciones condicionadas de todos los nodos dados los
valores de sus padres. Por tanto, la distribucin de probabilidad conjunta se puede calcular
mediante la siguiente expresin:
( ) ( )
=
=
n
i
i i n
x x P x x x P
1
2 1
| ,..., , ( )
)

donde:
(
n
x x x P ,..., ,
2 1
es la probabilidad de la combinacin de determinados valores de cada una
de las variables de la red, es decir, es una abreviatura de ( )
n n
x X x X P = = ...
1 1

( )
i
x expresa los valores de las variables que son padres de la variables x
i
Por tanto, la funcin de probabilidad conjunta de una red Bayesiana se obtiene mediante el
producto de la probabilidad de cada una de las variables condicionada al conjunto de sus padres,
es decir, mediante el producto de los elementos apropiados de la CPT.
Como consecuencia del cumplimiento de la condicin de Markov, una red Bayesiana
cumplir la propiedad del campo de Markov: Un nodo es condicionalmente independiente del
resto de nodos en la red, dados sus padres, hijos y los padres de los hijos, los cuales componen lo
que se denomina campo de Markov.
Una vez vistas las principales propiedades de las redes Bayesianas, en primer lugar, se va a
presentar una clasificacin de las mismas. A continuacin se van a describir los distintos procesos
Pgina 28


que componen la construccin de un modelo de redes Bayesianas: Aprendizaje, inferencia y
validacin. Por ltimo, se van a presentar las principales aplicaciones que tienen las redes
Bayesianas en la actualidad.
2.3.1 TIPOS DE REDES BAYESIANAS
En la prctica, las redes Bayesianas se pueden clasificar bsicamente en tres grupos en
funcin del tipo de variables utilizadas (Gutirrez et al., 2004; Markowetz et al., 2005):
- Redes Bayesianas Multinomiales: Son aquellas en las que todas las variables son
discretas, es decir, cada una de las variables se ha dividido en m intervalos o estados.
La probabilidad condicionada de cada una de las variables dados sus padres tambin
es multinomial, y por tanto, queda determinada mediante las probabilidades de las
diferentes combinaciones de intervalos de cada variable con sus padres.
- Redes Bayesianas continuas: Son aquellas en las que todas las variables son
continuas, es decir, tienen un nmero infinito de posibles valores. En este tipo de redes
resulta imposible determinar explcitamente las probabilidades condicionadas para
cada valor de cada variable, as que las probabilidades condicionadas se representan
mediante una funcin de densidad de probabilidad, normalmente una funcin normal o
Gaussiana.
- Redes Bayesianas Mixtas o Gaussianas Condicionales: Son aquellas que tienen
variables discretas y continuas al mismo tiempo. Se deben especificar las
distribuciones condicionadas para una variable continua dados los padres continuos o
discretos y las distribuciones condicionadas para una variable discreta dados los padres
continuos.
2.3.2 APRENDIZAJE
Tanto la topologa de una red Bayesiana como las distribuciones de probabilidad
condicionadas a ella, pueden estar determinadas por la experiencia de un experto. Sin embargo, en
la mayora de los casos prcticos deben ser obtenidos a partir de un conjunto de datos. Este proceso
se denomina aprendizaje de una red Bayesiana y consiste en dos subprocesos diferentes entre s
(Castillo et al., 1996):
- Aprendizaje Estructural: Este tipo de aprendizaje permite obtener las relaciones de
dependencia entre las variables del modelo a partir de un conjunto de datos
observados, determinando la topologa del grafo que mejor describe el sistema que se
est analizando. El resultado de este tipo de aprendizaje es la obtencin de los arcos
que unen los diferentes nodos de la red.
- Aprendizaje paramtrico: Este tipo de aprendizaje permite calcular los valores de los
parmetros o valores de las filas de las tablas de probabilidad condicionada, a partir de
la topologa del grafo, el tipo de red Bayesiana y el conjunto de datos observados.
De estos dos procesos el primero es el ms complicado, ya que el segundo se realiza
automticamente mediante diferentes algoritmos que calculan las tablas de probabilidad
condicionada a partir de los datos observados, siguiendo el proceso que se describe a continuacin
para un conjunto de datos observados completo e independencia de los parmetros. El proceso de
aprendizaje paramtrico consta de varias fases: En primer lugar, se asumen unas distribuciones a
Pgina 29


priori sobre los parmetros de las distribuciones de probabilidad locales antes de utilizar los datos
observados. Estas distribuciones a priori deben ser conjugables con los datos observados, es decir,
la distribucin a posteriori de los parmetros, condicionada a los datos observados, deber
pertenecer a la misma familia que la distribucin a priori, a pesar de utilizar diferentes
hiperparmetros o parmetros de la distribucin sobre los parmetros. Por ejemplo, en el caso de
redes Bayesianas multinomiales el conjugado de las distribuciones a priori pertenece a una familia
de Dirichlet. Las probabilidades condicionadas se obtienen calculando la media de los posibles
valores de todos los parmetros a partir de la distribucin a posteriori y ponderando este valor por
la distribucin a posteriori del valor en cuestin (Heckerman, 1995; Margaritis, 2003). El algoritmo
ms utilizado para el aprendizaje paramtrico es el algoritmo IPF (Iterative Proportional Fitting)
(J irouvsek y Pvreuvcil, 1995).
El aprendizaje estructural se puede definir como el proceso que a partir de un conjunto de
datos D, compuesto por una serie de valores de un conjunto de variables X para n casos diferentes,
encuentra una topologa de red Bayesiana B que consigue un mejor ajuste al conjunto de datos D
(Friedman et al., 1999). El proceso de aprendizaje estructural consiste en la seleccin de una red
sobre un conjunto de dimensin exponencial de estructuras de redes. Por tanto, este proceso lleva
asociada una gran dificultad en trminos del nmero de casos requeridos para el muestreo de las
posibles redes y el tiempo requerido para la optimizacin. El proceso de aprendizaje estructural se
fundamenta en la utilizacin de una estrategia de bsqueda para explorar todas las posibles
topologas de redes Bayesianas. Como el nmero de posibles grafos crece de forma sper-
exponencial con el nmero de nodos, no se puede realizar una bsqueda exhaustiva sobre todos los
posibles grafos, sino que se utilizan diferentes algoritmos de aprendizaje estructural. Los
algoritmos de aprendizaje estructural se pueden clasificar en dos grupos de aproximaciones
(Heckerman, 1995; K.P. Murphy, 2003):
- Aproximaciones por restricciones (Constraint-based): Utilizan pruebas de
independencia condicional para comprobar las suposiciones de independencia, para
luego traducir las suposiciones en una red Bayesiana. El algoritmo parte de una red con
todos los posibles arcos entre nodos y va eliminando arcos segn va descubriendo
independencias condicionadas a partir del conjunto de datos. Estos algoritmos tienen la
desventaja de perder tiempo de computacin en la repeticin de pruebas de
independencia. Dentro de este grupo los algoritmos ms conocidos son el algoritmo-IC
(Pearl y Verma, 1991) y el algoritmo-PC (Spirtes et al., 1993).
- Aproximaciones Bayesianas: Es la aproximacin ms difundida y considera que
todos los modelos son una variable estocstica, seleccionando la red con una mayor
probabilidad a posteriori. Estos algoritmos tambin se denominan de bsqueda y
medida (search and score), ya que utilizan una medida de calidad para cuantificar la
probabilidad a posteriori de cada modelo, eligiendo la que obtiene un valor de calidad
ms alto. Dentro de este grupo el algoritmo ms conocido es el denominado algoritmo
de bsqueda voraz de equivalencia (Greedy equivalence search) (Chickering, 2002).
Para obtener la topologa de red que mejor representa el sistema, mediante una
aproximacin Bayesiana, se deben comparar diferentes estructuras de red mediante unas medidas
de calidad que evalan la calidad de cada una de las posibles redes. Estas medidas miden
simultneamente la calidad de la estructura grfica y la calidad de los parmetros estimados
(Gutirrez et al., 2004).
Pgina 30


Una medida de calidad, ( ) , | S B Q , se puede definir como un criterio mediante el cual se
puede ordenar el conjunto de todas las redes Bayesianas posibles por su calidad, donde B es una red
Bayesiana, es la informacin a priori y S es un conjunto de datos (Castillo et al., 1996).
Una medida de calidad debe cumplir las siguientes propiedades:
- Debe asignar el mismo valor de calidad a las redes que conduzcan a una misma
estructura de independencia.
- Debe asignar un valor de calidad ms alto a las redes recomendadas por los expertos
que a las rechazadas.
- Debe asignar calidades mayores a las representaciones perfectas respecto de las
imperfectas.
- A igualdad de propiedades debe asignar mayor valor de calidad a la red con menor
nmero de parmetros.
Las medidas de calidad se pueden obtener mediante diferentes aproximaciones de las que
las ms importantes son (Bouckaert, 1995; Heckerman et al., 1995):
- Aproximacin Bayesiana: Es un mtodo para la seleccin de modelos estadsticos a
partir de un conjunto de datos. En el caso del aprendizaje de redes Bayesianas, el
modelo estadstico es una topologa de red. Esta aproximacin se fundamenta en la
utilizacin de la probabilidad a posteriori de la topologa de red dado un conjunto de
datos como medida de calidad de la estructura. Primero se define una distribucin a
priori sobre las estructuras de red definidas. Para cada una de las estructuras se calcula
la probabilidad del conjunto de datos dada la estructura. Finalmente, utilizando el
teorema de Bayes, se calcula la probabilidad a posteriori de la estructura dado el
conjunto de datos. Dentro de la aproximacin Bayesiana se han creado diferentes
medidas de calidad:
Medida de calidad de Cooper y Herskovits (Cooper y Herskovits, 1992):
( ) ( )
( )
( )
( )

= = =
+ +
+

+ =
n
i
s
k
r
j
ijk
i ik
i
i i
N
r N
r
D P D B P
1 1 0
1 log log log |
Medida de calidad de Geiger y Heckerman (Geiger y Heckerman, 1995):
( ) ( )
( )
( )
( )
( )

= = =
+
+
+

+ =
n
i
s
k
r
j ijk
ijk ijk
ik ik
ik
i i
N
N
D P D B P
1 1 0
log log log |

- Aproximacin por el criterio de informacin: Esta aproximacin toma como mejor
topologa de red la que mejor se ajusta al conjunto de datos, penalizando el nmero de
valores que deben ser especificados para definir las funciones de evaluacin de la
estructura de red. La medida de calidad consta de dos trminos: Por una parte la
entropa de la estructura de red y el conjunto de datos y por otra la funcin de
penalizacin. A estos dos trminos se les puede aadir un trmino adicional que tiene
en cuenta la probabilidad a priori de la estructura de red (P(B|D)). Las medidas de
calidad ms usuales dentro de la aproximacin por el criterio de informacin son:

Pgina 31


Criterio de informacin Bayesiana o BIC (Schwarz, 1978):
( ) ( )
= = =
=
n
i
r
j
s
k ik
ijk
ijk
N B Dim
N
N
N D B P
i i
1 0 1
log
2
1
log |
Criterio de informacin de Akaike o AIC (Akaike, 1974):
( ) ( )
= = =
=
n
i
r
j
s
k ik
ijk
ijk
B Dim
N
N
N D B P
i i
1 0 1
log |
donde para todas las medidas anteriores:
n es el nmero de nodos o variables
r
i
es el nmero de intervalos en que se ha discretizado la variable X
i
s
i
es el nmero de todas las posibles realizaciones de los padres de X
i
:

) (i padres X
j i
j
r s
() es la funcin gamma
S es un conjunto de datos de N casos, en el que cada caso consiste en un valor para
cada una de las variables
D es una topologa de red Bayesiana definida para X variables o nodos y siendo
N
x1,..xn
el nmero de casos de S tales que X
1
= x
1
,..., X
n
= x
n
.
N
ijk
es el nmero de casos en la base de datos S consistentes con y
i
= j y padres
i
= k
N
ik
es el nmero de casos en la base de datos S consistentes con padres
i
= k
ijk
son los parmetros o hiperparmetros de la distribucin de Dirichlet a priori
para la distribucin condicional del nodo i
Dim (B) es la dimensin de la estructura de red Bayesiana, es decir, el nmero de
parmetros necesarios para especificar completamente la funcin de probabilidad
conjunta de las variables de la red:
( ) ( )
=
=
n
i
i i
s r B Dim
1
1
2.3.3 INFERENCIA O RAZONAMIENTO PROBABILSTICO
Una vez definida la topologa de la red Bayesiana y asignados los valores a los parmetros
del modelo, la gran ventaja de las redes Bayesianas consiste en hallar la probabilidad de cualquier
nodo o conjunto de nodos de la red a partir de una evidencia u observacin de cualquier nodo o
conjunto de nodos de la red. Este proceso se denomina inferencia o razonamiento probabilstico y
permite cuantificar la incertidumbre de las distintas variables segn se van obteniendo
observaciones del sistema o evidencias.
La inferencia nos permite conocer, por una parte, la distribucin marginal de probabilidad
de cualquier nodo X de la red y de cualquier valor x del mismo, P(X = x), obteniendo de esta forma
la probabilidad de ocurrencia de un caso determinado a partir de la informacin contenida en la red
Pgina 32


Bayesiana. Por otra, a partir del conocimiento del valor de un conjunto de nodos, o evidencia,
podemos obtener la probabilidad de los valores de otro conjunto de nodos, es decir, podemos
calcular las probabilidades a posteriori.
Por tanto, la inferencia permite calcular la distribucin de probabilidad a posteriori para un
conjunt
actitud
del proc
: Calcula los valores exactos de cada una de las probabilidades
mo de Pearl (Pearl, 1988): Este algoritmo es lineal en el tiempo y
o de variables cuyos valores queremos conocer, dado un evento observado. Las variables
cuyos valores queremos conocer en una situacin determinada se denominarn X, el conjunto de
variables observadas o evidencias se denominar E, el conjunto de variables que no han sido
observadas se denominar Y, y el evento observado se denominar e. La probabilidad final de las
variables cuyos valores queremos conocer dado el evento observado e, P( X | e), se calcular
mediante la suma de los trminos que componen la distribucin de probabilidad conjunta, es decir,
mediante la suma de los productos de las probabilidades condicionadas de la red Bayesiana.
Existen dos tipos de inferencia para las redes Bayesianas, en funcin del grado de ex
eso (Thornton, 2005):
- Inferencia exacta
marginales y a posteriori de cada uno de los posibles valores x de cada uno de los
nodos X de la red Bayesiana. Los algoritmos de inferencia exacta ms importantes son
los siguientes:
Algorit
calcula las distribuciones de probabilidad a posteriori de cada uno de los nodos
de la red dada la evidencia para redes con conexiones simples. El algoritmo se
fundamenta en la idea de separar la evidencia para cada nodo en la evidencia
por encima del nodo y la evidencia por debajo del mismo. La probabilidad de
la evidencia por debajo del nodo X con un valor del nodo igual a x se denomina
soporte de diagnstico, ( ) x X = . La probabilidad de que un nodo X tomo un
valor igual a x dada la evidencia por encima del nodo X, se denomina soporte
causal, ( ) x X = . Por tanto, la probabilidad a posteriori de un nodo X dada la
evidenci
(
a e ser:
) ( ) ( ) x X x X e x X P = = = = |
Donde es una constante de normalizacin para asegurarnos de que las
probabilidades suman 1.
Para calcular los valores de y , se utilizan los mensajes y . Los
mensajes son transmitidos desde los hijos a los padres y dan la robabilidad
de la evidencia en el subrbol de los hijos dado un valor x del padre X. Los
mensajes
p
son transmitidos desde los padres a los hijos y dan la probabilidad
de que un padre X tome un valor igual a x dada la evidencia en el subrbol de
los padres.
Algoritmo de Lauritz en-Spiegelhalter (Lauritzen y Spiegelhalter, 1988):
ediante la adiccin de arcos adireccionales entre padres
comunes, con el objetivo de asegurar que el grafo no-dirigido resultante no
Este algoritmo funciona bien en todos los modelos y realiza la inferencia segn
los siguientes pasos:
1) Moraliza la red m
Pgina 33


contenga ninguna relacin de independencia condicional que no est
expresadas en la red original.
Triangula el grafo mediante la adicin de arcos de tal forma que no existan
subgrafos inducidos que sean
2)
simples ciclos de longitud mayor o igual a
3)
stos mensajes actualizarn
6)
teriori para cada nodo.
- Inferen
diferentes a te, reduciendo el
sados en la inicializacin de cada nodo de la red

te la eliminacin de algunos de sus arcos, para luego

cuatro.
Construye un rbol de conjuntos a partir del grafo triangulado.
4) Inicializa los potenciales de cada conjunto usando las probabilidades
condicionadas en cada nodo de cada conjunto.
5) Propaga los mensajes de soporte causal y de diagnstico a travs del rbol-
conjunto al igual que en el algoritmo de Pearl. E
los potenciales de los conjuntos.
Marginaliza los potenciales finales de los conjuntos determinando las
distribucin de probabilidad a pos
cia aproximada: Sacrifica parte de la precisin de las probabilidades mediante
proximaciones para conseguir resultados ms rpidamen
tiempo de computacin. Las dos tcnicas ms utilizadas de inferencia aproximada son
las siguientes (Thornton, 2005):
Muestreo: Son los algoritmos de inferencia aproximada ms simples y
generalizados. Estn ba
mediante tcnicas aleatorias y en el orden de la topologa con el objetivo de
crear una muestra. Se juntan las muestras hasta que se alcanza un nmero de
muestras determinado o bien se ha consumido un tiempo determinado, para
luego calcular las distribuciones de probabilidad a posteriori para cada nodo a
partir de la frecuencia de cada posible inicializacin de cada nodo en el
conjunto de todas las muestras. Dentro de esta tcnica existen dos algoritmos
comnmente utilizados. El primer algoritmo se denomina muestreo hacia
delante (forward sampling), que toma como datos iniciales una ordenacin
topolgica de los nodos, unos valores de evidencia esperada para las variables
y un nmero mximo de muestreos. El segundo se denomina ponderacin por
verosimilitud (likelihood weighting), muy parecido al anterior, pero asigna un
peso a cada muestreo igual al producto de la probabilidad de que cada uno de
los nodos evidencia adopte el valor esperado definido por el valor de sus
padres en la muestra.
Eliminacin de arcos: Esta tcnica consiste en reducir la complejidad de la
red Bayesiana median
aplicar alguno de los algoritmos de inferencia exacta sobre la red resultante. A
diferencia de las tcnicas de muestreo, se puede dar un lmite del error en la
aproximacin de las distribuciones de probabilidad resultantes en funcin de
los arcos que han sido eliminados.

Pgina 34


2.3.4 ALIDACIN DE LAS REDES BAYESIANAS
probar la precisin y validez de los
e realiza sobre un conjunto de datos
diferent
probabi

ter continuo, por ejemplo, la lluvia, el caudal
as continuas implica el uso de una serie de
familias
parmetros, la media
V
La validacin de una red Bayesiana consiste en com
resultados dados por la misma. El proceso de validacin s
e al utilizado en el aprendizaje, con el objeto de comprobar la capacidad que tiene la red
Bayesiana de acertar las soluciones correctas cuando variamos el conjunto de datos.
El resultado de una red Bayesiana es un resultado probabilstico, ya sean las probabilidades
de los diferentes intervalos en el caso de redes multinomiales o funciones de distribucin de
lidad para redes Gaussianas. La validacin de estos resultados probabilsticos resulta mucho
ms compleja que la validacin de resultados determinsticos, ya que en vez de tener un valor
determinado como solucin tendremos una distribucin de probabilidad. Las redes Bayesianas se
utilizan normalmente para obtener las probabilidades de un suceso que no conocemos, ya sea
pronstico o diagnstico. Por ello, la validacin de una red Bayesiana se convierte en la validacin
de un pronstico probabilstico.
El campo de la validacin de los pronsticos probabilsticos es muy amplio, por lo que se
ha llevado al siguiente apartado (Apartado 2.4).
2.3.5 REDES BAYESIANAS CONTINUAS
La mayora de las variables reales son de carc
o la temperatura. La utilizacin de redes Bayesian
de funciones de densidad de probabilidad que puedan ser definidas mediante un nmero
finito de parmetros.
La funcin ms utilizada es la funcin normal lineal que queda definido mediante dos
( ) y la desviacin tpica ( ) . El valor de la media vara linealmente con el
valor del nodo padre y la desviacin tpica es fija:
( )( )
2
2
1
2
1

x
2
,

e x N
Una red Bayesiana cuyas variables sean todas continuas y estn todas representadas
mediante funciones normales lineales, tiene una distribucin conjunta que es una funcin normal
multivariada sobre todas las variables, que tendr un nmero de dimensiones igual al nmero de
variables y un pico en el valor de la media en las n dimensiones (Castillo et al., 1996):
( )
( )
( ) ( ) [ ]
=
x x
T 1
2
1
2
1
n
e x f
2
Siendo el vector de medias de n dimensiones, la matriz n x n de covarianzas y

el
determin
i 1

ante de . La funcin de densidad de probabilidad estar definida por:
( ) ( ) ( )
=
n
i i n
x x P x x x P
2 1
| ,..., ,
=

Pgina 35


Donde
Donde
( ) ( ) ( )

+ =

=
1
1
, |
i
j
i j j ij i i i
v x N x x P
ij
es el coeficiente de regresin de X
j
en la regresin de X
i
sobre los padres de X
i
,
, es decir, es u
con
i
n coeficiente que mide el grado de relacin entre X
i
y X
j
; y
i
v es la varianza
dicionada de X
i
, dado
i i
= .
La inferencia de redes Bayesianas continuas se realiza mediante algoritmos que son
adaptac
MICAS
permiten la representacin de procesos que
cambian
y un conjunto de
variable
nstruccin de una DBN requiere la especificacin de tres tipos de informacin:
empo
- El modelo de transicin entre intervalos de tiempo
iones de los algoritmos utilizados para la inferencia de redes Bayesianas multinomiales o
discretas (Norman y Tritchler, 1992).
2.3.6 REDES BAYESIANAS DIN
Las redes Bayesianas dinmicas (DBN)
en el tiempo, mediante la utilizacin de una variable aleatoria en cada intervalo de tiempo.
El proceso que se est representando puede entenderse como una serie de instantneas, cada una de
las cuales describe el estado del proceso en un instante de tiempo determinado.
En cada instante de tiempo habr un conjunto de variables de estado X
t
s evidencia
t
E . Normalmente, para simplificar el proceso, se supone que los nodos y arcos
son exactamente iguales en cada intervalo de tiempo, de tal forma, que cada variable slo pueda
tener padres en el mismo intervalo de tiempo o en el intervalo de tiempo inmediatamente
precedente.
La co
- La distribucin a priori de las variables de estado en el primer intervalo de ti
( )
0
X P
( )
t t
x X P |
1 +

- El modelo sensorial que relaciona las variables de estado con las variables evidencia
Los modelos de transicin y sensorial quedan determinados mediante la topologa de las
conexio
na, ya que
podemo
nmero de variables muy grande, mayor cuantos ms
intervalos de tiempo tenga la DBN. Con el objeto de reducir el nmero de variables, se utiliza el
algoritmo de Eliminacin de Variables, que elimina las variables de estado del intervalo de tiempo
( )
t t
X E P |
nes entre los nodos de los intervalos de tiempo consecutivos y entre los nodos que
representan las variables de estado y de evidencia. Como las conexiones no varan de un intervalo
de tiempo a otro, slo es necesario definir la topologa en el primer intervalo de tiempo.
La inferencia de una DBN resulta similar a la inferencia de una red Bayesia
s construir una red Bayesiana completa mediante la reproduccin de los intervalos de
tiempo, hasta que la red sea lo suficiente larga para captar todas las observaciones. Esta tcnica se
denomina desenrollado (unrolling) y permite la utilizacin de los algoritmos de inferencia
desarrollados para las redes Bayesianas.
Sin embargo, esta red tiene un
Pgina 36


anterior
plicar sobre la red Bayesiana desenrollada, pero tendramos
el mism
para obtener la distribucin en el nuevo intervalo de tiempo. A pesar de reducir el nmero
de variables, ste todava puede ser excesivamente alto. Por ello, normalmente se utilizan
algoritmos de inferencia aproximada.
De los algoritmos aproximados de inferencia utilizados para las redes Bayesianas, el que
tiene mayor facilidad de adaptacin a las DBN es el de ponderacin por verosimilitud (likelihood
weighting). Este algoritmo se puede a
o problema de excesivo nmero de variables. La solucin pasa por realizar la inferencia
para todos los casos considerando cada intervalo de tiempo de la DBN por separado, pero de esta
forma estaramos ignorando conexiones entre variables de estado y evidencias.
Finalmente, el algoritmo ms recomendado para la inferencia de una DBN es el algoritmo
de filtrado de partculas (particle filtering), que primero crea una poblacin de casos a partir de la
distribucin a priori en el intervalo de tiempo incicial, ( ) X P , siguiendo el siguiente proceso en
0
cada intervalo de tiempo:
- Cada caso es propagado hacia delante media muestreo del valor de la variable de
estado en el si

nte el
guiente intervalo de tiempo ( )
1 + t
x , dado el valor en el presente intervalo
de tiempo
t
x y utilizando el modelo de transicin ( ) ( )
t t
x X P |
1 +
.
Cada muestra es ponderada por la veros tud que asigna a la nueva evidencia
( )
1
|
+ + t t
x e P
- imili
.
magnitud. Cada nueva muestra es seleccionada de la poblacin, mediante una
probabilidad proporcional a su peso, teniendo la muestra definitiva pesos iguales.
2.3.7 AP
La u omo
sistemas expertos en la medicina, depuracin de programas informticos, gentica, ciencias
mas inteligentes probabilsticas
(Buntin
os en el proceso de construccin (Nasir et al., 2003). Dentro del campo de la
calidad
1
- La poblacin es muestreada de nuevo para generar una nueva poblacin de la misma
LICACIONES DE LAS REDES BAYESIANAS
tilizacin de redes Bayesianas est muy difundida en diversos campos cientficos c
sociales o Inteligencia Artificial para modelizar siste
e, 1996).
En el campo de la Ingeniera Civil las redes Bayesianas se han aplicado en la construccin
para la optimizacin de los procesos de transporte de materiales (McCabe et al., 1998) y la
previsin de riesg
de las aguas se han aplicado a la prediccin probabilstica de la calidad del agua
(Reckhow, 1999; Stow et al., 2003), al estudio del tratamiento anaerbico en depuradoras
(Sahely y Bagley, 2001), al estudio de la eutrofizacin (Borsuk et al., 2003; Borsuk et al., 2004), a
la modelizacin de infracciones de la calidad del agua de abastecimiento, con el objeto de mejorar
el esquema de decisin basado en los operadores que se encuentran en las estaciones de tratamiento
de aguas (Pike, 2004) y para la vigilancia y control de las estaciones depuradoras de aguas
residuales (Sangesa y Burell, 2000). En el campo de la hidrologa se ha aplicado al pronstico
probabilstico de episodios de avenida en tiempo real a partir de los resultados de simulacin de la
cuenca mediante un modelo hidrolgico agregado (Garrote y Molina, 2003), como sistema de
ayuda a la toma de decisiones en una situacin de emergencia provocada por una avenida
(Molina et al., 2002; Molina et al., 2005) y a la modelizacin probabilstica del proceso de
laminacin en embalses como sistema de ayuda a la seleccin de la mejor estrategia de operacin
Pgina 37


de los rganos de desage de un embalse (Mediero et al., 2006). Las redes Bayesianas tambin se
han aplicado dentro del campo de la gestin del agua, para modelizar sistemas de granjas con
suministro de agua a travs de irrigacin y directamente a partir de la lluvia en Mauritania y
Zimbabwe (Batchelor y Cain, 1999) y dentro del campo del cambio climtico para estudiar los
impactos que producen sobre el cambio en los regmenes de las aguas superficiales
(Varis y Kuikka, 1997)
Las redes bayesianas tambin han sido aplicadas como elemento de ayuda en los procesos
de toma de decisin dentro de los campos de los recursos hidrulicos y calidad de las aguas
(Ames y Bethany, 2001) y del desarrollo sostenible de los recursos hidrulicos de Europa uniendo
las nece
Control de vehculos: Vista
telemetra en tiempo real y suministra ayuda en la probabilidad de los
-
luaciones de la mano y de la mueca,

ico y pronstico de cnceres en los conductos
- Biolog
ha desa
genes y icos que determinan la
evolucin de las especies (Friedman et al., 2000 y 2002).
sidades ambientales, econmicas, sociales y polticas (Bromley et al., 2005). Por ltimo,
tambin se han utilizado para examinar las variables ms significativas que influyen en la gestin
del agua, las relaciones entre las mismas e identificar las mejores actuaciones que conducen a la
minimizacin de los daos en un cauce, como por ejemplo la canalizacin del cauce o la
construccin de embalses (Said, 2006).
A continuacin se resumen las aplicaciones ms importantes de las redes Bayesianas en
otros campos cientficos:
- es un sistema de toma de decisiones utilizado por la
NASA en el centro de control de Houston, que utiliza las redes Bayesianas para
interpretar la
fallos en los sistemas de propulsin de los cohetes espaciales. Por otra lado, AutoFix
es una herramienta que permite el diagnstico de problemas en los automviles, est
compuesta por unas 600 redes Bayesianas que son capaces de encontrar 15 problemas
para unos 1000 tipos de coche diferentes.
Medicina: Existen numerosas aplicaciones de las redes Bayesianas dentro de este
campo, destacando las siguientes aplicaciones:
Knowledge Industries ha desarrollado multitud de aplicaciones basadas en
redes Bayesianas durante la dcada de 1990, como por ejemplo, diagnstico de
alteraciones del sueo, patologas, eva
dermatologa, etc.
Pathfinder: Sistema que asiste a la comunidad de mdicos para el diagnstico
de patologas en los nodos linfticos (Heckerman et al., 1992).
TraumaSCAN: Sistema para evaluar las consecuencias de las heridas de bala
en el pecho y en el abdomen.
Otras aplicaciones, como MENTOR para la prediccin de retrasos mentales en
los recin nacidos, HEPAR II para el diagnstico de desrdenes en el hgado,
NasoNet que realiza diagnst
nasales y en la faringe y sistemas para evaluar dolencias cervicales,
depresiones y pronstico de enfermedades mentales.
a: Dentro de este campo destaca principalmente la labor de Nir Friedman, que
rrollado dos herramientas, una para aprender las relaciones causales entre los
otra para la reconstruccin de los rboles filogent
Pgina 38


- Anlisis de Fiabilidad: Las redes Bayesianas han sido utilizadas para desarrollar un
sistema de anlisis de fiabilidad en centrales elctricas. Tambin se ha desarrollado
TRACS, que es una herramienta para predecir la fiabilidad de los vehculos militares.
Reconocimiento del lenguaje: Existen varias herra - mientas basadas en redes
-
n de las
-
-
mediante redes
retenciones (Huang et al., 1994).
-
AnswerWizard de Microsoft Office
ara el diagnstico de
-
2.4. VER
En
del campo d do ser
aceptado completamente dentro de la comunidad hidrolgica, ya que los pronsticos
cia de esto, no
se ha de
Bayesianas dentro de este campo, destacando la aplicacin de redes Bayesianas
dinmicas y el reconocimiento del lenguaje mediante mtodos audiovisuales.
mbito universitario: Dentro de este mbito destacan dos aplicaciones, Andes, un
sistema de tutoras inteligente para la asignatura de Fsica que crea un plan de trabajo
para el estudiante a partir del trabajo realizado por el estudiante en un problema de
fsica, y POET, una herramienta de consejo que modeliza la evoluci
transcripciones de los estudiantes.
Negocios y Finanzas: Destaca el programa Data Digest que modeliza y predice el
comportamiento del cliente en una variedad de situaciones financieras.
Juegos de ordenador: Destaca un juego que modeliza la evolucin de un mundo
simulado.
- Visin por ordenador: Dentro del IVHS (Intelligent Vehicle Highway Systems), se
ha desarrollado una herramienta de anlisis de la situacin del trfico
Bayesianas, identificando eventos de trfico como cambios en las rutas de los
vehculos y
- Hardware: Intel ha desarrollado un sistema de diagnstico de fallos en procesadores
mediante una red Bayesiana de tres niveles y cientos de nodos.
Software: Microsoft ha desarrollado unas cuantas aplicaciones basadas en redes
Bayesianas, entre las que destaca la herramienta
que las utiliza para seleccionar los temas de ayuda a partir de las consultas. Por otra
parte, American Airlines ha desarrollado una herramienta p
problemas legales con el software: Dada la informacin en un fichero, la herramienta
identifica que secuencias de instrucciones pueden producir errores en el sistema.
Lenguaje: La Facultad de Medicina de la Universidad de Utah ha desarrollado la
herramienta SymText, que utiliza las redes Bayesianas para representar el contenido
semntico, relacionar palabras utilizadas para expresar conceptos, separar la estructura
del significado e inferir trminos omitidos debido a elipsis o errores.
IFICACIN DE PRONSTICOS PROBABILSTICOS
la actualidad, estn comenzando a aparecer algunos pronsticos probabilsticos dentro
e la hidrologa, pero sin embargo, este tipo de pronstico todava no ha consegui
determinsticos son ms fciles de utilizar que los probabilsticos. Como consecuen
sarrollado ninguna herramienta que permite la evaluacin de la calidad de estos pronsticos
probabilsticos.
La verificacin o validacin de un pronstico probabilstico consiste en evaluar la utilidad
de dicho pronstico. La evaluacin se realiza sobre un conjunto de datos diferente al utilizado para
Pgina 39


implementar el modelo y se fundamenta en la comparacin de los resultados probabilsticos, dados
por el modelo de pronstico, con los resultados observados que han ocurrido en la realidad. Por
tanto, la
o de la meteorologa, por lo que la verificacin
hidrolg
da por J .P. Finley, mediante el
de la variable dicotmica de
.H. Murphy, 1996). Sin embargo, no es hasta la segunda
mitad d
inar la precisin de los pronsticos probabilsticos lleva a
determi
as relativas de ocurrencia.
(Stanski et a al intento de conseguir que los resultados del proceso
de verif c
Hoy de la
calidad

conocim
verificacin de un pronstico probabilstico consiste en la comparacin de unos resultados
de probabilidad, ya sea una funcin de densidad de probabilidad para una variable continua o las
probabilidades asignadas a los intervalos en el caso de una variable discreta o dicotmica, con un
resultados determinsticos que se han observado.
La verificacin de pronsticos probabilsticos ha sido aplicada en contadas ocasiones en el
campo de la hidrologa, debido al reducido nmero de modelos hidrolgicos que suministran
predicciones de carcter probabilstico. Sin embargo, la aplicacin de los anlisis de verificacin se
ha realizado de manera amplia dentro del camp
ica debe partir en cualquier caso de los avances obtenidos en dicho campo, principalmente
en el caso de que el pronstico probabilstico sea multicategrico.
2.4.1 ENCUADRE HISTRICO
Histricamente la teora de verificacin de pronsticos comienza en el ao 1884 con la
comprobacin experimental de la prediccin de tornados realiza
clculo de la probabilidad de aciertos en los pronsticos
ocurrencia/no-ocurrencia de tornados (A
el siglo XX cuando se produce el desarrollo de la teora de verificacin de pronsticos
probabilsticos dentro del campo de la meteorologa. Concretamente, la fecha de inicio se puede
fijar en el ao 1950, cuando se realiza un intento de solucionar la falta de acuerdo existente en la
determinacin de una escala de bondad en los pronsticos meteorolgicos. El resultado se plasma
en la creacin del Coeficiente de Brier (Brier Store), que determina el error cuadrtico cometido
en los pronsticos (Brier, 1950).
Durante la dcada de 1950 se introduce el concepto de utilidad econmica del pronstico
(Thompson y Brier, 1955), sugiriendo la necesidad de considerar la influencia econmica del
mismo en el proceso de verificacin de la calidad de la prediccin.
La necesidad de determ
nar dos clases de validez (A.H. Murphy y Winkler, 1971):
- Validez primaria, que se refiere a la correspondencia entre un pronstico y su
observacin en un solo suceso.
- Validez secundaria, que se refiere a la correspondencia entre una coleccin de
pronsticos de un mismo tipo de evento y sus frecuenci
La aparicin de numerosas medidas para cuantificar la bondad de un pronstico
l., 1989; Wilks, 1995) conduce
ica in permitan medir alguno de los atributos que influyen en el pronstico (Daan, 1985).
en da no existe una nica medida que permita cuantificar todos los aspectos
de un pronstico, sino que cada medida analiza un aspecto concreto. El responsable de la
verificacin de los pronsticos elige unas pocas medidas para cuantificar la calidad de los aspectos
de la calidad del pronstico que considera ms importantes. Pero en ningn caso, intenta llegar a un
iento conjunto de todos los aspectos del pronstico ni a cuantificar la calidad global del
pronstico.
Pgina 40


2.4.2 ESTADO ACTUAL DE LA VERIFICACIN PROBABILSTICA
En un pronstico probabilstico se diferencian tres tipos de bondad: consistencia, calidad y
valor; y de ellos el ms importante es la calidad del pronstico que depende de diez atributos
Murph nstico se pueden
is de la distribucin
conjunt

resultad
e se ha discretizado la variable.
as de igual magnitud de la
la misma frecuencia de la variable.
ampo de la medicina,
se ha in od
aplicaci d
fundamental pronstico para
discrim
ou et al., 2001).
Service
(A.H. y, 1993). Los atributos que influyen en la calidad de un pro
cuantificar dentro del marco de verificacin de pronsticos, basado en el anlis
a de pronsticos y datos observados. Esta distribucin conjunta contendr toda la
informacin relevante de un pronstico (A.H. Murphy y Winkler, 1987).
Actualmente, no existe una nica medida de verificacin que permita cuantificar todos los
atributos de calidad de un pronstico. Cada medida presenta puntos dbiles que obligan a utilizar
otras medidas diferentes, para que en conjunto sean capaces de suministrar la informacin completa
del proceso de verificacin (Wilson, 2001). Segn sean las caractersticas del pronstico, el
o de las medidas de verificacin depender de varios factores (Daan, 1985):
- La habilidad de los pronsticos.
- La distribucin de frecuencia de la variable pronosticada.
- La medida de verificacin usada.
- El nmero de categoras en las qu
- La forma de categorizar la variable: mediante categor
variable o mediante categoras de
Recientemente, la Teora de Deteccin de Seales, procedente del c
tr ucido en la verificacin probabilstica, con el objeto de determinar la capacidad de
n e un pronstico a los procesos de toma de decisiones (Brown, 2001). La aportacin
de este campo ha consistido en la cuantificacin de la capacidad de un
inar entre sucesos y no-sucesos, mediante la representacin del Diagrama ROC (Relative
Operating Characteristics) que mide los porcentajes de aciertos y fallos en las alarmas realizadas
(Mason y Graham, 1999). Las aportaciones de la Teora de Deteccin de Seales tienen una
aplicacin muy importante dentro del campo de la hidrologa y de la prediccin de avenidas, ya que
su utilidad es mayor cuando los umbrales, que conduciran a una situacin de peligro, pueden ser
determinados con anterioridad al proceso de verificacin (Charba et al., 2003)
Por tanto, la verificacin de pronsticos probabilsticos es una teora de reciente aplicacin.
Por ejemplo, los pronsticos de precipitacin cuantitativa (QPF) suministrados por el National
Weather Service y los pronsticos probabilsticos suministrados por el Storm and Mesoscale
Ensemble Experiment (SAMEX) no han sido verificados hasta el ao 2000 (H
La aplicacin de la teora de verificacin en el campo de la hidrologa tiene como nicas
referencias la verificacin de los pronsticos hidrolgicos probabilsticos del National Weather
Service River Forecasting System (NWSRFS) (Franz y Sorooshian, 2002) y la verificacin de los
pronsticos probabilsticos suministrados por el sistema AHPS, tambin del National Weather
(Hashino et al., 2002; Bradley et al., 2004), mediante la discretizacin de una funcin de
distribucin de probabilidad en una variable multicategrica mediante la seleccin de una serie de
umbrales. En ambos casos se utilizan los recientes avances en la verificacin de pronsticos
meteorolgicos, eligiendo una serie de medidas que cuantifican los aspectos del pronstico que se
consideran ms importantes o ms fciles de cuantificar.
Pgina 41


2.4.3 TIPOS DE BONDAD DE UN PRONSTICO PROBABILSTICO
En un pronstico probabilstico se pueden diferenciar tres tipos de bondad que harn que la
prediccin sea buena o mala (A.H. Murphy, 1993):
1) Consistencia: La consistencia de un pronstico es la correspondencia entre el juicio
s la correspondencia entre los pronsticos y los
3) de los beneficios econmicos que
Para la p s
con los dato
mayor importancia a los beneficios que dicho pronstico les proporcionar en el futuro. Por tanto,
la bond
o, obtenidos a partir de la base de
anlisis de los modelos numricos, estadsticos y
a de los mismos o la experiencia de pronsticos anteriores. Por otra
parte, e
reflejad
2.4.3.2
calidad del pronstico equivale a una alta correspondencia con
los datos observados. La calidad se cuantifica mediante el proceso de verificacin de los
pronsticos, cuyo marco de trabajo queda determinado por la distribucin conjunta de
pronsticos y datos observados p (f , x), donde f representa el pronstico y x el dato observado
del pronosticador y los pronsticos suministrados.
2) Calidad: La calidad de un pronstico e
datos observados.
Valor: El valor de un pronstico es el incremento
provocarn la utilizacin de los pronsticos como instrumento de toma de decisiones
por parte de los usuarios del mismo.
Esta clasificacin parte de la subjetividad de la pregunta qu es un buen pronstico?.
er ona que pronostica, un buen pronstico ser aquel que tiene el mayor grado de similitud
s observados. Sin embargo, para los usuarios, el mejor pronstico ser aquel que d una
ad del pronstico conlleva una ambigedad que el pronosticador debe comprender para que
el pronstico efectuado sea til y efectivo (A.H. Murphy, 1993).
2.4.3.1 CONSISTENCIA
Se pueden diferenciar dos procesos en la realizacin de un pronstico. Por una parte, el
pronosticador formula unos juicios de valor acerca del pronstic
conocimiento creada mediante la observacin y
conceptuales, los datos de salid
l pronosticador formula unos pronsticos, hablados o escritos, que pueden variar en mayor
o menor medida respecto de los juicios de valor obtenidos de la base de conocimiento.
El pronstico no tiene que suministrar toda la informacin comprendida en los juicios de
valor. Sin embargo, el pronstico debe contener toda la informacin que necesiten los usuarios
del mismo para que tras realizar sus tomas de decisiones puedan actuar de la mejor forma posible.
El pronstico que satisfaga esta condicin se denominar pronstico requerido.
Por tanto, un pronstico requerido tendr buena consistencia si el pronstico
corresponde con el juicio de valor al que se refiere. Sin embargo, el pronstico puede ser
inconsistente en diferentes aspectos, de los que el ms importante se refiere a aquel que aparece
cuando la incertidumbre inherente en los juicios de valor, emitidos por el pronosticador, no son
os adecuadamente en el pronstico.
Por tanto, la obtencin de un alto nivel de consistencia depende nicamente del
pronosticador, ya que simplemente tiene que hacer corresponder los juicios de valor con el
pronstico suministrado.
CALIDAD
La calidad de un pronstico analiza la correspondencia entre el pronstico y los datos
observados, por tanto, una buena
Pgina 42


(A.H. Murphy y Winkler, 1987). La distribucin conjunta contendr informacin de los
pronst
ta distribucin es
Las diferentes combinaciones de las distribuciones marginales y condicionadas dan como
resultad di
factoriza io

- es el factor de calibracin y representa la frecuencia de ocurrencia de
- es el factor de refinamiento y representa la frecuencia de utilizacin de
cada valor de pronstico f.
b) Fac in de Verosimilitud Muestra (LikelihoodBase Rate Factorization):
Est actoriza
con marginal de los datos
observados:

x, sin tener en cuenta los pronsticos f. Por
tanto, esta distribucin depende nicamente de la situacin pronosticada.
icos, de los datos observados y de las relaciones existentes entre ambos.
Para realizar el proceso de verificacin, la distribucin conjunta, p(f,x), se debe
descomponer en sus distribuciones marginales y condicionadas:
- P(f): Distribucin marginal de los pronsticos f. Esta distribucin es independiente
de los valores de los datos observados x, asociados a los pronsticos f.
- P(x): Distribucin marginal de los datos observados x. Es
independiente de los valores de los pronsticos f, asociados a los datos observados
x.
- P(x|f): Distribucin de los datos observados condicionados al valor de los pronsticos.
Existe una distribucin de datos observados x para cada valor de los pronsticos f.
- P(f|x): Distribucin de los pronsticos condicionados al valor de los datos observados.
Existe una distribucin de pronsticos f para cada valor de los datos observados x.
o ferentes factorizaciones de la distribucin conjunta. Inicialmente se consideran dos
c nes (A.H. Murphy y Winkler, 1987):
a) Factorizacin de Calibracin - Refinamiento (Calibration - Refinement
factorization):
Esta factorizacin est determinada por la distribucin de los datos observados
condicionada a los pronsticos y la distribucin marginal de los pronsticos:
) ( ) | ( ) , ( f p f x p x f p =
donde
) | ( f x p
los datos observados dado un pronstico determinado f.
) ( f p
torizac
a f cin est determinada por la distribucin de los valores de pronstico
dicionados a los datos observados y la distribucin
) ( ) | ( ) , ( x p x f p x f p =
- ) | ( x f p es el factor de verosimilitud y representa la frecuencia de ocurrencia
de los valores de pronstico para cada valor de los datos observados x.
- ) (x p es el factor de muestra y representa la frecuencia de ocurrencia de los
valores de los datos observados
Pgina 43


Dichas factorizaci
verificacin de anlisis de
las diferentes distribuciones permite evaluar los atributos que definen los distintos aspectos que
intervienen en l alida
- An
con s y datos
ones ponen de manifiesto los diferentes aspectos que intervienen en la
un pronstico y, por tanto, en la evaluacin de la calidad del mismo. El
a c d de un pronstico (Wilson, 2001) (Tabla 2.4.1.):
lisis de la de la distribucin conjunta [p(f,x)] o tambin llamada distribucin no
dicional: Estudia la correspondencia general entre parejas de pronstico
observados, consistente en el clculo de estadsticos sobre el total. Corresponde a los
atributos de Sesgo, Asociacin, Precisin y Habilidad.
ATRIBUTO DEFINICIN DISTRIBUCIN
Correspondencia entre el valor medio de los
Sesgo pronsticos y el valor medio de los datos
observados
p(f) y p(x)
Asoci
s
acin
Peso general de la relacin lineal entre las parejas
individuales de pronsticos y datos observado
p(f,x)
Correspondencia media entre las parejas
individuales de pr s observados
Precisin
onsticos y dato
p(f,x)
H d
ferencia
abilida
Precisin de los pronsticos de inters, relativa a la
precisin de los pronsticos producidos por un
standard de re
p(f,x)
Fiabilidad
ue
p(x|f) y p(f)
Correspondencia entre la media de los datos
observados condicionados y el pronstico al q
estn condicionados, realizando la media sobre
todos los pronsticos
Resolu
zando la media sobre todos
p(x| x) cin
Diferencia entre la media de los datos observados
condicionados y la media de los datos observados
no condicionados, reali
los pronsticos
f) y p(
Refinamiento
Variabilidad de los pronsticos descritos mediante
la distribucin marginal de pronsticos
p(f)
Discriminacin 1
a media de los pronsticos
p(f |x) y p(x)
Correspondencia entre l
condicionados y los datos observados a los que
estn condicionados, realizando la media sobre
todos los datos observados
Discriminacin 2
e la media de los pronsticos
e todos los
p(f f)
Diferencia entr
condicionados y la media de los pronsticos no
condicionados, realizando la media sobr
datos observados
|x) y p(
Incertidumbre
Variabilidad de los valores de datos observados
descritos mediante la distribucin marginal de
datos observados
p(x)
Tabla 2.4.1. Descripcin d stico (A.H. Murphy, 1993)
- Anlisis de l nados a los pronsticos
[p(x|f)]: En p cretiza la distribucin de los valores de pronstico, para
naliza ondientes valores de
stic
corresponde con los atribut
e los 10 atributos que influyen en la calidad de un pron
a distribucin de datos observados condicio
rimer lugar se dis
luego a
los pron
r la distribucin de los datos observados corresp
os comprendidos en cada intervalo. El anlisis de esta distribucin se
os de Fiabilidad y Resolucin.
a los
Pgina 44


- Anlisis de la distribucinde pronsticos condicionados a los datos observados
[p(f|x)]: Primero se discretiza la distribucin de los datos observados, para luego
analizar la distribucin de los pronsticos correspondiente a los valores de los datos
observados comprendidos en cada intervalo. El anlisis de esta distribucin se
corresponde con el atributo de Discriminacin.
- Anlisis de la distribucin marginal de los pronsticos [p(f)]: El anlisis de esta
distribucin se corresponde con el atributo de Refinamiento.
Anlisis de la distribucin marginal de los datos observados [p(x)]: El anlisis de
esta distribucin se corresponde con el atributo de Incertidumbre.
-
diferenc n
p(x), por ejemplo,
ientada a distribuciones
n se denomina Diagnstico de
Por
mediante d
pronsticos
directo del p
2.4.3.3 VALOR
ios de los que dispone la persona que toma las decisiones para actuar en
El pronstico no se encuentra bajo el control del pronosticador, sino que est
influenciado por un conju
pronstico.
En funcin del tipo de distribucin de pronsticos y datos observados utilizado, se
ia dos mtodos de verificacin (Brooks y Doswell, 1996):
- Verificacin mediante una aproximacin orientada a medidas (measures-oriented
approach): Este tipo de verificacin utiliza medidas que tienen en cuenta las
distribuciones marginales de pronsticos p(f) y datos observados
Error Medio, Error Medio Absoluto, Brier Score, etc.
- Verificacin mediante una aproximacin or
(distributions-oriented approach). Este mtodo de verificacin utiliza grficos y
medidas que tienen en cuenta las distribuciones condicionadas de pronsticos p(f|x) y
datos observados p(x|f), por ejemplo, Diagramas de Fiabilidad, Diagramas de
Discriminacin, etc. Este tipo de verificacin tambi
Verificacin (Wilks, 2000).
tanto, los atributos que influyen en la calidad de un pronstico se deben cuantificar
iferentes medidas y grficos que evalan la correspondencia general entre los
y los datos observados. Por ello, la calidad de un pronstico no est bajo el control
ronosticador, ya que ste no puede influir sobre los datos observados.
La bondad de un pronstico, referida al valor del mismo, analiza los beneficios o prdidas
alcanzados por los individuos u organizaciones que usan los pronsticos como instrumento para la
toma de decisiones. El valor de un pronstico depende principalmente de cuatro aspectos
(A.H. Murphy, 1993):
- Los med
funcin del pronstico.
- La estructura econmica (gastos y beneficios) asociada al problema de la toma de
decisiones.
- La calidad de la informacin usada como base para la toma de decisiones en ausencia
de los pronsticos.
- La calidad de los pronsticos.
valor de un
nto de aspectos externos al mismo, as como por el nivel de calidad del
Pgina 45


2.4.4 LA CALIDAD DE UN PRONSTICO
Sesgo: Representa el grado de correspondencia entre el valor medio de los pronsticos
ATRIBUTOS QUE INFLUYEN EN
En el presente apartado se explican detalladamente las caractersticas de los atributos que
influyen en la calidad de un pronstico.
1)
( ) ( ) f y el valor medio de los datos observados x . Cuanta ms cercana a 0 sea la
iene una desviacin general hacia la sobreestimacin,
2) Aso re
diante la suma lineal de los errores, dando el mismo peso a errores
4)
5)
mismo valor de pronstico, entre el valor medio de los
diferencia entre ambos valores, mejor ser el pronstico, ya que los errores se
compensan hacia una distribucin conjunta de sesgo nulo. Si el sesgo es positivo,
indica que el pronstico t
mientras que si es negativo tiene una desviacin general hacia la subestimacin.
ciacin: Representa el peso general de la lacin lineal existente entre los
pronsticos y los datos observados. Cunto ms fuerte sea la relacin lineal entre los
parejas individuales de pronsticos y datos observados, mejor ser la calidad del
pronstico, ya que habr una mayor correspondencia entre los pronsticos y los datos
observados.
3) Precisin: Representa el grado medio de correspondencia existente entre las parejas
individuales de pronsticos y datos observados. Este atributo cuantifica el error
absoluto entre pronsticos y datos observados, sin tener en cuenta el sesgo o
compensacin entre errores positivos y negativos. La cuantificacin del error puede
realizarse me
grandes y pequeos, o mediante la suma de los errores cuadrticos que penaliza los
errores ms grandes. Cuanto mayor sea el valor de la suma de los errores, peor ser la
calidad del pronstico ya que la correspondencia entre pronsticos y datos observados
ser ms dbil.
Habilidad: Representa la precisin media de los pronsticos dados en el conjunto de
episodios considerados respecto de la precisin de los pronsticos dados por un mtodo
de referencia (recurrencia, persistencia, salida de un modelo de pronstico, etc.).
Fiabilidad: Representa el grado de correspondencia, sobre uno o ms subconjuntos de
datos de verificacin con el
datos observados incluidos en cada subconjunto y los respectivos pronsticos. Evala
la correspondencia entre el valor medio de los datos observados asociados a un valor
de pronstico determinado ( ) f x y dicho valor de pronstico (f ), hallando la media
sobre todos los pronsticos. El pronstico tendr una buena fiabilidad si existen
pequeas diferencias entre ( ) f x y (f ). Este aspecto responde a preguntas como: El
valor medio del caudal observado en los casos en los que el pronstico del mismo es 25
m
3
/s corresponde con dicho pronstico? La frecuencia relativa de ocurrencia de los
caudales, en aquellos casos en los que la probabilidad de pronstico del caudal es 0,4;
es igual a dicha probabilidad?
Resolucin: Representa la rencia existente entre el valor medio de los datos
observados condicionados a un valor de pronstico determinado
6) dife
( ) f x | y la media
general de los valores de los datos observados no condicionados ( ) x , hallando la
media sobre todos los pronsticos. Se espera que ( )
f x sea distinto para las diferentes
Pgina 46


probabilidades de pronstico ( ) f , as como tambin diferente al valor medio de los
datos observados ( ) x . Por tanto, son preferibles las diferencias grandes a las pequeas,
ya que estas ltimas indican que los diferentes pronsticos estn relacionados con
diferentes datos observados. La pregunta a la que responde este aspecto es: Cunto
difieren los valores medios de los datos observados correspondientes a pronsticos de
caudal de 25 y 50 m
3
/s entre ellos y con respecto a la media general de los datos
observados?
Refinamiento: Representa la magnitud que separa el valor de un pronstico individual
sobre el valor medio de todos los pronsticos. El atributo de refinamiento est
relacionado con la distribucin marginal de los pronsticos ( ) f p y puede ser
expresado tam
7)
bin como proximacin de las probabilidades de pronstico
8)
ado dato observado
el grado de a
a los valores de los pronsticos categricos: 0 y 1. Un pronstico tendr mejor
refinamiento si las probabilidades de pronstico cercanas a los valores de 0 y 1 se han
utilizado en la mayora de los casos.
Discriminacin: El atributo de Discriminacin 1 representa la magnitud de la
diferencia entre las frecuencias relativas de aparicin de las probabilidades de
pronstico dados diferentes datos observados, para ello se mide la correspondencia
entre el valor medio de los pronsticos para un determin ( )
x
f y el
dato observado (x). Este atributo permite evaluar la capacidad que tienen los
pronsticos para discriminar entre los datos observados.
Por su parte, el atributo de Discriminacin 2 se cuantifica en trminos de
probabilidad, mediante la diferencia entre la media de los pronsticos condicionados a
los datos observados ( ) x f | y la media de los pronsticos no condicionados ( ) f ,
hallando el valor medio sobre todos los datos observados. Una buena discriminacin
est representada por pequeas diferencias entre
x
f y x y por grandes diferencias
entre
x
f y f . Es decir, la discriminacin ser buena si cuando el suceso ocurre (x=1)
se han utilizado las probabilidades altas en la mayora de los casos y cuando el su o
no ocurre (x=0) se han utilizado, en la mayora de los casos, las probabilidades bajas.
La discriminacin ser mala cuando las distribuciones condicionadas p(f |x=1) y
|x=0 son similares.
Incertidumbre: Representa el grado de variabilidad de los datos observados,
asocindose al grado de dificultad del pronstico. Si los sucesos tienen gran
variabilidad en el conjunto de datos observados el pronstico tiene una gran
incertidumbre,
ces
p(f )
9)
sin embargo, en aquellos casos en los que uno o dos sucesos son
predominantes el pronstico tendr una pequea incertidumbre.
Fin
cuando los
almente, los atributos de refinamiento y resolucin se convierten en aspectos idnticos
pronsticos son completamente fiables ( f x
f
= para todo f ).

Pgina 47


Pgina 48

Captulo 3. Metodologa

Pgina 49

3 METODOLOGA
En el presente captulo se va a presentar un resumen de la metodologa aplicada para la
realizacin del pronstico probabilstico de avenidas en tiempo real.
En la mayora de los casos, un pronstico de avenidas en tiempo real se realiza a partir de
los datos de lluvia disponibles en el instante de realizacin del pronstico, ya sean datos de lluvia
registrados en los pluvimetros de la cuenca, mapas de lluvia distribuida espacialmente obtenidos
mediante radar, pronstico de lluvias de carcter determinstico o probabilstico, etc. A partir de los
datos de lluvia y dependiendo del tipo de datos disponibles se seleccionar un modelo hidrolgico
de lluvia-escorrenta para simular el comportamiento de la cuenca y obtener datos de caudal en
diferentes puntos de la cuenca.
El pronstico de caudales de avenida en tiempo real se puede realizar mediante tres
concepciones metodolgicas diferentes:
- Pronstico mediante calibracin en tiempo real: A partir de los datos de lluvia y
caudal registrados hasta el instante actual se intentan calibrar los parmetros de un
modelo hidrolgico lluvia-escorrenta, tratando de obtener una respuesta de la cuenca
hasta el instante actual lo ms parecida posible a los datos de caudal registrados.
Suponiendo que la cuenca seguir en el futuro el comportamiento calibrado, se intenta
pronosticar lo que va a ocurrir en el futuro ms cercano. La calibracin de los
parmetros se actualiza continuamente, segn se van obteniendo nuevos datos
observados.
- Pronstico por conjuntos (EPS): A partir de los datos de lluvia registrados hasta el
instante actual y los pronsticos de lluvia en el futuro se obtiene un conjunto de mapas
de lluvia diferentes entre s, mediante la obtencin de un conjunto de condiciones
iniciales con la realizacin de pequeas perturbaciones sobre el estado inicial estimado
a partir de las observaciones y los pronsticos disponibles. Cada uno de los mapas de
lluvia obtenidos se introduce como dato de entrada en un modelo hidrolgico de lluvia-
escorrenta. Del conjunto de resultados de caudal obtenidos, se obtienen las
probabilidades de ocurrencia del caudal como la frecuencia de aparicin de un caudal
determinado sobre el total de simulaciones realizadas. Los pronsticos por conjuntos
tienen como objetivo la cuantificacin de la importancia de las fuentes de
incertidumbre sobre el pronstico.
- Pronstico mediante un mtodo de aprendizaje basado en casos: A priori, antes de
que ocurra el episodio de avenida se simulan todas las posibles situaciones de lluvia
que se pueden dar en la cuenca. Cada uno de estos posibles episodios de lluvia se
introduce como dato de entrada en un modelo hidrolgico de lluvia-escorrenta,
obteniendo un conjunto de series temporales de caudal. En tiempo real, durante el
episodio de avenida y a partir de los datos de lluvia recopilados hasta el instante en que
se realiza el pronstico, se obtendr la probabilidad de ocurrencia del caudal en un
punto determinado de la cuenca. La probabilidad de ocurrencia quedar determinada
mediante la funcin de distribucin de probabilidad que mejor se ajusta a la
variabilidad del subconjunto de resultados de caudal que han sido generados a partir de
unos valores de lluvia similares a los registrados hasta el momento.

Pgina 50

El primer mtodo es el que se utiliza normalmente para realizar pronsticos de avenida en
tiempo real; sin embargo, no tiene en cuenta la incertidumbre tanto de las medidas, como del
modelo, dando como resultado un pronstico de tipo determinstico, que conlleva todas las
desventajas que ya se han comentado con anterioridad.
El pronstico de conjunto s que tiene en cuenta la incertidumbre en las medidas de la
lluvia, suministrando un pronstico de tipo probabilstico. Sin embargo, este pronstico tiene como
desventaja la limitacin de simulaciones a realizar en tiempo real. Si por ejemplo se obtienen 100
mapas de lluvia con perturbaciones sobre la lluvia inicial y se introducen en el modelo hidrolgico
de lluvia-escorrenta, considerando 5 conjuntos de parmetros diferentes para representar diferentes
comportamientos de respuesta de la cuenca, tendramos 100 x 5 =500 ejecuciones del modelo
hidrolgico. Este volumen de ejecuciones nos limitara la seleccin del modelo hidrolgico,
debiendo utilizar un modelo agregado, ya que es difcil que un modelo distribuido pueda realizar
500 simulaciones en tiempo real. Por tanto, este mtodo no permite aprovechar las ventajas que
ofrece la utilizacin de un modelo distribuido sobre un modelo agregado.
Finalmente, un pronstico de aprendizaje basado en casos deber generar un conjunto de
episodios sintticos de avenida, teniendo en cuenta todos los posibles eventos de lluvia que se
pueden dar en la cuenca, a la vez que los diferentes comportamientos hidrolgicos que puede tener
la misma, con el objeto de obtener un conjunto de hidrogramas sintticos representativo de los
posibles casos de avenida que pueden aparecer. La generacin de este conjunto de episodios
sintticos de avenida se realizar con anterioridad a la realizacin del pronstico. Por tanto, las
ventajas de utilizar un mtodo de aprendizaje basado en casos residen en que a la vez de considerar
la incertidumbre mediante la realizacin de un pronstico de tipo probabilstico, este mtodo no
tiene limitaciones de tiempo de computacin en cuanto al nmero de simulaciones a realizar, ni en
relacin a la seleccin del modelo hidrolgico a utilizar, ya que no existen las limitaciones de
tiempo de simulacin en tiempo real, al realizar todas las simulaciones a priori, antes de que ocurra
el episodio de avenidas.
Como conclusin, un mtodo de aprendizaje basado en casos, al tener menos restricciones
en cuanto al tiempo de computacin, permite la simulacin del comportamiento hidrolgico de la
cuenca mediante un modelo hidrolgico de tipo distribuido. La utilizacin de un modelo distribuido
permite realizar una simulacin ms realista del comportamiento hidrolgico de una cuenca, en
comparacin con las simulaciones suministradas por un modelo hidrolgico de tipo agregado. A su
vez, un mtodo de aprendizaje basado en casos permite la consideracin de la incertidumbre
asociada a todo pronstico, mediante la obtencin de pronsticos de tipo probabilstico. Por tanto,
en la presente tesis se ha construido un modelo probabilstico de pronstico de avenidas basado en
un mtodo de aprendizaje basado en casos.
A continuacin se presenta, en primer lugar, el esquema general de construccin del
modelo probabilstico, describiendo las herramientas seleccionadas para la realizacin de los
principales procesos que componen la metodologa. En segundo lugar, se presenta la descripcin de
un esquema ms detallado del proceso de realizacin de la metodologa. En tercer lugar, se
describe cmo se ha cuantificado la incertidumbre asociada al pronstico. Por ltimo, se describe
brevemente la cuenca seleccionada como cuenca de estudio para la aplicacin de la metodologa
propuesta.

Pgina 51

3.1. ESQUEMA GENERAL DE CONSTRUCCIN DEL MODELO
PROBABILSTICO DE PRONSTICO
El mtodo de aprendizaje basado en casos propuesto en la presente tesis debe, en primer
lugar, generar un conjunto de episodios sintticos de lluvia que cubra todas las posibles lluvias que
pueden darse en la cuenca analizada. En segundo lugar, debe simular los posibles comportamientos
hidrolgicos de respuesta de la cuenca mediante un modelo lluvia-escorrenta. Finalmente, debe
utilizar una herramienta para el anlisis de la gran cantidad de series temporales de caudal que se
obtienen como resultado del proceso, permitiendo la obtencin de las probabilidades de ocurrencia
de caudal a partir de unas condiciones iniciales en la cuenca determinadas.
En la Figura 3.1 se presentan los tres procesos principales de la metodologa propuesta,
determinando las herramientas de simulacin que se van a utilizar en cada caso.
SIMULACIN DEL PROCESO
LLUVIA-ESCORRENTIA
GENERACIN DE
EPISODIOS DE LLUVIA
ANLISIS PROBABILSTICO
DE LOS RESULTADOS
DE CAUDAL
Generador estocstico
de lluvia
Modelo hidrolgico
distribuido
Redes Bayesianas
SIMULACIN DEL PROCESO
LLUVIA-ESCORRENTIA
GENERACIN DE
EPISODIOS DE LLUVIA
ANLISIS PROBABILSTICO
DE LOS RESULTADOS
DE CAUDAL
Generador estocstico
de lluvia
Modelo hidrolgico
distribuido
Redes Bayesianas

Figura 3.1. Procesos y herramientas de la metodologa propuesta
La generacin de un conjunto de episodios sintticos de lluvia representativo de todos los
posibles eventos de lluvia que puedan aparecer en la cuenca, se va a realizar mediante un generador
estocstico de lluvia. Este tipo de modelo genera un episodio de lluvia a partir de una serie de
parmetros que definen el intervalo de tiempo de clculo, el tipo de lluvia, el orden de magnitud de
la intensidad mxima, etc. El generador estocstico de lluvia utilizado deber permitir la obtencin
de mapas de lluvia espacialmente distribuidos en cada intervalo de tiempo, ya que un mapa
distribuido presenta dos ventajas fundamentales sobre una lluvia media en la cuenca: Permite
definir una lluvia con una mayor aproximacin a una lluvia real y permite obtener diferentes
distribuciones espaciales de lluvia que equivalen a una misma lluvia media.
La simulacin del proceso lluvia-escorrenta en la cuenca deber realizarse a partir de los
episodios de lluvia generados con el generador estocstico de lluvia. Al tener los episodios
generados una distribucin espacial de la lluvia, se utilizar un modelo hidrolgico de lluvia-
escorrenta de tipo distribuido, para tener en cuenta la influencia que tienen diferentes
distribuciones espaciales de lluvia sobre la respuesta final de la cuenca y aprovechar las ventajas
que implica la utilizacin de un modelo hidrolgico distribuido sobre un modelo hidrolgico
agregado. La principal ventaja de la utilizacin de un modelo hidrolgico distribuido consiste en
que ste permite la simulacin de diferentes respuestas de la cuenca a partir de diferentes

Pgina 52

distribuciones espaciales de la lluvia que corresponden a una misma lluvia media y que en el caso
de utilizar un modelo agregado daran como resultado una nica respuesta de la cuenca.
Finalmente, el anlisis de los resultados del modelo hidrolgico distribuido se realizar
mediante redes Bayesianas. Existen diversas herramientas estadsticas y de procesamiento de datos
para realizar el anlisis de los resultados, pero se han elegido las redes Bayesianas por varias
razones: Permiten obtener las probabilidades de ocurrencia de un valor de caudal condicionadas a
los valores de la lluvia y las condiciones iniciales en la cuenca, permiten tener en cuenta la
incertidumbre inherente a cualquier pronstico mediante la determinacin de las probabilidades de
ocurrencia de caudal, son muy intuitivas, ya que permiten expresar las relaciones de dependencia
existentes entre las diferentes variables y son transparentes, ya que permiten conocer lo que ocurre
dentro de ellas.
A continuacin se describen con ms detalle cada una de las herramientas utilizadas para
realizar los diferentes pasos de la metodologa propuesta.
3.1.1 DESCRIPCIN DEL MODELO ESTOCSTICO DE GENERACIN DE LLUVIA
Los datos de lluvia normalmente se registran mediante pluvimetros situados a lo largo de
la cuenca, sin embargo, la determinacin de la distribucin espacial de la lluvia real a partir de
estos datos es incierta y normalmente bastante alejada de la realidad. Por una parte, los
pluvimetros realizan medidas puntuales de lluvia que en raras ocasiones son capaces de registrar
la mxima intensidad de una tormenta (Vaes et al., 2001). Por otra, la distribucin real de lluvia
tiene una variabilidad a pequea escala que no es captada por las medidas puntuales de
pluvimetros, obteniendo errores en las estimaciones de campos de lluvia realizados sobre la
totalidad de la cuenca (Lopez et al., 2005). Incluso una cuenca que dispusiera de una red densa de
pluvimetros no captara la variabilidad de la lluvia, ya que por ejemplo dos pluvimetros idnticos
distanciados 600 metros entre s registraran lluvias considerablemente diferentes durante el mismo
intervalo de tiempo, ya sea debido a la variabilidad de la lluvia a pequea escala o a los errores
cometidos por los propios pluvimetros (Krajewski et al., 2003).
La variabilidad temporal y espacial de la lluvia sobre la cuenca influye considerablemente
sobre la forma, duracin y pico del hidrograma de caudal, por lo que una buena caracterizacin de
la lluvia en el espacio y en el tiempo conlleva una mejora en los resultados de la modelizacin
hidrolgica (Chaubey et al., 1999) y de la gestin del agua en ltima estancia (De Lannoy, 2005).
La lluvia posee una gran variabilidad temporal, tanto a grandes escalas temporales (aos,
estaciones o meses), como a pequeas escalas (horas y minutos), que debe ser considerada ya que
una lluvia variable en el tiempo produce hidrogramas con puntas ms acentuadas que una lluvia
constante.
La variabilidad espacial de la lluvia depende del tipo de lluvia que se ha producido:
convectiva, orogrfica, frontal, etc. La variabilidad espacial de la lluvia ha sido menos estudiada
que la variabilidad temporal, debido a la falta de datos, pero no por ello es menos determinante en
la respuesta de cuenca, ya que una tormenta movindose en la misma direccin del flujo de drenaje
provoca mayores puntas en el hidrograma que una tormenta que se mueve en direccin opuesta.
Los mapas de lluvia generados a partir de medidas de pluvimetros permiten considerar la
variabilidad temporal de la lluvia, pero sin embargo, no consiguen captar correctamente la
variabilidad espacial de la misma. Los mapas de lluvia registrados mediante radar captan su

Pgina 53

variabilidad espacial y temporal y permiten mejorar considerablemente los hidrogramas resultantes
(Lopez et al., 2005). Sin embargo, muchas cuencas no disponen todava de estos datos de lluvia por
radar. En estos casos los modelos estocsticos de generacin de lluvia resultan muy tiles para
reproducir la variabilidad de los campos de lluvia (Bouvier et al., 2003; Wjcik y Buishand, 2003;
Molnar y Burlando, 2005) y necesarios para obtener series de lluvia espacial suficientemente largas
para ser usadas en estudios hidrolgicos (De Lannoy et al., 2005).
Por tanto, la utilizacin de un modelo estocstico de generacin de lluvia produce una
mejor caracterizacin de la distribucin espacial de la lluvia, respecto a la obtenida a partir de una
generacin de datos de lluvia en pluvimetros.
La generacin de los episodios de lluvia distribuida se va a realizar con la herramienta
SIMTORM (Villalba, 2000), un modelo de generacin estocstica de lluvia, implementado dentro
del Departamento de Ingeniera Civil: Hidrulica y Energtica de la UPM y que bajo reducidas
modificaciones tendr un formato de los datos de salida que se adapten correctamente a las
necesidades de la presente tesis. A continuacin se presentan las caractersticas del modelo y las
mejoras que necesita para cumplir los objetivos propuestos.
3.1.1.1 DESCRIPCIN DEL MODELO SIMTORM DE GENERACIN ESTOCSTICA
DE LLUVIA
En cuencas de tamao pequeo y mediano, un pronstico de avenidas en tiempo real
normalmente utiliza unos datos de lluvia a intervalos de tiempo inferiores a 1 hora. Los modelos
estocsticos de generacin de lluvia con una resolucin temporal inferior a 1 da se pueden
clasificar en dos grupos (Wjcik y Buishand, 2003):
a) Modelos basados en pulsaciones (pulse-based): Estos modelos determinan el
instante de creacin de una nueva celda mediante un proceso de Poisson. Cada celda es
caracterizada por un pulso de duracin e intensidad aleatorias. La intensidad total de
lluvia en cualquier punto de la cuenca y en cualquier intervalo de tiempo se calcula
como la suma de las intensidades de todas las celdas de lluvia activas en dicho punto
en el instante de tiempo considerado.
b) Modelos basados en perfiles (profile-based). La tormenta se simula a partir de las
distribuciones de probabilidad de la duracin de la tormenta y del tiempo que pasa
entre la llegada de dos tormentas consecutivas y las distribuciones condicionadas de la
intensidad total o media conocida la duracin de la tormenta. La intensidad total se
desagrega dentro del intervalo de tiempo considerado.
Para generar los episodios de lluvia sintticos que consideren la variabilidad espacial de la
misma se ha utilizado el modelo SIMTORM, que consiste en un modelo de realidad artificial del
tipo pulse-based. La lluvia es generada mediante un conjunto de celdas generadas aleatoriamente
mediante un proceso espacial de Poisson de densidad r celdas/km
2
con una distribucin
exponencial en el tiempo de parmetro b celdas/km
2
, a partir de la situacin meteorolgica general.
El movimiento general se determina mediante un campo de velocidades de la tormenta
(desplazamiento, rotacin, divergencia, etc.) al que se aade aleatoriedad mediante la adicin de un
movimiento de tipo browniano. La irregularidad de la intensidad generada por las celdas se
consigue mediante la adicin de un ruido sin correlacin de distribucin normal o uniforme (ruido
blanco).

Pgina 54

El modelo de generacin de precipitacin estar formado por una o varias entidades que
describen la situacin meteorolgica general (rea grande de mesoscala) y un conjunto de entidades
que generan lluvia (generadores de lluvia).
La tormenta est compuesta por una coleccin de entidades generadoras de lluvia, creadas
aleatoriamente, que siguen unas ecuaciones locales de evolucin. Cada intervalo de tiempo se
aplica un vector de avance (u, v, ) sobre dichas entidades para actualizar su posicin.
Las entidades generadoras de lluvia deben tener variantes en los que se introduzca
irregularidad y aleatoriedad, en dos vertientes:
- En su movimiento, mediante un movimiento browniano aadido al del marco general
de la tormenta.
- En la intensidad de lluvia, mediante la adicin de un ruido sin correlacin de
distribucin normal o uniforme (ruido blanco).
Ambos ruidos se describen mediante la media y la varianza del proceso.
Las caractersticas de las celdas generadas se determinarn mediante una serie de
parmetros:
- Duracin tormenta (h): Duracin total del episodio sinttico de lluvia, a partir de la
cual no se crearn ms celdas nuevas.
- Tasa de celdas / km
2
: Parmetro que determinan el nmero medio de celdas que se
crea por unidad de superficie.
- Tasa de celdas / h: Parmetro que determinan el nmero medio de celdas que se crean
en cada intervalo de clculo.
- Intervalo de muestreo de datos (h): Duracin del intervalo de clculo.
- Intensidad de Celda (mm / intervalo de clculo): Indica el valor mximo que puede
tomar la intensidad de lluvia de una nueva celda creada.
- Duracin Celda (h): Indica la duracin media o tiempo de vida medio de las nuevas
celdas creadas.
- Intensidad de base (mm): Intensidad de lluvia que se aplicar aleatoriamente a los
puntos que no caigan dentro de una celda.
- Distribucin de lluvia espacial: Permite seleccionar el tipo de funcin que determina
la intensidad de lluvia en un punto (x,y) localizado en el interior de una celda, a partir
de la intensidad mxima en el centro de dicha celda.
- Distribucin de lluvia temporal: Permite seleccionar el tipo de funcin que determina
la variacin de la intensidad mxima de la celda en funcin del paso del tiempo.
- Tamao de celda (km): Determina el tamao caracterstico del semieje mayor de las
celdas.
En el Anejo 1 se ha incluido una descripcin ms detallada del modelo SimTorm.

Pgina 55

3.1.1.2 MEJORAS REQUERIDAS POR EL MODELO SIMTORM PARA LA
REALIZACIN DE LA TESIS
El modelo SIMTORM requiere una serie de mejoras para facilitar su utilizacin en la
presente tesis:
- Generacin de ficheros de salida que contengan la distribucin espacial de la
lluvia mediante una matriz de valores de lluvia: El modelo SIMTORM permite la
posibilidad de visualizar en pantalla la distribucin en forma de malla de las
intensidades de lluvia en cada instante de tiempo. Sin embargo, no permite guardar
estas mallas en forma de ficheros de salida. Por tanto, se ha incluido dentro del modelo
SIMTORM una opcin que permite guardar la distribucin espacial de la lluvia en cada
intervalo de tiempo en forma de fichero de salida, para a su vez permitir la posterior
introduccin de la lluvia como dato de entrada en el modelo hidrolgico distribuido.
Se ha incluido una opcin que permite elegir la forma de los ficheros de salida de entre
3 formatos diferentes: formato ArcView de texto, formato RIBS de texto y formato
SAIH de lluvia de pluvimetros a partir de la determinacin de las coordenadas de
localizacin de los pluvimetros.
- Ancho de malla: El modelo utiliza por defecto un ancho de malla de la distribucin
espacial de la lluvia igual a 10 km, adecuado para cuencas de gran magnitud, por
ejemplo, la cuenca global del ro J car. Sin embargo, este valor resulta demasiado
elevado para una cuenca media de menor tamao, en torno a los 1000 km
2
. Por tanto,
se ha incluido en el modelo una opcin que permite la determinacin de la resolucin
de la lluvia generada, mediante la introduccin del valor del ancho de malla de las
celdas que componen la distribucin espacial de la lluvia.
- Modificacin del Ruido: El modelo SIMTORM aplica un ruido sobre los mapas de
lluvia, es decir, una distorsin sobre los valores de intensidad de lluvia calculados a
partir de las funciones de distribucin de la lluvia en el espacio y en el tiempo, con el
objeto de obtener unos resultados de lluvia espacial ms cercanos a la realidad. El ruido
se determina a partir de una funcin aleatoria que sigue una distribucin normal,
definida por la media y la desviacin tpica. Con los valores de la media y la desviacin
tpica utilizados en el modelo, se obtienen como resultado intensidades de lluvia muy
altas en las cercanas del contorno de la celda, casi iguales a la intensidad mxima. Este
efecto provoca la aparicin de una lluvia lejana a la realidad, por lo que se ha realizado
una modificacin de estos parmetros para obtener una lluvia ms real.
- Simulacin repetitiva del modelo: El modelo SIMTORM permite la ejecucin de un
solo episodio de lluvia, ya que tras la finalizacin de la simulacin se debe definir la
ruta en la que se va a guardar el fichero resumen del episodio. Sin embargo, la
realizacin de la tesis requiere la simulacin de un gran nmero de episodios, en torno
a 1000, por lo que resulta imposible ejecutar el modelo episodio a episodio. Por tanto,
se ha adaptado el modelo a la posibilidad de una simulacin continuada de episodios
sintticos de lluvia con unos valores de los parmetros diferentes en cada episodio,
guardando cada episodio generado en un directorio diferente y cada distribucin
espacial de lluvia de cada intervalo de tiempo en un fichero diferente dentro de dicho
directorio.

Pgina 56

3.1.2 DESCRIPCIN DEL MODELO HIDROLGICO DE LLUVIA-ESCORRENTA
Como ya se ha comentado en el Apartado 2.2.3, la actual capacidad de computacin de los
ordenadores permite la utilizacin de modelos distribuidos bajo tiempos de clculo relativamente
pequeos, aprovechando la ventaja que tienen sobre los modelos agregados, en relacin a la
posibilidad de consideracin de la heterogeneidad de la cuenca mediante la variabilidad espacial de
la lluvia y de los proceso hidrolgicos que ocurren en la misma. Por ello, la simulacin del proceso
de lluvia-escorrenta dentro de la cuenca se va a realizar con un modelo hidrolgico distribuido.
Dentro de los modelos hidrolgicos distribuidos existen dos opciones: Utilizar un modelo
conceptual o un modelo fsicamente basado. En el Apartado 2.2.4 se describen las desventajas que
tiene un modelo fsicamente basado a la hora de determinar los valores de los parmetros, ya que
en muchos casos requieren medidas de campo de las caractersticas fsicas de la cuenca. La
presente tesis no tiene la capacidad de abordar las mediciones de campo necesarias para la
utilizacin de un modelo de este tipo, por lo que solucin pasara por realizar la calibracin del
modelo como si fuera un modelo conceptual. En este caso el proceso de calibracin resulta mucho
ms complicado y requiere mucho ms tiempo en relacin a un modelo de tipo conceptual, ya que
el nmero de parmetros de un modelo fsicamente basado es mucho mayor que el de un modelo
conceptual. Por tanto, a pesar de que un modelo conceptual no describe con exactitud los procesos
fsicos que ocurren en la cuenca, sino que utiliza abstracciones y parmetros que no tienen una
relacin directa con los procesos fsicos, se ha optado por la utilizacin de este tipo de modelos ya
que produce simulaciones de la cuenca igual de buenas que los modelos fsicamente basados si se
realiza correctamente el proceso de calibracin, teniendo a su vez las ventajas de una mayor
facilidad de calibracin.
En la actualidad existen numerosos modelos hidrolgicos distribuidos de tipo conceptual.
De entre todos ellos se ha utilizado el modelo RIBS (Garrote y Bras, 1995a y b), ya que es un
modelo del que se tiene un gran conocimiento dentro del Departamento de Ingeniera Civil:
Hidrulica y Energtica, dando resultados satisfactorios en las diversas ocasiones en las que se ha
utilizado.
A continuacin se describen las caractersticas del modelo RIBS y las mejoras que han sido
introducidas para la realizacin de la presente tesis.
3.1.2.1 DESCRIPCIN DEL MODELO HIDROLGICO DISTRIBUIDO RIBS
El modelo RIBS es un modelo hidrolgico de lluvia-escorrenta de tipo distribuido que
permite la simulacin de la respuesta de la cuenca ante un episodio de lluvia espacialmente
distribuido. Este modelo fue concebido para su aplicacin en tiempo real en cuencas de tamao
mediano. El modelo sigue la estructura de la cuadrcula de un modelo digital del terreno en forma
matricial. Los datos se almacenan en capas de informacin de tipo rster, que se combinan para
obtener los parmetros de clculo del modelo.
El modelo RIBS est compuesto fundamentalmente por dos mdulos:
a) Mdulo de generacin de escorrenta: Cuyo objetivo consiste en obtener la
distribucin espacial de la capacidad de infiltracin de la cuenca, para representar la
evolucin de la superficie saturada al tamao de cada celda. La saturacin se desarrolla
fundamentalmente en dos zonas:

Pgina 57

- En las zonas donde la intensidad de precipitacin excede la capacidad de
infiltracin del terreno. Se considera que el suelo es anistropo y se puede
representar adecuadamente mediante la parametrizacin de Brooks-Corey. Se
supone que el frente de humedad produce una discontinuidad brusca en el terreno,
separando dos reas con distinto contenido de humedad: En la zona superior se
encuentra la onda de humedad de la tormenta, mientras que en la inferior se
mantiene la humedad inicial del suelo. La escorrenta superficial se producir
cuando el valor de la intensidad de lluvia supere el de la capacidad de infiltracin
del terreno o bien cuando el suelo est totalmente saturado.
- En las inmediaciones de las corrientes de agua y en las zonas de convergencia del
flujo sub-superficial, considerando dos tipos de transferencia lateral de humedad
entre elementos:
Flujo local o flujo que resulta del modelo cinemtico de infiltracin para
un terreno homogneo y uniforme.
Flujo de interaccin o flujo lateral que resulta de los gradientes de
humedad que se establecen entre elementos heterogneos en condiciones
diferentes.
b) Mdulo de propagacin de escorrenta: Cuyo objetivo es simular el recorrido de la
escorrenta por la cuenca. Se considera que la longitud de recorrido de la escorrenta
est formada por un recorrido por la ladera y un recorrido por el cauce de ros. Por
tanto, para obtener el tiempo de viaje total se deben definir las velocidades de recorrido
en la ladera y en el cauce.
En el Anejo 2 se ha incluido una descripcin detallada del funcionamiento del modelo
RIBS.
3.1.2.2 MEJORAS REQUERIDAS POR EL MODELO RIBS PARA LA REALIZACIN
DE LA TESIS
El modelo RIBS requiere una serie de mejoras para permitir su utilizacin en la presente
tesis:
- Mdulo de generacin de los ficheros que describen la geomorfologa de la cuenca.
El modelo RIBS necesita la creacin de una serie de ficheros en formato rster binario,
para definir las caractersticas geomtricas y edafolgicas de la cuenca. Estos ficheros
no dependen del episodio simulado, sino que son caractersticos de la cuenca que se
est estudiando. El modelo RIBS contiene una serie de funciones que permiten el paso
de ficheros en formato rster de texto a formato rster binario. Sin embargo, los
archivos que definen las caractersticas de la cuenca normalmente se obtienen en
formato de texto de ArcView. En este caso resulta muy tediosa la transformacin de
estos ficheros, primero a ficheros rster de texto de RIBS y finalmente a ficheros en
formato rster binario. Por tanto, para reducir el tiempo de implementacin del modelo
en una cuenca determinada, se ha desarrollado una metodologa de creacin rpida y
sencilla de todos los ficheros binarios, a partir de los ficheros en formato de texto de
ArcView que definen el modelo digital del terreno y los usos del suelo en la cuenca.

Pgina 58

- Transformacin de archivos entre formatos ArcView y RIBS. El modelo RIBS
utiliza un formato de archivos de texto distinto al formato ASCII de ArcView. Sin
embargo, resulta muy til el intercambio de informacin entre ambos programas. Por
tanto, se ha creado una funcin que facilita la transferencia de datos entre los
programas ArcView y RIBS.
- Modo de simulacin repetitiva. Al igual que ocurre con el modelo SIMTORM, la
presente tesis requiere la ejecucin de numerosas simulaciones del modelo RIBS. El
modelo RIBS permite la realizacin de una nica ejecucin, a partir de la
determinacin de los parmetros del modelo. El gran nmero de simulaciones a realizar
no se puede realizar episodio por episodio, por lo que se ha creado una extensin al
programa que permite la ejecucin continuada del modelo, variando en cada ejecucin
tanto el episodio de lluvia que se toma como dato inicial como los parmetros de
entrada al modelo. A su vez, esta extensin permite guardar adecuadamente en ficheros
los resultados del modelo, tanto hidrogramas de caudal en puntos determinados de la
cuenca, como condiciones de la cuenca de generacin de escorrenta, estado de
humedad, etc.
- Mdulo de simulacin de la laminacin en embalses. El modelo RIBS no permite la
inclusin de embalses en la simulacin de la cuenca, por lo que no se puede tener en
cuenta el efecto laminador de los mismos, ignorando la gran influencia que provoca la
existencia de un embalse sobre los hidrogramas de caudal finalmente obtenidos en un
punto aguas abajo del mismo. Por tanto, con el objeto de realizar una correcta
simulacin de una avenida en una cuenca en rgimen alterado, se ha implementado una
extensin al modelo RIBS que permita simular el proceso de laminacin de los
embalses.
3.2. ESQUEMA DETALLADO DE LOS PROCESOS QUE COMPONEN
LA CONSTRUCCIN DEL MODELO PROBABILSTICO DE
PRONSTICO
En este apartado se va a realizar una descripcin detallada de los procesos que componen la
creacin del pronstico probabilstico de avenidas. En la Figura 3.2 se presenta un esquema de los
procesos requeridos. A continuacin se detallan brevemente cada uno de ellos.
1) Generacin de los episodios sintticos de lluvia: Este proceso consiste en la
generacin de dos conjuntos de episodios sintticos de lluvia, uno para realizar el
proceso de aprendizaje del modelo de pronstico y otro para realizar el proceso de
verificacin. Cada conjunto cubre todos los posibles eventos de lluvia que se pueden
dar en la cuenca. La generacin se ha realizado mediante el modelo estocstico de
generador de lluvia SIMTORM, que ha sido calibrado a partir de los datos de lluvia
registrados en la cuenca de estudio.
2) Generacin de las series temporales de escorrenta: A partir de los dos conjuntos de
episodios sintticos de lluvia, se ha realizado la simulacin del comportamiento
hidrolgico de la cuenca en cada uno de los episodios, mediante la utilizacin del
modelo hidrolgico distribuido RIBS. El modelo RIBS ha sido calibrado en la cuenca
de estudio a partir de los datos de lluvia y caudal registrados en la misma. La

Pgina 59

calibracin del modelo RIBS da como resultado la distribucin de probabilidad que
mejor representa la variabilidad de los valores de cada parmetro, en vez de valores
fijos para cada parmetro. De esta forma, el modelo es capaz de simular los diferentes
tipos de comportamiento que puede presentar la cuenca ante un episodio de lluvia. Las
series temporales de escorrenta obtenidas equivalen a una simulacin de la cuenca en
rgimen natural, sin considerar el efecto laminador de los embalses.
DATOS
OBSERVADOS
EPISODIOS
SINTTICOS DE LLUVIA
SERIES SINTTICAS
DE ESCORRENTA
SERIES SINTTICAS
DE CAUDAL
Modelo
SIMTORM
Modelo
RIBS
Modelo de
embalses
NO
CALIBRACION CALIBRACION
Estructuras
de Redes
Bayesianas
VERIFICACIN
DE LA CALIDAD
DEL PRONSTICO
CUMPLE LOS
CRITERIOS
DE CALIDAD?
MODELO DE
PRONSTICO
DE AVENIDAS
S
SIMULADOR DE
EPISODIOS
SINTTICOS
DE LLUVIA
SIMULADOR DE
EPISODIOS
SINTTICOS DE
ESCORRENTA
SIMULADOR DE
LAMINACIN
EN EMBALSES
ANLISIS DE
DEPENDENCIA
ENTRE
VARIABLES
APRENDIZAJE
DE REDES
BAYESIANAS
EPISODIOS
SINTTICOS
DE AVENIDA
MODELO
DE REDES
BAYESIANAS
DATOS
OBSERVADOS
EPISODIOS
SINTTICOS DE LLUVIA
SERIES SINTTICAS
DE ESCORRENTA
SERIES SINTTICAS
DE CAUDAL
Modelo
SIMTORM
Modelo
RIBS
Modelo de
embalses
NO
Estructuras
de Redes
Bayesianas
VERIFICACIN
DE LA CALIDAD
DEL PRONSTICO
CUMPLE LOS
CRITERIOS
DE CALIDAD?
MODELO DE
PRONSTICO
DE AVENIDAS
S
SIMULADOR DE
EPISODIOS
SINTTICOS
DE LLUVIA
SIMULADOR DE
EPISODIOS
SINTTICOS DE
ESCORRENTA
SIMULADOR DE
LAMINACIN
EN EMBALSES
ANLISIS DE
DEPENDENCIA
ENTRE
VARIABLES
APRENDIZAJE
DE REDES
BAYESIANAS
EPISODIOS
SINTTICOS
DE AVENIDA
MODELO
DE REDES
BAYESIANAS
G
E
N
E
R
A
C
I
N

D
E

C
A
S
O
S
P
O
R

S
I
M
U
L
A
C
I
N
C
O
N
S
T
R
U
C
C
I
N

Y

A
P
R
E
N
D
I
Z
A
J
E
D
E

R
E
D
E
S

B
A
Y
E
S
I
A
N
A
S
DATOS
OBSERVADOS
EPISODIOS
SINTTICOS DE LLUVIA
SERIES SINTTICAS
DE ESCORRENTA
SERIES SINTTICAS
DE CAUDAL
Modelo
SIMTORM
Modelo
RIBS
Modelo de
embalses
NO
Estructuras
de Redes
Bayesianas
VERIFICACIN
DE LA CALIDAD
DEL PRONSTICO
CUMPLE LOS
CRITERIOS
DE CALIDAD?
MODELO DE
PRONSTICO
DE AVENIDAS
S
SIMULADOR DE
EPISODIOS
SINTTICOS
DE LLUVIA
SIMULADOR DE
EPISODIOS
SINTTICOS DE
ESCORRENTA
SIMULADOR DE
LAMINACIN
EN EMBALSES
ANLISIS DE
DEPENDENCIA
ENTRE
VARIABLES
APRENDIZAJE
DE REDES
BAYESIANAS
EPISODIOS
SINTTICOS
DE AVENIDA
MODELO
DE REDES
BAYESIANAS
DATOS
OBSERVADOS
EPISODIOS
SINTTICOS DE LLUVIA
SERIES SINTTICAS
DE ESCORRENTA
SERIES SINTTICAS
DE CAUDAL
Modelo
SIMTORM
Modelo
RIBS
Modelo de
embalses
NO
Estructuras
de Redes
Bayesianas
VERIFICACIN
DE LA CALIDAD
DEL PRONSTICO
CUMPLE LOS
CRITERIOS
DE CALIDAD?
MODELO DE
PRONSTICO
DE AVENIDAS
S
SIMULADOR DE
EPISODIOS
SINTTICOS
DE LLUVIA
SIMULADOR DE
EPISODIOS
SINTTICOS DE
ESCORRENTA
SIMULADOR DE
LAMINACIN
EN EMBALSES
ANLISIS DE
DEPENDENCIA
ENTRE
VARIABLES
APRENDIZAJE
DE REDES
BAYESIANAS
EPISODIOS
SINTTICOS
DE AVENIDA
MODELO
DE REDES
BAYESIANAS
G
E
N
E
R
A
C
I
N

D
E

C
A
S
O
S
P
O
R

S
I
M
U
L
A
C
I
N
C
O
N
S
T
R
U
C
C
I
N

Y

A
P
R
E
N
D
I
Z
A
J
E
D
E

R
E
D
E
S

B
A
Y
E
S
I
A
N
A
S
DATOS
OBSERVADOS
EPISODIOS
SINTTICOS DE LLUVIA
SERIES SINTTICAS
DE ESCORRENTA
SERIES SINTTICAS
DE CAUDAL
Modelo
SIMTORM
Modelo
RIBS
Modelo de
embalses
NO
Estructuras
de Redes
Bayesianas
VERIFICACIN
DE LA CALIDAD
DEL PRONSTICO
CUMPLE LOS
CRITERIOS
DE CALIDAD?
MODELO DE
PRONSTICO
DE AVENIDAS
S
SIMULADOR DE
EPISODIOS
SINTTICOS
DE LLUVIA
SIMULADOR DE
EPISODIOS
SINTTICOS DE
ESCORRENTA
SIMULADOR DE
LAMINACIN
EN EMBALSES
ANLISIS DE
DEPENDENCIA
ENTRE
VARIABLES
APRENDIZAJE
DE REDES
BAYESIANAS
EPISODIOS
SINTTICOS
DE AVENIDA
MODELO
DE REDES
BAYESIANAS
DATOS
OBSERVADOS
EPISODIOS
SINTTICOS DE LLUVIA
SERIES SINTTICAS
DE ESCORRENTA
SERIES SINTTICAS
DE CAUDAL
Modelo
SIMTORM
Modelo
RIBS
Modelo de
embalses
NO
Estructuras
de Redes
Bayesianas
VERIFICACIN
DE LA CALIDAD
DEL PRONSTICO
CUMPLE LOS
CRITERIOS
DE CALIDAD?
MODELO DE
PRONSTICO
DE AVENIDAS
S
SIMULADOR DE
EPISODIOS
SINTTICOS
DE LLUVIA
SIMULADOR DE
EPISODIOS
SINTTICOS DE
ESCORRENTA
SIMULADOR DE
LAMINACIN
EN EMBALSES
ANLISIS DE
DEPENDENCIA
ENTRE
VARIABLES
APRENDIZAJE
DE REDES
BAYESIANAS
EPISODIOS
SINTTICOS
DE AVENIDA
MODELO
DE REDES
BAYESIANAS
G
E
N
E
R
A
C
I
N

D
E

C
A
S
O
S
P
O
R

S
I
M
U
L
A
C
I
N
C
O
N
S
T
R
U
C
C
I
N

Y

A
P
R
E
N
D
I
Z
A
J
E
D
E

R
E
D
E
S

B
A
Y
E
S
I
A
N
A
S

Figura 3.2. Esquema metodolgico de los procesos que componen la creacin del modelo probabilstico de
pronstico de avenidas

Pgina 60

3) Generacin de las series temporales de caudal: Las series temporales de escorrenta
en rgimen natural han sido transformadas en hidrogramas de caudal en rgimen
alterado, mediante la utilizacin del mdulo de embalses implementado para realizar la
presente tesis. Los hidrogramas resultantes tienen en cuenta el efecto laminador de los
embalses, mediante la definicin de diferentes estrategias de operacin de los rganos
de desage.
4) Formulacin del esquema de dependencias entre variables: A partir del primer
conjunto de variables generado para ser utilizado en el proceso de aprendizaje y
formado por los datos sintticos de lluvia, las condiciones iniciales de humedad en la
cuenca, las variables de salida del modelo de RIBS en cuanto a tasa de generacin de
escorrenta, cantidad de humedad, etc. y los hidrogramas de caudal en rgimen
alterado, se ha realizado un anlisis de dependencia entre todas las variables. Este
anlisis consiste en la cuantificacin de los diferentes tipos de dependencia y ha dado
como resultado la identificacin de las relaciones causales existentes entre las
variables.
5) Aprendizaje estructural de las redes Bayesianas: A partir de la identificacin de las
relaciones causales entre variables, se han determinado las estructuras de redes
Bayesianas que mejor describen el comportamiento de cada uno de los procesos
hidrolgicos que se dan en la cuenca. Como resultado de este proceso, se han
determinado las estructuras topolgicas de nodos y arcos que representan las variables
ms importantes que influyen en cada uno de los procesos y las relaciones de
dependencia causal que existen entre las mismas.
6) Aprendizaje paramtrico de las redes Bayesianas: Una vez obtenidas las estructuras
topolgicas de cada red Bayesiana, se han obtenido los parmetros o distribuciones de
probabilidades condicionadas entre variables que permiten representar cada uno de los
arcos que componen las estructuras de redes Bayesianas utilizadas. Estos parmetros
permiten obtener las probabilidades de ocurrencia de cualquiera de las variables que
componen la red, por ejemplo el caudal, a partir de las observaciones o estimaciones
del resto de variables que componen la red. El aprendizaje paramtrico se ha realizado
a partir del primer conjunto de episodios sintticos de avenida.
7) Verificacin de la calidad del pronstico probabilstico: Finalmente, se ha
cuantificado la calidad de los pronsticos probabilsticos de ocurrencia de caudal,
condicionadas a los datos iniciales, mediante la aplicacin del modelo de pronstico
aprendido sobre el segundo conjunto de datos sintticos, generados para ser aplicados
en el proceso de verificacin. Se ha aplicado la metodologa de verificacin de
pronsticos probabilsticos, desarrollada en la presente tesis, sobre los resultados
probabilsticos obtenidos de la aplicacin de las redes Bayesianas sobre el segundo
conjunto de datos. La metodologa de verificacin ha permitido obtener los valores de
calidad de cada uno de los atributos que influyen en la calidad del pronstico, as como
el valor de la calidad global del pronstico y la determinacin de su capacidad de
aplicacin en la toma de decisiones en una situacin real de avenida. Una vez que el
proceso de verificacin ha dado como resultado una calidad suficiente del pronstico,
se han obtenido las estructuras topolgicas de redes Bayesianas y los parmetros que

Pgina 61

permiten representar los arcos de las mismas, que han conformado el modelo
probabilstico de pronstico final.
Como resultado del proceso se ha obtenido un modelo probabilstico de pronstico de
avenidas que es capaz de determinar la probabilidad de ocurrencia de los diferentes valores del
caudal en diferentes puntos de la cuenca, a partir de las condiciones iniciales de humedad de la
cuenca y los datos de lluvia registrados en los intervalos de tiempo inmediatamente anteriores.
3.3. CUANTIFICACIN DE LA INCERTIDUMBRE ASOCIADA AL
PRONSTICO
La principal ventaja que ofrece un pronstico probabilstico sobre otro de carcter
determinstico, reside en la posibilidad de cuantificar la incertidumbre asociada al pronstico,
permitiendo realizar la posterior toma de decisiones en funcin del riesgo asumido. Por tanto,
resultar de gran utilidad la cuantificacin de la incertidumbre asociada al modelo probabilstico de
pronstico generado.
Las distintas incertidumbres derivadas de la simulacin de un sistema complejo como es el
caso de un sistema hidrolgico se pueden clasificar en dos tipos: Aleatorias y epistmicas. La
incertidumbre aleatoria, o tambin llamada variabilidad, representa la variabilidad natural de un
sistema en el espacio o en el tiempo. La incertidumbre epistmica, tambin llamada ignorancia,
representa el conocimiento incompleto del sistema y est relacionada con la capacidad que tenemos
para comprender, medir y describir el sistema (Ferson y Ginzburg, 1996; Apel et al., 2005).
Dentro del pronstico probabilsticos de avenidas creado en la presente tesis, se pueden
identificar las incertidumbres asociadas a cada uno de los procesos que lo componen (Tabla 3.1).
En principio, la incertidumbre aleatoria de los procesos no se puede cuantificar, ya que esta
aleatoriedad es intrnseca y desconocida. Sin embargo, la incertidumbre epistmica, asociada al
conocimiento incorrecto de los procesos, s que puede ser cuantificada.
Un pronstico de avenidas en tiempo real se realiza normalmente a partir de los datos de
lluvia medidos en la cuenca hasta el momento, junto con los pronsticos de lluvia para los
intervalos de tiempo futuros. Los datos de lluvia medidos en la cuenca tienen asociada como
principal medida de incertidumbre los errores cometidos en las medidas. Esta incertidumbre no
influye en la creacin del modelo de pronstico, ya que puede ser cuantificada fcilmente a
posteriori, asignando una funcin de distribucin de probabilidad normal a la medida de la lluvia,
tomando como valor medio de la funcin el valor de lluvia medido. Esta incertidumbre puede ser
introducida en el modelo de pronstico probabilstico mediante la introduccin de una distribucin
de probabilidad de la lluvia, ya que una red Bayesiana permite la consideracin probabilstica de
cualquier nodo de la red. La segunda fuente de incertidumbre en la medida de la lluvia es la
determinacin de la distribucin espacial de la lluvia a partir de pluvimetros, ya que los
pluvimetros normalmente no son capaces de recoger la variabilidad espacial de la lluvia en la
cuenca. El pronstico probabilstico de avenidas generado en la presente tesis ha incluido la
cuantificacin de esta incertidumbre, mediante la consideracin de diferentes distribuciones
espaciales de la lluvia a partir de unos mismos registros en pluvimetros o un mismo valor de la
lluvia media en la cuenca, a travs de la utilizacin de un modelo de generacin estocstica de
episodios de lluvia espacialmente distribuidos.

Pgina 62

El pronstico de avenidas creado puede utilizar tambin los resultados de un pronstico de
lluvia en el futuro, tanto determinstico como probabilstico. La incertidumbre asociada a la
incorrecta determinacin de las condiciones atmosfricas y a la variabilidad de respuesta de la
atmsfera, no pueden ser consideradas en un estudio hidrolgico, ya que es objeto del campo de la
meteorologa. Sin embargo, el error asociado a la determinacin del pronstico s que puede ser
cuantificado fcilmente a posteriori. Si el pronstico es probabilstico, no ser necesario cuantificar
su incertidumbre, ya que un pronstico probabilstico incluye la incertidumbre asociada al mismo.
Sin embargo, si el pronstico de lluvias es determinstico, se puede cuantificar la incertidumbre
asociada al mismo de la misma forma que en el caso anterior, asignando una distribucin de
probabilidad a los valores pronosticados de lluvia. La distribucin de probabilidad deber variar en
el tiempo, ya que cuanto ms lejano sea el intervalo de tiempo pronosticado, mayor ser la
incertidumbre del mismo.
Incertidumbre aleatoria Incertidumbre epistmica
Errores en la medida de la precipitacin Datos medidos de
lluvia

Incorrecta determinacin de la
distribucin espacial de la lluvia, en el
caso de medidas solo en pluvimetros
Conocimiento incompleto de las
condiciones atmosfricas iniciales
Diferente cantidad de precipitacin a
partir de unas mismas condiciones
atmosfricas
Pronstico de
lluvia
Variabilidad estocstica de
la lluvia
Errores en el pronstico de la
precipitacin
Diferentes respuestas de la cuenca a un
mismo episodio de lluvia
Variabilidad natural del
proceso lluvia-escorrenta
Estimacin de las condiciones iniciales
Errores del modelo como causa de la
imperfecta simulacin de los procesos
hidrolgicos que ocurren en la cuenca
Modelo lluvia-
escorrenta
Estimacin de los parmetros que
representan el comportamiento de la
cuenca
Errores en la estimacin del caudal
entrante al embalse
Variabilidad del caudal
entrante al embalse
Errores en las medidas de nivel de
embalse y caudales de vertido
Errores en la determinacin de la tabla de
altura de agua volumen de embalse
Mdulo de
embalses
Errores en la determinacin de la tabla de
niveles caudal de vertido
Tabla 3.1. Incertidumbres asociadas a cada uno de los componentes del pronstico probabilstico de avenidas
Las incertidumbres asociadas a la utilizacin de un modelo de lluvia-escorrenta, por orden
de importancia, se presentan en la Figura 3.1. La incertidumbre ms importante es la debida a las
diferentes respuestas de la cuenca a un mismo episodio de lluvia y ha sido cuantificada mediante la
utilizacin de las redes Bayesianas, que permiten la estimacin de la variabilidad en la respuesta de
la cuenca mediante la obtencin de la probabilidad de ocurrencia condicionada a unas condiciones

Pgina 63

iniciales determinadas. La segunda fuente de incertidumbre se corresponde con la estimacin de los
parmetros del modelo y se ha cuantificado mediante la determinacin de la funcin de densidad de
probabilidad que mejor caracteriza la variabilidad de los resultados de calibracin de cada uno de
los parmetros para el conjunto de episodios observados, en vez de obtener una nica combinacin
de valores fijos de los parmetros del modelo. La incertidumbre causada por las imperfecciones del
modelo para representar el comportamiento de la cuenca, ha sido reducida mediante la utilizacin
de un modelo hidrolgico distribuido, ya que este modelo realiza una mejor simulacin del
comportamiento de la cuenca respecto a un modelo de tipo agregado. Finalmente la incertidumbre
asociada a los errores en la estimacin de la humedad inicial no influye en la realizacin del
modelo de pronstico, ya que se puede cuantificar fcilmente en el momento de realizar el propio
pronstico, mediante la introduccin de una distribucin de probabilidad del estado inicial o
mediante la obtencin de las probabilidades de ocurrencia del caudal condicionadas a distintos
estados iniciales de humedad.
En cuanto al mdulo de embalses, su principal fuente de incertidumbre est constituida por
los errores cometidos en la estimacin del caudal de entrada al embalse. Por una parte, estos errores
pueden ser causados por errores en las medidas del nivel de embalse y caudal de vertido, con lo que
esta incertidumbre se puede cuantificar a posteriori mediante una distribucin de probabilidad
asignada a los valores medidos. Por otra, el error tambin puede producirse en las estimaciones
futuras del caudal entrante a partir del pronstico de caudal de la cuenca vertiente. En este ltimo
caso, el pronstico de caudal utilizado en el modelo de pronstico es de tipo probabilstico y
determinado mediante la utilizacin de la red Bayesiana que describe el proceso lluvia-caudal a
partir de la lluvia ocurrida en la cuenca y las condiciones iniciales de la misma, por lo que ya lleva
asociadas las incertidumbres descritas en el anterior prrafo para la simulacin del proceso lluvia-
escorrenta. Los errores de medicin del nivel de embalse y caudal de vertido, pueden ser
cuantificados a posteriori mediante la determinacin de una funcin de probabilidad que tenga en
cuenta la incertidumbre, introduciendo estos valores probabilsticos en la red Bayesiana que
describe el proceso de operacin de embalses. Finalmente la incertidumbre asociada a la
determinacin de las curvas de altura - volumen y altura - caudal de vertido, no han sido
consideradas debido a que su influencia en el pronstico final puede considerarse despreciable.
Por tanto, el modelo de pronstico de avenidas de tipo probabilstico generado ha tenido en
cuenta y cuantificado los diferentes tipos de incertidumbre epistmica asociados al mismo. Esta
cuantificacin facilita la realizacin del proceso de toma de decisiones en una situacin de
avenidas, a partir de los resultados probabilsticos del modelo de pronstico, en trminos del riesgo
asumido.
3.4. SELECCIN DE LA CUENCA DE ESTUDIO
Se ha tomado la cuenca del ro Manzanares como cuenca de estudio para aplicar la
metodologa presentada. La eleccin ha sido tomada en funcin de los datos disponibles, tanto por
la cantidad como por el intervalo de tiempo utilizado para el registro de los datos, ya que para
realizar un pronstico en tiempo real se debe disponer de una cantidad suficiente de datos
registrados a intervalos de tiempo inferiores a una hora.
En la cuenca del Manzanares se dispone de un nmero considerable de datos registrados a
intervalos de 15 minutos, por lo que se adaptan perfectamente a las necesidades de un pronstico
de avenidas en tiempo real. Los datos disponibles se han registrado durante 10 episodios de lluvia

Pgina 64

ocurridos en los ltimos aos. El conjunto de datos registrados incluye medidas de lluvia en
pluvimetros, medidas de caudal en aforos de ro y niveles de embalse y caudales de vertido en las
presas que se encuentran ubicadas en el ro Manzanares. Por tanto, esta cantidad de datos
disponibles permite la realizacin de los procesos de calibracin de los modelos, de una manera
correcta y precisa.
Adems se dispone de una informacin completa de la geometra y edafologa de la
cuenca, mediante un modelo digital del terreno de ancho de malla igual a 25 metros y mapas
digitales de geologa y usos del suelo, que permiten la aplicacin de un modelo hidrolgico de tipo
distribuido en la cuenca.
Se ha considerado la cuenca completa del ro Manzanares desde la cabecera hasta la
estacin de aforos de Rivas Vaciamadrid, muy cercana a la desembocadura en el ro J arama,
suponiendo un rea de estudio de 1248 km
2
. En el estudio se han considerado dos de los tres
embalses que se encuentran localizados en la cuenca: El embalse de Santillana y el embalse de El
Pardo, situados ambos en el cauce del ro Manzanares. El embalse de Navacerrada, situado en la
cabecera del ro no ha sido tenido en cuenta, debido a su pequeo volumen de embalse y a su
escasa influencia en la laminacin de las avenidas que ocurren en la cuenca. En el Apartado 7.1 se
describen detalladamente las caractersticas de la cuenca del ro Manzanares.

Captulo 4. Generacin de episodios sintticos mediante el mtodo de Monte Carlo

4 GENERACIN DE EPISODIOS SINTTICOS MEDIANTE
EL MTODO DE MONTE CARLO
La implementacin de un modelo de pronstico probabilstico requiere dos conjuntos de
datos suficientemente extensos para que los procesos de aprendizaje y validacin del modelo sean
matemticamente consistentes. En las cuencas hidrolgicas de Espaa se han empezado a tomar
datos en tiempo real desde hace pocos aos, a lo sumo una dcada en algunas cuencas puntuales,
mientras que en la mayora no se han registrado datos con intervalos de tiempo inferiores a una
hora. Por tanto la cantidad de datos reales disponibles no es suficientemente extenso para realizar el
proceso de aprendizaje necesario en la construccin del modelo probabilstico de pronstico
propuesto en la presente tesis. La solucin consiste en generar episodios sintticos de lluvia-
escorrenta con las mismas caractersticas que los episodios de avenida registrados en cada cuenca.
La generacin de episodios sintticos de avenida consta de dos fases: Primero se deben
generar los episodios sintticos de lluvia mediante un generador estocstico de lluvia, para luego,
con estos episodios de lluvia, generar los episodios de escorrenta mediante un modelo hidrolgico
distribuido.
4.1. SIMULACION SINTTICA DE EPISODIOS DE LLUVIA
Se deben generar dos conjuntos de episodios sintticos de lluvia, suficientemente grandes
para poder generar dos conjuntos de episodios de escorrenta suficientemente extensos como para
que los procesos de aprendizaje y validacin sean consistentes. El conjunto de episodios sintticos
de lluvia puede ser ms reducido que el conjunto final de episodios de escorrenta, ya que con cada
episodio de lluvia se pueden generar varios episodios de escorrenta, variando las condiciones
iniciales en la cuenca y las variables de entrada al modelo hidrolgico, estas ltimas dentro de las
funciones de densidad de probabilidad obtenidas tras el proceso de calibracin de la cuenca.
El modelo estocstico de generacin de lluvia se ha calibrado con los episodios de lluvia
registrados en la cuenca, de tal forma que los episodios sintticos generados tengan las mismas
caractersticas que los observados en la cuenca. La calibracin del modelo de lluvia dar como
resultado la funcin de densidad de probabilidad que mejor caracteriza cada una de las variables de
entrada del modelo. Sobre estas funciones de densidad de probabilidad de las variables de entrada
se realizar una simulacin de Monte Carlo que determinar los valores de dichas variables para
cada uno de los episodios de lluvia que se van a generar. Se realizarn dos simulaciones de Monte
Carlo, una para generar los episodios de lluvia con los que se realizar el aprendizaje y otra para
generar los episodios con los que se realizar la validacin.
Los episodios sintticos de lluvia contenidos en cada conjunto deben cubrir todas las
posibles lluvias que se pueden dar en la cuenca, dentro de las caractersticas de la propia cuenca,
sin que aparezcan episodios repetidos. Para analizar los resultados del proceso de generacin de
episodios sintticos de lluvia se debern estudiar las variabilidades espacial y temporal de las
lluvias generadas, con el objeto de realizar una clasificacin de los eventos de lluvia (Llasat, 2001).
Dichas variabilidades se han cuantificado mediante cuatro ndices basados en el clculo de los
centroides de la cuenca y de la lluvia en funcin de la distancia por el cauce al punto de salida de la
cuenca (Smith et al., 2004; Guichard, 2005). Los dos primeros estn recogidos en la primera
publicacin, mientras que los dos ltimos han sido creados para el desarrollo de la presente tesis:
Pgina 65


ndice de localizacin de la lluvia
ndice de variabilidad espacial de la lluvia
ndice de desplazamiento de la lluvia
ndice de variabilidad temporal de la lluvia
4.1.1 NDICE DE LOCALIZACIN DE LA LLUVIA
En primer lugar, se ha considerado un ndice de localizacin de la lluvia (I
loc
) que es
independiente de la variabilidad espacial propia de la tormenta. Este ndice compara el centroide de
la cuenca respecto del centroide de la lluvia, ambos en funcin de la distancia por el cauce al punto
de salida de la cuenca. El centroide de la lluvia se calcula mediante la siguiente expresin:
=
=
=
N
i
i i
N
i
i i
p
A P
L P
C
1
1

donde:
C
p
es el centroide de precipitacin de la tormenta
P
i
es la intensidad de lluvia en la celda i
L
i
es la distancia por el cauce desde la celda i al punto de salida de la cuenca
A
i
es la superficie de la celda i
N es el nmero total de celdas de la cuenca
El centroide de la cuenca (C
c
) se calcula mediante la expresin anterior, pero haciendo
en todos las celdas de la cuenca. 1 =
i
P
El ndice de localizacin de la lluvia (I
loc
) se calcula como la relacin entre el centroide de
lluvia (C
p
) y el centroide de la cuenca (C
c
):
c
p
loc
C
C
I =
Para un determinado episodio, 1 <
loc
I significa que la zona con mayor intensidad de
lluvia se encuentra situada en la mitad de la cuenca ms cercana al punto de salida; quiere
decir que el centroide de lluvia se encuentra en la mitad ms alejada de la cuenca respecto del
punto de salida. Valores del ndice de localizacin cercanos a 1 significan que la lluvia se
concentra cerca del centroide de la cuenca o que tenemos una lluvia uniforme sobre la misma, para
determinar este ltimo aspecto se debe calcular el ndice de variabilidad espacial de la lluvia
(I
1 >
loc
I
var_esp
).
4.1.2 NDICE DE VARIABILIDAD ESPACIAL DE LA LLUVIA
La variabilidad espacial de un episodio de lluvia se cuantifica mediante el ndice de
variabilidad espacial de la lluvia (I
var_esp
), anlogo a la varianza de la lluvia:
Pgina 66


2
2
1
1
2
var_
N
P
N
P
I
N
i
i
N
i
i
esp
=
=

donde los trminos son similares a los del ndice anterior.
Cuanto mayor es I
var_esp
mayor es la variabilidad espacial de la lluvia en el episodio. Si
la variabilidad espacial de la lluvia es nula y tenemos una lluvia homognea sobre la
cuenca.
0
var_
=
esp
I
4.1.3 NDICE DE DESPLAZAMIENTO DE LA LLUVIA
El ndice de desplazamiento de la lluvia (I
des
) cuantifica el movimiento de la lluvia a travs
del episodio, mediante el clculo de la distancia de desplazamiento del centroide de lluvia en cada
intervalo de tiempo. En este caso, el centroide de lluvia se calcula en coordenadas relativas
respecto a la esquina superior izquierda de la malla de la cuenca, con el objeto de tener en cuenta la
distancia real del movimiento de la lluvia entre intervalos de tiempo. El valor de I
des
se calcula
como la distancia media de desplazamiento sobre todos los intervalos de clculo en los que la lluvia
media no es nula, mediante la siguiente expresin:
( ) ( )
1
1
1
2
1
2
1
+
=

=
+ +
N
y y x x
I
N
i
i i i i
des

donde
x
i
es la coordenada x del centroide de la lluvia (C
p
) en el intervalo de tiempo i
y
i
es la coordenada y del centroide de la lluvia (C
p
) en el intervalo de tiempo i
N es el nmero de intervalos de tiempo en los que la lluvia media no es nula
El ndice siempre toma valores positivos, cuanto mayor es su valor mayor es el
movimiento de la lluvia durante el episodio. Si 0 =
des
I o bien la lluvia es homognea durante
todo el episodio o bien la lluvia no se ha movido durante el mismo.
4.1.4 NDICE DE VARIABILIDAD TEMPORAL DE LA LLUVIA
El ndice de variabilidad temporal de la lluvia (I
var_temp
) cuantifica la variabilidad temporal
de la lluvia a lo largo del episodio mediante el clculo del incremento de la lluvia media entre
intervalos de tiempo consecutivos. El valor final del ndice calcula el valor medio de los
incrementos sobre la totalidad del episodio, segn la siguiente expresin:
1
1
1
1
var_
=
+
N
P P
I
N
i
i i
temp

donde
i P es el valor medio de la precipitacin en la cuenca en el intervalo de tiempo i
N es el nmero de intervalos de tiempo que conforman el episodio de lluvia
Pgina 67


Cuanto mayor sea el valor de I
var_temp
mayor ser la variabilidad temporal de la lluvia
durante el episodio, es decir, mayor ser la pendiente media del hietograma de lluvias y, por tanto,
tendr una forma con picos ms acentuados.
4.1.5 TIPOLOGAS DE LLUVIAS MEDIANTE LA CONJUNCIN DE LOS NDICES DE
LOCALIZACIN Y VARIABILIDAD ESPACIAL
Tanto el ndice de localizacin de la lluvia (I
loc
) como el ndice de variabilidad espacial de
la lluvia (I
var_esp
) permiten cuantificar la distribucin espacial de la lluvia durante un episodio. Cada
uno de ellos cuantifica un aspecto diferente: El I
loc
cuantifica la situacin geogrfica de la lluvia en
la cuenca y el I
var_esp
cuantifica la variabilidad o dispersin de los valores de la lluvia en el conjunto
de la cuenca. La conjuncin de ambas medidas permite conocer la tipologa de la distribucin
espacial de la lluvia, a partir de la distribucin espacial de la lluvia acumulada del episodio.
Para facilitar la comprensin de las medidas, se han tomado una serie de episodios de lluvia
de diferentes caractersticas espaciales en la cuenca del ro Manzanares para conocer la variacin
de los valores de ambos ndices. Los episodios seleccionados presentan unas caractersticas de
localizacin extremas para facilitar su comprensin:
Centro de gravedad de la cuenca en funcin de la distancia al punto de salida
Se ha calculado el centro de gravedad de las distancias por el cauce al punto de salida de la
cuenca en el caso de la Cuenca del ro Manzanares, dando como resultado un valor de 43240
metros (Figura 4.1). El punto de salida de la cuenca se encuentra en la parte inferior de la cuenca.

Figura 4.1. Centro de gravedad de la cuenca del Manzanares en funcin de la distancia por el cauce al punto de
salida (metros)
Lluvia totalmente homognea
Este tipo de lluvia es totalmente terico y corresponde al caso de una lluvia acumulada
constante en toda la cuenca. El centro de gravedad de la lluvia coincide con el centro de gravedad
de distancias y por tanto, I
loc
= 1. La variabilidad espacial de la lluvia es nula, ya que todas las
celdas tienen el mismo valor de lluvia y, por tanto, I
var_esp
=0.

Pgina 68


Lluvia localizada en el centro de la cuenca
Este tipo de lluvia presenta una localizacin de los valores ms altos de la precipitacin
acumulada durante el episodio en los alrededores del centro de la cuenca (Figura 4.2). En el
ejemplo presentado, el centro de gravedad de la lluvia est localizado a 41730 metros, bastante
cercano al centro de gravedad de distancias de la cuenca (43240 m), y por tanto, I
loc
debe tener un
valor cercano a uno (I
loc
= 0.965). La lluvia presenta una variabilidad espacial considerable, ya que
est concentrada en una parte de la cuenca (I
var_esp
= 11.326).

Figura 4.2. Episodio de lluvia localizada en el centro de la cuenca
Lluvia localizada en la mitad ms alejada del punto de salida de la cuenca
Este tipo de lluvia presenta la mxima precipitacin acumulada durante el episodio en la
mitad ms alejada de la cuenca respecto del punto de salida (Figura 4.3). En el ejemplo presentado,
el centro de gravedad de la lluvia est localizado a 47186 metros, en la mitad superior de la cuenca
y ms al Norte que el centro de gravedad y, por ello, el ndice de localizacin debe ser mayor que 1
(I
loc
= 1.0913). La variabilidad espacial de la lluvia es similar al caso anterior (I
var_esp
= 8.317).

Figura 4.3. Episodio de lluvia localizada en la mitad de la cuenca ms alejada respecto del punto de salida
Pgina 69


Lluvia localizada en la mitad ms cercana al punto de salida de la cuenca
Este tipo de lluvia presenta los valores ms altos de precipitacin acumulada durante el
episodio localizados en la mitad de la cuenca ms cercana al punto de salida (Figura 4.4). En el
caso presentado el centro de gravedad de la lluvia se encuentra situado a 37422 metros, ms cerca
del punto de salida de la cuenca y, por tanto, I
loc
debe tomar un valor inferior a 1 (I
loc
= 0.8654). La
variabilidad espacial es similar a los dos casos anteriores (I
var_esp
= 11.963).

Figura 4.4. Episodio de lluvia localizado en la mitad Sur de la cuenca
Lluvia simtrica
Este tipo de lluvia presenta los valores ms altos de lluvia acumulada localizados en las
partes ms alejada y ms cercana al punto de salida de la cuenca, mientras que la parte central de la
misma presenta unos valores inferiores de lluvia (Figura 4.5). En este caso el centro de gravedad de
la lluvia se encuentra localizado a 39905 metros bastante cercano al centro de gravedad de
distancias por el cauce (43240) y, por tanto el ndice de localizacin debe adoptar un valor
intermedio entre la unidad y los valores obtenidos en los casos de lluvia localizada en la parte
superior e inferior de la cuenca (I
loc
= 0.923). La variabilidad espacial ser inferior a la de los tres
casos anteriores (I
var_esp
= 5.357).

Figura 4.5. Episodio de lluvia localizada en las partes superior e inferior de la cuenca
Pgina 70


Lluvia dispersa
Este tipo de lluvia corresponde a un caso intermedio entre una lluvia localizada y una lluvia
homognea, es decir, no presenta un centro de localizacin claro de la lluvia, pero a la vez no es
homognea en toda la cuenca (Figura 4.6). En este caso el centro de gravedad de la lluvia se
encuentra a una distancia de 43632 metros, prcticamente coincidente con el centro de gravedad de
distancias por el cauce y, por tanto, el valor del ndice de localizacin adoptar prcticamente un
valor unidad (I
loc
= 1.009). Este tipo de lluvia presenta una variabilidad espacial grande debido a
que los valores de lluvia son muy diferentes a lo largo de la cuenca (I
var_esp
= 13.520).

Figura 4.6. Episodio de lluvia distribuida de forma dispersa sobre la cuenca
Identificacin de las diferentes tipologas de lluvia
Se han calculado los valores de los ndices I
loc
eI
var_esp
para un conjunto de 1500 episodios
de lluvia, obteniendo la distribucin de valores presentada en la Figura 4.7. Se puede observar que
la nube de puntos presenta un patrn determinado: Se puede apreciar una concentracin de puntos
alrededor de I
loc
=1 y con un valor de I
var_esp
<200. Esto es debido a que cuatro tipologas de lluvia:
Homognea, dispersa, centrada y simtrica, toman valores de I
loc
cercanos a la unidad. Para
determinar los rangos de ambos ndices que permiten diferenciar cada una de las tipologas de
lluvia definidas, se han comparado visualmente los resultados de los ndices junto con el aspecto
que presenta la distribucin espacial de la lluvia acumulada del episodio.
Como resultado del anlisis, se han identificado las diferentes tipologas de lluvias en
funcin de los valores de los ndices de localizacin (I
loc
) y de variabilidad espacial (I
var_esp
)
(Figura 4.8):
a) Lluvia situada en la zona ms alejada del punto de salida de la cuenca:
05 . 1 >
loc
I
b) Lluvia situada en la zona ms cercana al punto de salida de la cuenca:
95 . 0 <
loc
I
c) Lluvia centrada o localizada alrededor del centro de distancias por el cauce al punto
de salida de la cuenca:
Pgina 71


95 . 0 05 . 1 > >
loc
I & 100
var
> I
d) Lluvia simtrica respecto del centro de distancias de la cuenca:
01 . 1 05 . 1 > >
loc
I & 95 . 0 99 . 0 > >
loc
I 100
var
< I
e) Lluvia homognea sobre toda la cuenca
99 . 0 01 . 1 > >
loc
I & 5
var
< I
f) Lluvia dispersada aleatoriamente sobre la cuenca:
99 . 0 01 . 1 > >
loc
I & 5 100
var
> > I

Figura 4.7. Distribucin de valores del ndice de localizacin de la lluvia (I
loc
) y del ndice de variabilidad espacial
(I
var_esp
) para un conjunto de 1500 episodios de lluvia

Figura 4.8. Tipologas de episodios de lluvia en funcin de los valores del ndice de localizacin y del ndice de
variabilidad espacial
Pgina 72


4.1.6 COMPROBACIN DE LA VARIABILIDAD DE LA SIMULACIN E
IDENTIFICACIN DE EPISODIOS REPETIDOS
Como ltima fase de la generacin de episodios sintticos de lluvia, se ha comprobado que
los dos conjuntos de episodios sintticos generados, el primero para realizar el aprendizaje de las
redes Bayesianas y el segundo para realizar la validacin, cubre las posibles situaciones de lluvia
que pueden ocurrir en la cuenca, a la vez que se realiza la identificacin de los episodios repetidos.
Para comprobar que se cubren las posibles distribuciones espaciales de lluvia en la cuenca,
se ha identificado la tipologa espacial de lluvia de cauda uno de los episodios sintticos generados,
en funcin de su distribucin espacial. Para ello se ha seguido la metodologa descrita en el
apartado anterior mediante la conjuncin de los ndices de localizacin (I
loc
) y variabilidad espacial
(I
var_esp
) de la lluvia. Todas las tipologas descritas deben aparecer dentro de cada uno de los dos
conjuntos de episodios sintticos mediante un nmero representativo de episodios, excepto la
tipologa de lluvia homognea, ya que es un tipo de lluvia terica que no se registra en una
situacin real y, por tanto, no debe aparecer representado.
Una vez comprobada la variabilidad espacial de los episodios generados mediante la
agrupacin por tipologas espaciales de lluvia, se ha comprobado la variabilidad temporal de los
mismos. Para ello, se han analizado las caractersticas temporales de los episodios sintticos
generados mediante los otros dos ndices: El ndice de desplazamiento de la lluvia (I
des
) y el ndice
de variabilidad temporal de la lluvia (I
var_temp
). Dentro de cada uno de los grupos de episodios de
lluvia clasificados por tipologas espaciales, se ha analizado la variabilidad de los resultados en
funcin del valor de estos dos ltimos ndices (Figura 4.9). Analizando la dispersin de los
resultados se ha comprobado la variabilidad temporal de los episodios de lluvia identificados
dentro de cada grupo, mientras que los casos repetidos han sido fcilmente identificados mediante
la aparicin de valores coincidentes de los ndices dentro de una misma tipologa de lluvia espacial.

Figura 4.9. Grfico de comprobacin de la variabilidad temporal de la lluvia mediante los ndices de variabilidad
temporal y desplazamiento
Los episodios sintticos de lluvia generados con caractersticas similares, es decir, los
episodios que tienen los mismos valores de I
des
e I
var_temp
y han sido identificados dentro de un
mismo grupo de tipologa espacial de lluvia, han sidos comparados utilizando los valores de la
Intensidad mxima e Intensidad media del episodio. Si tambin presentan valores similares de la
Intensidad mxima e Intensidad media durante el episodio, han sido identificados como repetidos y
han sidos eliminados de los respectivos conjuntos.
Pgina 73


Cuando los dos conjuntos generados de episodios sintticos de lluvia para aprendizaje y
validacin, han cumplido las condiciones de variabilidad espacial y temporal, y han sido
eliminados los episodios identificados como repetidos, no apareciendo episodios sintticos de
caractersticas similares, el proceso de simulacin sinttica de lluvia se ha dado por concluido. Los
dos conjuntos de episodios sintticos de lluvia obtenidos como resultado se han utilizado para
realizar la simulacin del proceso lluvia-escorrenta mediante el modelo hidrolgico distribuido.
4.2. SIMULACIN DEL PROCESO LLUVIA - ESCORRENTA
La simulacin del proceso lluvia-escorrenta dentro una cuenca consta de dos fases. La
primera consiste en la simulacin del proceso de transformacin de la lluvia en escorrenta dentro
de la cuenca mediante un modelo hidrolgico. La segunda consiste en la simulacin de la
influencia de los embalses existentes en la cuenca sobre los hidrogramas de caudal obtenidos como
resultados de salida del modelo hidrolgico.
La simulacin del proceso lluvia-escorrenta dentro de la cuenca de estudio debe realizarse
con la mayor precisin posible, para obtener unos resultados fiables. La utilidad de un modelo
hidrolgico depende de lo bien que est calibrado (Gupta et al., 1999), por tanto, en el caso de un
pronstico de avenidas se debe conseguir un buen ajuste de los valores de los parmetros del
modelo, ya que de ello depende el xito del pronstico. El proceso de calibracin del modelo
hidrolgico distribuido es una tarea muy importante dentro del desarrollo del pronstico y se le
deber prestar una gran atencin.
Por tanto, el presente apartado se ha divido en tres puntos. El primero describe la
metodologa de calibracin del modelo hidrolgico RIBS, el segundo describe la metodologa de
obtencin de las series temporales de escorrenta en la cuenca bajo un rgimen natural y el tercero
describe la metodologa de simulacin del proceso de laminacin en los embalses.
4.2.1 CALIBRACIN DEL MODELO HIDROLGICO DISTRIBUIDO
Los modelos hidrolgicos distribuidos se caracterizan por tener un gran nmero de
parmetros, necesarios para expresar las ecuaciones que representan los diferentes procesos
hidrolgicos considerados en el modelo. Estos parmetros, a pesar de representar caractersticas del
terreno que se podran medir en la realidad, son inconmensurables, es decir, no sera posible medir
el valor de cada uno de ellos para cada una de las celdas que componen el modelo.
Por otra parte, se podran estimar los valores o rangos de los parmetros, mediante el
estudio de los suelos y caractersticas hidrolgicas de la cuenca. Sin embargo, diversos intentos han
comprobado que dichas estimaciones llevan a resultados errneos (Beven, 2001). Por ello, resulta
necesario realizar el proceso de calibracin para determinar los valores de dichos parmetros.
Por calibracin se entiende el proceso de estimacin de los valores de los parmetros que
permiten al modelo ajustarse lo mximo posible al comportamiento del sistema real que est
intentando representar (Gupta et al., 1998). El conjunto de parmetros que produce el mejor ajuste
se obtiene mediante la minimizacin de los errores cometidos en la estimacin de una de las
variables resultado del modelo, normalmente el caudal en un punto determinado, que ha sido
medida en la realidad. Por tanto, la calibracin consiste en comparar las series temporales de
caudales estimados por el modelo con diferentes combinaciones de valores de los parmetros, con
la serie temporal de caudales medidos en un punto determinado de la cuenca.
Pgina 74


Sin embargo, hay que tener en cuenta que dicha comparacin no es exacta, como
consecuencia directa de que los modelos hidrolgicos, por naturaleza, realizan nicamente una
descripcin aproximada de la realidad (Vrugt et al., 2002). La comparacin presenta una gran
incertidumbre debida a varias causas: a que los modelos que simulan el proceso de lluvia-
escorrenta no realizan una representacin perfecta de los procesos hidrolgicos que se producen en
la cuenca, a que los datos medidos en la cuenca no estn exentos de errores y a que las condiciones
iniciales de la cuenca deben ser estimadas porque no pueden ser conocidas con exactitud. Por tanto,
el proceso de calibracin de un modelo hidrolgico se puede representar mediante la siguiente
ecuacin (Beven, 2006):
( ) ( ) ( t X t X M t X Q , , , , ) + =
donde Q(X,t) es el caudal medido en el punto X y en el instante de tiempo t; M(Q,X,t) es la
estimacin del caudal mediante un conjunto de parmetros Q; y (X,t) es el error del modelo en
dicho punto en el intervalo de tiempo t.
El error (X,t) del modelo se cuantifica mediante una funcin objetivo que calcula el error
residual del modelo
t
(Q) en cada instante de tiempo t, es decir, calcula la parte del caudal
observado que no ha sido reproducida por el modelo:
( ) ( )
t t t
y y ' =
donde y
t
(Q) es el caudal calculado en el instante de tiempo t mediante el conjunto de
parmetros Q e y
t
es el caudal observado en el instante de tiempo t.
Los mtodos de calibracin que se utilizan para obtener el conjunto de parmetros ptimo,
mediante la minimizacin o maximizacin de la funcin o funciones objetivo seleccionadas, se
pueden clasificar en los siguientes grupos (Beven, 2001; Boyle et al., 2000):
a) Mtodos de calibracin manual: Es el mtodo que est ms difundido en la prctica
y consiste en minimizar los errores entre el caudal estimado y observado mediante una
serie de medidas, en la mayora de los casos de origen visual y por tanto de naturaleza
subjetiva, mediante un proceso de prueba y error. El resultado de este mtodo, variar
en funcin de la persona que realice la calibracin y su experiencia.
b) Mtodos de calibracin automtica: Estos mtodos aprovechan las ventajas de
rapidez y facilidad de clculo de los computadores. Pretenden eliminar la naturaleza
subjetiva de la calibracin manual mediante el desarrollo de una estrategia objetiva de
estimacin de los parmetros. La minimizacin del error se realiza normalmente
mediante la utilizacin de una nica medida objetivo del error cometido en la
estimacin, junto con un algoritmo de optimizacin que encuentra la mejor
combinacin de parmetros. No se ha generalizado el uso de estos mtodos porque el
resultado presenta una gran dependencia de la medida del error elegida y,
normalmente, da como resultado un conjunto de parmetros o un hidrograma que
minimiza el error, pero que no es aceptable desde el punto de vista prctico.
c) Anlisis de fiabilidad: Estos mtodos asumen que no existe un conjunto de
parmetros ptimo exacto y puntual, sino que existe una relativa incertidumbre en el
proceso de calibracin y que, por tanto, hay una regin de aceptabilidad alrededor del
ptimo puntual.
Pgina 75


Pgina 76

d) Mtodos que asumen el concepto de igual finalidad (equifinality): Estos mtodos
desechan la idea de que existe un conjunto de parmetros ptimo, en favor de la idea
de equifinalidad, es decir, debido a los errores cometidos en las medidas y al error
inherente al modelo, pueden existir diferentes combinaciones de parmetros bastante
diferentes entre s y localizados en diferentes regiones del posible espacio de valores de
los parmetros, que producen representaciones de la cuenca igual de vlidas. Estos
mtodos tienen en cuenta la incertidumbre de la simulacin hidrolgica, pero podrn
dar como vlidas combinaciones de valores de parmetros que no tienen ningn
sentido fsico o que fruto de la casualidad den excelentes resultados en un caso
determinado, pero psimos en otro diferente.
Los modelo hidrolgicos se caracterizan por no presentar una nica combinacin de
parmetros que permita simular correctamente todas las situaciones que se pueden dar en la cuenca,
debido a la presencia de errores estructurales (Wagener et al., 2004). Podemos obtener un conjunto
de parmetros que den muy buenos resultados durante un episodio de poca magnitud, tomarlos
como resultados ptimos de calibracin, y luego aplicarlo a un episodio de mayor magnitud y dar
resultados menos aceptables. Por tanto, resulta necesario calibrar el modelo en un conjunto amplio
de episodios de avenida para obtener diferentes combinaciones de parmetros que permitan simular
correctamente las diferentes situaciones que pueden aparecer en una cuenca.
4.2.1.1 IDENTIFICACIN DE LA SENSIBILIDAD DE LOS PARMETROS DEL
MODELO RIBS MEDIANTE DIFERENTES FUNCIONES OBJETIVO
El primer paso de la calibracin de cualquier modelo hidrolgico distribuido consiste en el
anlisis de sensibilidad de los parmetros, es decir, en la determinacin de los parmetros cuyos
cambios tienen una mayor influencia sobre los resultados del modelo, as como de los parmetros
cuyas variaciones no producen cambios significativos en los resultados del modelo.
El anlisis de sensibilidad se ha realizado mediante el mtodo de Anlisis de Sensibilidad
Generalizado (GSA), que analiza la sensibilidad de las variables resultado del modelo a los
cambios en los valores de los parmetros mediante una simulacin de Monte Carlo de N puntos,
pertenecientes al posible rango espacial de cada parmetro, y generados a partir de una funcin de
densidad de probabilidad uniforme multivariada (Spear and Hornberger, 1980).
El mtodo GSA divide los valores de los parmetros en dos grupos, en funcin de si la
variable de salida del modelo, en este caso el caudal, imita el comportamiento cualitativo del
sistema real. Por tanto las combinaciones de parmetros se dividen en un grupo que representa
el comportamiento del sistema real (B de behavioral), es decir, producen una respuesta del
modelo similar a la del sistema hidrolgico observado, y otro grupo que no lo representa ( B de
non-behavioural). La divisin entre los dos grupos se realiza a partir de los resultados de una
funcin objetivo, obteniendo las funciones de distribucin acumulada de los dos grupos (Figura
4.2.1.). Si las dos funciones de distribucin se encuentran separadas respecto de la diagonal
principal ( ( ) ( ) B f B f
i i
| | ; siendo
i
el parmetro i del modelo), las caractersticas
estadsticas de los dos grupos sern diferentes y el modelo ser sensible a dicho parmetro
mediante la funcin objetivo seleccionada (Figura 4.2.1.a.). Pero sin embargo, si las dos funciones
de distribuciones se encuentran muy prximas o coincidentes con la diagonal principal
( ( ) ( ) B f B f
i i
| | ), esto indicar que el modelo puede ser insensible a dicho parmetro
mediante la funcin objetivo seleccionada (Figura 4.2.1.b).

Figura 4.2.1. Funciones de distribucin acumulada del grupo de parmetros que representan el comportamiento
del sistema ( B F
i
| ) y del grupo de parmetros que no lo representan ( ) B F
i
| . a) Modelo sensible al
parmetro Q
1
. b) Modelo no sensible al parmetro Q
2
. Fuente: Wagener et al., 2004
Los resultados del mtodo GSA se pueden mejorar mediante la agrupacin de los valores
de los parmetros en diez grupos de igual tamao, en vez de slo dos, clasificados segn el valor de
una medida de verosimilitud, calculando las funciones de distribucin de probabilidad acumulada
de cada grupo; de esta forma se evita la necesidad de elegir de forma subjetiva un valor umbral del
parmetro para realizar la divisin en dos grupos (Freer et al., 1996).
Se ha realizado una simulacin de Monte Carlo de 1.000 casos sobre los parmetros del
modelo RIBS, con el objetivo de analizar la influencia que tiene cada parmetro sobre el resultado
final del modelo y determinar la funcin objetivo que mejor capta la variabilidad de cada uno de
ellos, y que, por tanto, facilita la identificacin del rango de valores de dicho parmetro que
conduce a las soluciones del modelo con errores ms pequeos.
Se han seleccionado 6 parmetros del modelo RIBS para realizar el anlisis de sensibilidad
del modelo:
- Estado de humedad inicial.
- Parmetro f , que representa el coeficiente de variacin de la conductividad hidrulica
con respecto a la profundidad.
- Parmetro a, que representa la relacin de anisotropa.
- Parmetro K
v
, que representa la relacin entre la velocidad del flujo en el cauce y la
velocidad en ladera.
- Parmetro C
v
, que representa el coeficiente de la ley que simula la relacin entre la
velocidad en ladera y el caudal en el punto de salida de la cuenca.
- Parmetro K
0n
, que representa la conductividad hidrulica normal en superficie para los
diferentes tipos de suelo.
Se ha seleccionado un conjunto amplio de funciones objetivo para realizar el anlisis de
sensibilidad del modelo:
- Error medio (ME): Calcula el valor medio de los errores residuales entre el caudal
estimado y el caudal observado (Gupta et al., 1998). Determina el sesgo de la
Pgina 77


estimacin, identificando si sta est sobreestimada, cuando el ME es negativo, o
subestimada, cuando el ME es positivo.
( ) ( ) ( )
=
=
N
k
k k
y y ME
1
'
- Error medio absoluto (MAE): Calcula el valor medio del valor absoluto de los
errores residuales entre el caudal estimado y el caudal observado (Gupta et al., 1998;
Madsen, 2000). El valor ptimo del MAE es 0 y cuanto mayor es el valor del MAE
peor ser el resultado.
( ) ( ) ( )
=
=
N
k
k k
y y MAE
1
'
- Raz del error cuadrtico medio (RMSE): Calcula la raz cuadrada del valor medio
del cuadrado de los errores residuales entre el caudal estimado y el caudal observado
(Boyle et al., 2000). El valor ptimo del RMSE es 0 y cuanto mayor es el valor del
RMSE peor ser el resultado.
( ) ( ) ( )
=
=
N
k
k k
y y
N
RMSE
1
2
'
1

- Coeficiente de eficiencia Nash-Sutcliffe (NSE): Calcula la magnitud relativa de la
varianza residual o ruido respecto a la varianza de la serie de caudales observados o
informacin (Gupta et al., 1998; Kavetski et al., 2005). Este coeficiente adopta un
valor ptimo de 1, un valor de 0 indica que un pronstico igual al valor medio de los
caudales observados durante todos los intervalos de tiempo tendr la misma utilidad
que el resultado del modelo. Por tanto, valores inferiores a 0 indicarn resultados
peores al pronstico mediante el valor medio del caudal observado.
( )
( ) ( )
( )
=
=
=
N
k
k
N
k
k k
y y
y y
NSE
1
2
1
2
'
1

- Desviacin del volumen del hidrograma (DV): Calcula la relacin entre el volumen
del hidrograma estimado y el volumen del hidrograma calculado (Wagener et al.,
2004). El valor ptimo de DV es 1, valores inferiores a 1 indican que el volumen del
hidrograma estimado es menor que el volumen del hidrograma observado, mientras
que valores superiores a 1 indican un volumen estimado superior al observado.
( )
( )
=
=
=
N
k
k
N
k
k
y
y
DV
1
1
'

- Tiempo de retardo del caudal punta (TP): Calcula el valor del desfase en intervalos
de tiempo entre el caudal punta del hidrograma observado y el caudal punta del
hidrograma estimado. Este coeficiente adopta un valor ptimo de 0, valores negativos
indican que la punta simulada aparece con posterioridad a la punta observada, mientras
Pgina 78


que valores positivos indican que la punta simulada aparece con anterioridad a la punta
observada.
( ) ( ) ( ) ( )
k k
y t y t TP ' max max =
- Error cuadrtico del caudal punta (QPSE): Calcula el cuadrado de la diferencia
entre el valor del caudal punta observado y del caudal punta estimado (Gupta et al.,
1998). El valor ptimo es 0, mientras que cuanto mayor es el valor del QPSE mayor
ser la diferencia entre los valores de los caudales punta observado y estimado.
( ) ( ) ( ) ( )
2
' max max
k k
y y QPSE =
El anlisis de sensibilidad de los parmetros se ha realizado sobre un episodio piloto de
avenida. Se ha seleccionado el episodio ocurrido durante los das 28 y 29 de abril del ao 2004 en
la cuenca del Manzanares. Se han considerado 6 parmetros del modelo con los rangos de variables
mostrados en la Tabla 4.2.1. Sobre estos rangos de valores se ha realizado una simulacin de
Monte Carlo de 1000 casos. Se ha ejecutado el modelo RIBS para cada caso de la simulacin de
Monte Carlo con los valores de los parmetros obtenidos. Para cada uno de los casos de simulacin
se ha calculado el resultado de cada una de las funciones objetivo consideradas. Se ha aplicado el
GSA sobre los resultados de las funciones objetivo, mediante la ayuda de la Monte Carlo Analysis
Toolbox (Wagener et al., 2004) implementada en la herramienta informtica Matlab. Los
resultados completos del anlisis se muestran en el Apndice 4, mientras que un resumen de los
resultados se muestra en la Tabla 4.2.2.
PARMETRO VALOR MXIMO VALOR MNIMO
Humedad 1 13
f 110
-6
0.1
a 1 100
K
v
0.5 12
C
v
2000 10000
K
0n
0.1 10
Tabla 4.2.1. Rango de valores de los parmetros utilizados en el anlisis de sensibilidad de los parmetros del
modelo RIBS
INFLUENCIA
PARMETRO
ME MAE RMSE NSE DV TP QPSE
Humedad Muy Alta Alta Alta Alta Alta Nula Media
f Alta Alta Alta Alta Alta Nula Media
a Nula Nula Nula Nula Nula Nula Nula
K
v
Baja Baja Media Media Media Media Alta
C
v
Baja Media Alta Alta Alta Muy Alta Alta
K
0n
Nula Nula Nula Nula Nula Nula Nula
Tabla 4.2.2. Resultados cualitativos del anlisis de sensibilidad de los parmetros del modelo RIBS para diferentes
medidas objetivo
Como resultado del anlisis de sensibilidad se puede observar que la conductividad
hidrulica en superficie (K
0n
) tiene una influencia nula mediante todas las medidas objetivo, por
tanto este parmetro deber ser fijado a partir de las caractersticas de los suelos y mediante una
calibracin manual. Por otra parte, el parmetro de anisotropa (a) tambin presenta una
influencia nula para todas las medidas objetivo, sin embargo, este parmetro se deber mantener en
Pgina 79


el proceso de calibracin, aunque a priori seguramente presente una caracterizacin mediante una
funcin de densidad uniforme.
Los parmetros que presentan una mayor influencia sobre los resultados del modelo son: El
parmetro de variacin de la conductividad hidrulica en profundidad (f ), el coeficiente de la ley
que representa la relacin entre velocidades en cauce y ladera (C
v
) y el estado de humedad inicial
en la cuenca. Las funciones objetivo que mejor captan la variabilidad del parmetro f son el ME,
MAE, RMSE, NSE y DV. La funcin objetivo que mejor capta la variabilidad del parmetro C
v

es el TP, aunque las funciones objetivo RMSE, NSE y DV, tambin permiten calibrar dicho
parmetro.
El parmetro de relacin entre las velocidades en el cauce y en ladera (K
v
) tiene una
influencia apreciable en los resultados del modelo RIBS, aunque mucho menores que en el caso de
los parmetros f y C
v
. Las funciones objetivo que mejor captan la variabilidad de este
parmetro son el RMSE, NSE, DV, TP y QPSE.
4.2.1.2 SELECCIN DE LAS FUNCIONES OBJETIVO UTILIZADAS EN EL PROCESO
DE CALIBRACIN
Los mtodos de calibracin manual y automtica requieren la seleccin de una funcin
objetivo sobre la que aplicar un mtodo de optimizacin para encontrar su mnimo. Sin embargo, la
eleccin de una nica funcin objetivo que lleve a mejores resultados de calibracin que cualquier
otra resulta complicada (Yapo et al., 1996), ya que una nica funcin objetivo es insuficiente para
caracterizar la complejidad del comportamiento hidrolgico de una cuenca (Khu y Madsen, 2005),
obteniendo unos resultados con una fuerte dependencia respecto de dicha funcin y tendiendo a
realizar un buen ajuste de un aspecto concreto del hidrograma observado, por ejemplo los caudales
ms altos, a expensas de otros, por ejemplo los caudales ms bajos (Wagener et al., 2001). Por otra
parte, los mtodos de calibracin automtica no dan como resultado las mejores soluciones debido
a varias causas: El conjunto de parmetros resultado normalmente no tiene un rango de valores
realista desde el punto de vista conceptual, normalmente permite obtener buenos ajustes para los
datos usados en la calibracin pero muy malos para otros datos de episodios distintos y
normalmente la solucin tiene una gran dependencia del procedimiento de bsqueda seleccionado,
funcin objetivo, datos de calibracin y valores iniciales de los parmetros (Gupta et al., 1999). Por
tanto, la utilizacin de varias funciones objetivo para ajustar diferentes aspectos del hidrograma
permite mejorar los resultados de la calibracin (Yapo et al., 1998; Wagener et al., 2001;
Wagener et al., 2004).
Las funciones objetivo seleccionadas para la calibracin deben presentar una relativa falta
de correlacin, midiendo diferentes aspectos de las diferencias entre las simulaciones y las
observaciones, con el objeto de preservar la informacin contenida en los datos, y eligiendo dichos
aspectos en funcin del objeto de utilizacin del modelo (Gupta et al., 1998). El modelo de
pronstico objeto de la presente tesis tiene como principal objetivo realizar una prediccin
probabilstica de los caudales futuros en la cuenca, por tanto, los aspectos del hidrograma ms
importantes para un pronstico de avenidas son: el instante de tiempo en el que aparece el caudal
punta, el valor del caudal punta, la forma de la parte del hidrograma compuesta por los caudales
ms altos y la utilidad del hidrograma resultado como pronstico. Por otra parte, los caudales bajos
tienen una menor importancia, desde el punto de vista del pronstico de avenidas.
Pgina 80


El tiempo de la punta se tiene en cuenta mediante la funcin objetivo TP que mide la
diferencia en intervalos de tiempo entre los tiempos observado y simulado de punta. La situacin
ideal de simulacin es que el hidrograma simulado presenta el caudal punta en el mismo intervalo
de tiempo que el caudal punta observado. El valor del caudal punta es considerado mediante la
funcin objetivo QPSE que calcula el error cuadrtico cometido entre los valores de caudal punta
observado y simulado. Sin embargo, esta ltima medida da mucho peso a hidrogramas que tienen
un caudal punta igual al observado, pero que se pueden encontrar muy desfasados en el tiempo
(Figura 4.2.2), por tanto, la funcin objetivo QPSE no ha sido utilizada en el proceso de
calibracin.

Figura 4.2.2. Hidrograma simulado con mejor valor de la funcin objetivo QPSE
Habitualmente se utilizan funciones objetivo basadas en el clculo de los errores residuales
cuadrticos medios. Los mayores errores residuales suelen darse cerca del caudal punta, como estas
funciones utilizan el cuadrado de los errores, tienden a dar una mayor importancia a los valores
ms altos de caudal en detrimento de los valores ms bajos (Beven, 2001). Por tanto, las funciones
objetivo basadas en los errores cuadrticos, por ejemplo el RMSE, sern muy tiles para tener en
cuenta la similitud entre la forma de la punta de los hidrogramas observado y simulado.
La utilidad del hidrograma simulado como pronstico se ha tenido en cuenta mediante la
funcin objetivo NSE que cuantifica cunto mejor es el pronstico realizado mediante la
simulacin respecto a un pronstico constante realizado con el valor medio de los caudales del
hidrograma observado (Gupta et al., 1999).
Por ltimo, se ha observado que la no consideracin de los caudales bajos del hidrograma
lleva a obtener soluciones con recesiones en el hidrograma con caudales muy superiores a los
observados, por lo que se ha incluido la medida del MAE para tener en cuenta el ajuste de la
simulacin en la parte baja del hidrograma.
Otros aspectos del hidrograma como el volumen y el sesgo tienen menor importancia para
realizar un pronstico, por lo que, las medidas del ME y DV no han sido utilizadas en el proceso de
calibracin. Sin embargo, estas medidas deberan ser utilizadas en el caso de que el modelo fuera
utilizado para otros objetivos como la evaluacin de recursos.
Una vez seleccionadas las funciones objetivo de RMSE, MAE, NSE y TP en funcin de la
finalidad del modelo RIBS como pronstico de avenidas, se ha estudiado la correlacin entre las
medidas (Figura 4.2.3.). Se puede observar que existe una gran correlacin entre las funciones
RMSE, MAE y NSE, obteniendo valores del coeficiente de correlacin muy elevados (RMSE-
Pgina 81


MAE =0.996; RMSE-NSE =0.977; MAE-NSE =0.971), por tanto, estas tres funciones objetivo
representan aspectos similares del hidrograma. La correlacin entre la funcin TP y las tres
medidas citadas es mucho menor (TP-RMSE =0.098; TP-MAE =0.125; TP-NSE =0.05), por lo
que la funcin TP representa un aspecto diferente del hidrograma.

Figura 4.2.3. Correlacin entre las funciones objetivo RMSE, MAE, NSE y TP
El hidrograma puede ser dividido en varias partes, aplicando sobre cada una de ellas una
funcin diferente (Boyle et al., 2000; Wagener et al., 2001; Boyle et al., 2001). El hidrograma
puede ser dividido segn diferentes criterios: Por ejemplo, en tres zonas segn la lluvia, zona que
responde a la lluvia, zona de recesin y zona no influenciada por la lluvia, o en dos zonas mediante
el valor medio de los logaritmos de los caudales. En el presente trabajo se propone una divisin en
dos zonas segn la forma del hidrograma observado, de tal forma que los caudales punta del
hidrograma queden aislados del resto de caudales (Figura 4.2.4).
La funcin RMSE calcula los errores cuadrticos, dando ms peso a los errores mayores,
por tanto, enfatiza el ajuste de la simulacin en la parte del hidrograma con caudales ms altos, es
decir, la punta del hidrograma. La funcin MAE calcula el valor absoluto de los errores sin
Pgina 82


elevarlos a ninguna potencia, por lo que mide el error general de la simulacin, sin enfatizar
ninguna parte del hidrograma. Sobre la zona de caudales punta se aplicar la funcin objetivo
RMSE, convertida en este caso en RMSE Peak, que penaliza ms los errores cunto ms grandes
son, y sobre la zona de caudales ms bajos se aplicar la funcin MAE, convertida en MAE low-
flows, que no penaliza los errores ms grandes. La funcin objetivo NSE se sigue aplicando sobre
todo el hidrograma.

Figura 4.2.4. Divisin del hidrograma en perodo de caudales altos (zona superior de la lnea a trazos) y perodo de
caudales bajos (zona inferior de la lnea a trazos)
Mediante esta modificacin se reduce la correlacin entre las funciones objetivo (Figura
4.2.5). Los coeficientes de correlacin se han reducido considerablemente (RMSE Peak MAE
low-flows =0.905; RMSE Peak NSE =0.975; MAE low-flows NSE =0.905). El coeficiente de
correlacin lineal de las funciones RMSE-NSE se ha mantenido constante debido a que ambas
funciones no mantienen una relacin lineal, pudiendo observar la disminucin de la relacin
mediante la comparacin de los dos grficos.

Figura 4.2.5. Correlacin entre RMSE Peak, MAE low-flows y NSE
Pgina 83


Por tanto, el proceso de calibracin del modelo RIBS se realizar mediante la conjuncin
de 4 funciones objetivo que tienen en cuenta los aspectos ms importantes del hidrograma desde el
punto de vista de la utilizacin de la simulacin como pronstico: RMSE Peak, MAE low-flows,
NSE y TP.
4.2.1.3 MTODO DE BSQUEDA DE LAS SOLUCIONES QUE MINIMIZAN LAS
FUNCIONES OBJETIVO SELECCIONADAS
Existen diversos mtodos de optimizacin numrica para encontrar el mnimo de la funcin
objetivo que lleva a la mejor solucin simulada, desde mtodos visuales de carcter totalmente
subjetivo a mtodos automticos mediante diferentes algoritmos de optimizacin. En las ltimas
dcadas, y gracias a la mejora de los computadores, se han desarrollado multitud de algoritmos de
optimizacin basados en una nica funcin objetivo: Mtodos directos mediante bsqueda de
patrones o mtodo de direcciones rotativas, por ejemplo el mtodo de Rosenbrock, Aproximaciones
mediante gradientes, Algoritmos de bsqueda aleatoria, como Pure random methods y Adaptive
random methods, algoritmos genticos (Duan, 2003). Todos estos mtodos de optimizacin
utilizan una nica funcin objetivo que estar dando ms peso a un aspecto del hidrograma en
detrimento de otros no menos importantes, por lo que no podemos asegurar que una funcin
objetivo lleve a un mejor resultado de calibracin del modelo que cualquier otra funcin objetivo
(Gupta et al., 1998).
La optimizacin de varias funciones objetivo a la vez requiere la utilizacin de
procedimientos de calibracin de carcter multiobjetivo (Wagener et al., 2004), que presentan
ventajas respecto de la calibracin sobre una nica funcin objetivo: El resultado de esta ltima es
una nica solucin que reduce la incertidumbre de los parmetros a cero, a pesar de conocer la
existencia de errores en el modelo y en los datos, mientras que la calibracin multiobjetivo tiene en
cuenta esta incertidumbre mediante la bsqueda de un conjunto de soluciones.
Existen diversas tcnicas para comparar varias funciones objetivo, clasificadas en dos
grupos (Khu y Madsen, 2005):
a) Aproximaciones por agregacin: Comparan la superioridad relativa entre las
soluciones mediante un ndice que pondera las diferentes funciones objetivo, por
ejemplo, el ndice de la suma ponderada, , que pondera la
importancia de las diferentes funciones objetivo
( )
i
m
i
i WS
F I
=
=
1
( )
i
F respecto del resultado final
mediante unos coeficientes a
i
.
b) Aproximaciones por dominacin de Pareto: No dependen de un nico valor de
comparacin, sino de si una solucin est dominada por otra, entendiendo que una
solucin domina a otra cuando los valores de todas las funciones objetivo de la primera
son inferiores a los de la segunda.
Se ha utilizado una aproximacin por dominacin de Pareto para calibrar el modelo RIBS,
debido a que es una tcnica ms objetiva, ya que evita la determinacin subjetiva de la importancia
de unas funciones objetivo sobre las restantes. La optimizacin de una calibracin multiobjetiva
mediante una aproximacin por dominacin de Pareto puede ser resumida en la siguiente expresin
(Yapo et al., 1998):
( ) ( ) ( ) ( ) [ ] { }
n
f f f F ,..., , min
2 1
=
Pgina 84


donde ( ) ( ) ( )
n
f f f ,..., ,
2 1
son las n funciones objetivos seleccionadas y calculadas para
conjunto de parmetros Q.
La solucin de una calibracin multiobjetiva no ser nica, ya que tendremos un conjunto
de soluciones en el que unas soluciones mejorarn una funcin objetivo en detrimento de cualquier
otra. En la Figura 4.2.6. se puede observar que el punto A indica el conjunto de parmetros que
minimiza la funcin objetivo MAE y el punto B el que minimiza la funcin objetivo DV. Todos los
puntos que quedan en la lnea A-B se denominan frente de Pareto y sern la solucin de la
calibracin multiobjetiva mediante las funciones objetivo MAE y DV. Segn nos movemos desde
el punto A hacia el punto B, las soluciones van minimizando la funcin DV a costa de maximizar
la funcin MAE. Por tanto, no resulta posible determinar de forma objetiva cual de los puntos
contenidos en la lnea A-B es mejor que cualquier otro. Las soluciones contenidas en dicha lnea se
denominan conjunto de Pareto, soluciones no-dominantes o no-inferiores u ptimos de Pareto.

Figura 4.2.6. Representacin del conjunto ptimo de Pareto
Matemticamente, el conjunto de ptimos de Pareto se obtiene dividiendo el posible
espacio de los parmetros en dos grupos: Q
p
o conjunto de Pareto de soluciones no-dominadas y Q
d

o conjunto de soluciones dominadas que conforman el resto del espacio de los parmetros. Cada
una de las soluciones del conjunto Q
p
tendr las siguientes propiedades (Yapo et al., 1998):
a) F(Q
p
) ser estrictamente menor que F(Q
d
) para todos los elementos del conjunto Q
d
o
soluciones no contenidas en el conjunto de Pareto.
b) No es posible encontrar un elemento Q
p
*
dentro del conjunto de Pareto, tal que F(Q
p
*
)
sea estrictamente menor que F(Q
p
), es decir, no es posible distinguir ninguna de las
soluciones de Pareto como objetivamente mejor que cualquiera otra de las soluciones,
por tanto, no existe una nica solucin ptima. Cada una de las soluciones de Pareto
ajustar mejor algn aspecto del hidrograma que cualquier otra solucin.
Existen diferentes mtodos para la obtencin de las soluciones de Pareto: El mtodo
SCEM-UA (Shuffled Complex Evolution Metropolis algorithm) que une las ventajas del mtodo
SCE-UA (Francs y Vlez, 2006) y del algoritmo de Metrpolis-Hastings, el mtodo MOCOM-UA
(Multi-Objective Complex evolution global Optimization Method) que genera una aproximacin
uniforme de los ptimos de Pareto o el mtodo MOSCEM (Multi-Objective Shuffled Complex
Evolution Metropolis algorithm) que utiliza el concepto de dominancia de Pareto (Yapo et al.,
Pgina 85


1998; Vrugt et al., 2003a; Vrugt et al., 2003b). Se ha utilizado el mtodo de clasificacin de Pareto
o Pareto ranking implementado dentro de la herramienta Monte Carlo Analysis Toolbox
(Wagener et al., 2004), que consiste en clasificar los conjuntos de valores de los parmetros
siguiendo un criterio de no-dominacin, es decir, todos los conjuntos de parmetros no-dominados
son identificados y se les es asignado una clasificacin de uno. Este conjunto de parmetros con
clasificacin uno se saca de la poblacin total. El conjunto de parmetros no-dominados de la
poblacin restante es identificado y se les asigna una clasificacin de dos. Este conjunto clasificado
como dos se saca de la poblacin y se comienza el proceso de nuevo, hasta que toda la poblacin
ha sido clasificada (Goldberg, 1989, p. 201)
Se ha obtenido el conjunto de ptimos de Pareto a partir de las 4 funciones objetivo
seleccionadas: RMSE Peak, MAE low-flows, NSE y TP (Figura 4.2.7.a), obteniendo un nmero
elevado de soluciones de Pareto (97 combinaciones de parmetros sobre 1000 casos), siendo
algunas de ellas soluciones muy buenas desde el punto de vista de una funcin objetivo, pero muy
malas desde el punto de vista de las otras. En este caso se obtienen soluciones muy buenas respecto
a TP pero muy malas respecto a RMSE. Este fenmeno es debido a que segn vamos aumentando
el nmero de funciones objetivo, tambin aumenta el nmero de soluciones de Pareto.

Figura 4.2.7. a) ptimos de Pareto (puntos rojos en forma de diamante) para las funciones objetivo RMSE Peak,
MAE low-flow, NSE y TP. b) ptimos de Pareto para las funciones objetivo RMSE Peak, MAE low-flow y NSE.
La variabilidad de los resultados es debida a la inclusin de la funcin objetivo TP, que sin
embargo no se puede eliminar, ya que esta funcin es imprescindible para la calibracin del
parmetro C
v
, y por tanto, para obtener una buena correspondencia entre el tiempo de punta del
hidrograma simulado y del hidrograma observado. Si eliminamos la funcin objetivo TP del
proceso de calibracin, obtendramos como soluciones de calibracin combinaciones de parmetros
que daran soluciones errneas de simulacin.
Por tanto, primero se obtendr el rango de valores del parmetro C
v
que lleva a un tiempo
de punta igual al observado a partir de los ptimos de Pareto con las 4 funciones objetivos: RMSE
Peak, MAE low-flow, NSE y TP. En segundo lugar, se obtendrn los ptimos de Pareto a partir del
RMSE Peak, MAE low-flow y NSE (Figura 4.2.7.b), eliminando las soluciones que se salgan del
rango de valores obtenido para C
v
(Figura 4.2.8). Por una parte, se puede observar que mediante
la utilizacin de estas 3 ltimas medidas se ha reducido el nmero de soluciones y tambin la
variabilidad de los resultados, desapareciendo los resultados con excesivos valores de la funcin
objetivo RMSE (Figura 4.2.7.). Por otra parte, se puede observar que la eliminacin de soluciones
mediante el rango de valores del parmetro C
v
lleva a reducir nuevamente el nmero de
soluciones.
Pgina 86


Figura 4.2.8. a) ptimos de Pareto (puntos rojos en forma de diamante) para las funciones objetivo RMSE Peak,
MAE low-flow y NSE. b) ptimos de Pareto de a), eliminando las soluciones que no cumplen el rango del
parmetro C
v
4.2.1.4 CONCLUSIONES DE LA METODOLOGA DE CALIBRACIN
Se ha desarrollado una metodologa de calibracin para el modelo hidrolgico distribuido
RIBS con aplicacin al pronstico de avenidas, mediante un mtodo hbrido, combinando las
calibraciones manual y automtica.
El estudio de sensibilidad de los parmetros del modelo ha demostrado que las
caractersticas del suelo no influyen de forma determinante sobre la forma final del hidrograma, por
lo que se deber realizar una primera calibracin manual del modelo para determinar las
caractersticas de los tipos de suelo presentes en la cuenca de estudio: K
0n
o conductividad
hidrulica en superficie, Q
s
o humedad de saturacin, Q
r
o humedad residual y e o ndice de
porosidad.
Una vez determinados los parmetros de los suelos, se realizar una calibracin automtica
del resto de parmetros del modelo, mediante una simulacin de Monte Carlo a partir de
distribuciones uniformes de probabilidad de los posibles rangos de dichos parmetros. Se ejecutar
el modelo RIBS con cada conjunto de valores de los parmetros, resultado de la simulacin de
Monte Carlo, calculando los valores de las funciones objetivo seleccionadas.
Como el modelo tiene como aplicacin el pronstico de avenidas, se ha dado mayor
importancia al tiempo de punta, la forma de la punta del hidrograma, los caudales ms bajos y la
utilidad de la simulacin como pronstico de avenidas, mediante la utilizacin de cuatro funciones
objetivo: RMSE Peak, MAE low-flow, NSE y TP.
A partir de estas 4 funciones objetivo se obtendrn dos conjuntos de soluciones de Pareto,
el primero, a partir de las 4 funciones, servir para calibrar los rangos de validez del parmetro C
v

y asegurarnos de que el tiempo de punta de los hidrogramas simulados coincida con el intervalo de
punta del caudal observado. Una vez obtenido el rango de variacin del parmetro C
v
, se
obtendrn los ptimos de Pareto a partir de las 3 funciones objetivo restantes: RMSE Peak, MAE
low-flow y NSE. Las soluciones finales de calibracin sern aquellas incluidas en el segundo
conjunto de Pareto y que, a la vez, presenten un valor del parmetro C
v
perteneciente al rango
obtenido a partir del primer conjunto de soluciones.
La metodologa se realizar sobre todos los episodios observados en la cuenca, para
obtener la mayor variabilidad posibles de situaciones, y por tanto, de resultados. A partir del
conjunto final de resultados de todos los episodios disponibles se obtendrn las funciones de
Pgina 87


densidad de probabilidad que mejor caracterizan la variabilidad de cada parmetro en la cuenca de
estudio, cuantificando de esta forma la incertidumbre del modelo.
4.2.2 GENERACIN DE CASOS SINTTICOS MEDIANTE EL MODELO
HIDROLGICO DISTRIBUIDO
La generacin de episodios sintticos concluye con la obtencin del conjunto tanto de
valores resultado del modelo como de las distintas variables que utiliza el modelo para obtener
dichos resultados. Los conjuntos de valores se obtienen mediante una ejecucin repetitiva del
modelo hidrolgico distribuido tomando como datos de entrada los episodios de lluvia sintticos
generados mediante el simulador estocstico de lluvia y los valores de los parmetros de entrada
que utiliza el modelo (Figura 4.2.9). Estos ltimos se generan mediante una simulacin de Monte
Carlo a partir de las funciones de densidad de probabilidad obtenidas como resultado de la
calibracin del modelo hidrolgico distribuido.
Se realizarn varias ejecuciones del modelo sobre cada uno de los episodios sintticos
generados, variando las condiciones iniciales de humedad en la cuenca y los valores de los
parmetros de entrada al modelo, respetando siempre las funciones de densidad de probabilidad
obtenidas como resultado de la calibracin del modelo, con el objeto de tener en cuenta, para cada
uno de los posibles episodios de lluvia que pueden aparecer en la cuenca, los distintos posibles
estados de la misma al inicio del episodio y la incertidumbre asociada a los errores cometidos por
el modelo al ser una aproximacin al sistema real que est simulando.
Como resultado de la ejecucin repetitiva del modelo se obtendrn las series temporales de
valores de las diferentes variables que utiliza el modelo, as como de los valores de caudal en los
puntos de la cuenca seleccionados (Figura 4.2.9). Se obtendrn los valores medios de las variables
utilizadas por el modelo en la cuenca completa analizada, as como en las subcuencas determinadas
por la situacin de embalses o aforos, o por las caractersticas fsicas de la cuenca. Las series
temporales de cuadal se obtendrn en los puntos donde estn localizados aforos y embalses, as
como en el punto de salida de la cuenca.
Episodio sinttico
de lluvia
Estado inicial
de humedad
Parmetros
del modelo
MODELO HIDROLGICO
DISTRIBUIDO
Hidrogramas en puntos
seleccionados
Series temporales de
variables
Episodio sinttico
de lluvia
Estado inicial
de humedad
Parmetros
del modelo
MODELO HIDROLGICO
DISTRIBUIDO
seleccionados
Series temporales de
variables

Figura 4.2.9. Esquema de las entradas y salidas del modelo hidrolgico distribuido en cada una de las ejecuciones
Se realizarn dos ejecuciones repetitivas del modelo hidrolgico distribuido, una sobre el
primer conjunto de episodios sintticos generados y se utilizar para realizar el proceso de
aprendizaje de la red Bayesiana, y otra sobre el segundo conjunto de episodios sintticos y se
utilizar para validar la red Bayesiana. En ambas ejecuciones repetitivas se utilizarn las mismas
Pgina 88


funciones de densidad de probabilidad, obtenidas como resultado del proceso de calibracin, para
generar los valores de los parmetros de entrada al modelo.
4.2.2.1 METODOLOGA DE OBTENCIN DE LAS SERIES TEMPORALES DE
VARIABLES DE SALIDA PARA EL MODELO RIBS
La simulacin del proceso lluvia-escorrenta se ha realizado con el modelo hidrolgico
distribuido RIBS. En el apartado anterior de calibracin se han obtenido las funciones de densidad
de probabilidad (PDF) que mejor se ajustan a la variabilidad de los 4 parmetros de entrada del
modelo seleccionados:
- Parmetro f , que representa el coeficiente de variacin de la conductividad hidrulica
con respecto a la profundidad.
- Parmetro a, que representa la relacin de anisotropa.
- Parmetro K
v
, que representa la relacin entre la velocidad del flujo en el cauce y la
velocidad en ladera.
- Parmetro C
v
, que representa el coeficiente de la ley que simula la relacin entre la
velocidad en ladera y el caudal en el punto de salida de la cuenca.
El modelo RIBS da como resultado de cada simulacin los hidrogramas en los puntos
definidos por el usuario y cuatro tipos de mapas rster de valores de las siguientes variables de
estado del modelo en cada celda:
- Profundidad del frente hmedo, que representa la profundidad del suelo hasta la que
penetra la onda de humedad. Esta variable de estado se almacena en fichero *.snf.
- Profundidad del frente superior, que representa la cota superior del ascenso de la zona
de saturacin que se produce cuando el flujo de humedad en la zona no saturada es
mayor que la conductividad hidrulica en el frente hmedo. Esta variable de estado se
almacena en fichero *.snt.
- Contenido de humedad del suelo por encima del frente hmedo. Esta variable de
estado se almacena en fichero *.smc.
- Escorrenta generada. Esta variable de estado se almacena en fichero *.srf.
La metodologa de generacin de las variables de salida del modelo hidrolgico distribuido
se resume en el esquema mostrado en la Figura 4.2.10. La generacin de variables se basa en una
ejecucin repetitiva del modelo RIBS. Para ello, se ha utilizado el entorno de programacin
Matlab, mediante el cual se realiza la repeticin del siguiente proceso un nmero de veces
determinado por el usuario, a travs de la funcin SimrepRIBS.m.
El primer paso consiste en obtener los mapas rster de lluvia en formato binario RIBS
(*.mrf). El simulador estocstico de lluvia guarda los mapas de lluvia en cada instante de tiempo
del episodio en formato ASCII de ArcView (*.asc). Por tanto, se deben transformas estos ficheros
en otros de formato rster binario que pueda leer el modelo RIBS, localizados en el directorio
definido por el modelo, sin olvidar que el ancho de celda de estos ltimos ficheros debe ser igual al
ancho de celda de los mapas de altimetra, direcciones de drenaje, etc. generados para la cuenca de
estudio. Esta transformacin se ha realizado mediante dos funciones generadas en el entorno
Matlab: carga_matriz_ArcView.m que permite la lectura de ficheros en formato ASCII de
ArcView (*.asc) y redimMat.m que realiza el redimensionamiento de una matriz espacial de
Pgina 89


valores de ancho de malla determinado en otra matriz espacial de valores con ancho de malla
definido por el usuario; y una funcin implementada en el entorno del modelo RIBS: mtr que
transforma una matriz de valores en un archivo de formato rster binario de RIBS, a partir de un
fichero mscara representativo del modelo de la cuenca.
Episodio sinttico
de lluvia en formato
rster RIBS
Estado inicial
de humedad
Parmetros
del modelo
RIBS
seleccionados
Mapas rster de variables
Episodio sinttico
de lluvia en
formato *.asc
PDFs resultado de
la calibracin
Simulacin de
Monte Carlo
Lectura de ficheros
Series temporales de variables
Episodio sinttico
de lluvia en formato
rster RIBS
Estado inicial
de humedad
Parmetros
del modelo
RIBS
seleccionados
Mapas rster de variables
Episodio sinttico
de lluvia en
formato *.asc
PDFs resultado de
la calibracin
Simulacin de
Monte Carlo
Lectura de ficheros
Series temporales de variables

Figura 4.2.10. Esquema de la metodologa de obtencin de las series temporales de variables del modelo RIBS en
cada una de las ejecuciones en modo repetitivo
A continuacin y antes de ejecutar el modelo se deben generar el estado inicial de humedad
de la cuenca y los valores de los parmetros de entrada al modelo. En principio, el estado inicial de
humedad de la cuenca se genera a partir de una distribucin uniforme de probabilidad, ya que
ningn estado de humedad tiene una probabilidad mayor que otro de darse en la cuenca al inicio
del episodio de lluvia. Los valores de los parmetros de entrada al modelo se generan mediante las
PDF obtenidos tras el proceso de calibracin. Se realizarn varias ejecuciones del modelo sobre un
mismo episodio de lluvia, realizando sucesivas simulaciones de Monte Carlo mediante las PDF
definidas para el estado inicial de humedad y los valores de los parmetros de entrada.
Con los mapas de lluvia en formato rster binario de RIBS, el estado inicial de humedad en
la cuenca y los valores de los parmetros de entrada al modelo, se puede ejecutar el modelo RIBS.
El modelo RIBS se ejecuta desde un archivo *.bat que contiene todas las caractersticas de la
simulacin: instantes de tiempo en los que comienza y termina la simulacin, duracin del
intervalo de tiempo de la simulacin, extensiones de los diferentes archivos utilizados por el
modelo, valores de los parmetros de entrada, etc. Por tanto, desde el entorno Matlab se ha creado
este archivo *.bat mediante la funcin Crea_Simulbat.m que depende de los valores de los 4
parmetros de entrada al modelo seleccionados y del estado inicial de humedad en la cuenca. Una
vez creado el fichero *.bat se realizada una llamada a dicho fichero, con lo que se ejecuta el
modelo RIBS con los parmetros de entrada y el estado inicial de la cuenca, resultado de la
simulacin de Monte Carlo sobre las PDF definidas.
Pgina 90


Como resultado de la ejecucin del modelo se obtienen los hidrogramas en los puntos de la
cuenca seleccionados y los mapas de valores de las 4 variables de estado definidas ms arriba. El
modelo RIBS guarda los hidrogramas en ficheros de texto (*.mrf), por lo que para obtenerlos
simplemente hay que leer dicho fichero desde el entorno Matlab, extraer la informacin de
caudales y guardarlo en otro archivo con el formato deseado.
Sin embargo los mapas de valores de las variables de estado son guardados por el modelo
RIBS en formato raster binario, por lo que el proceso de extraccin de datos resulta bastante ms
complicado. En primer lugar se leern dichos ficheros mediante la funcin READRAS
implementada en el entorno Matlab, que obtiene la matriz de datos contenida en el fichero rster
binario. De esta matriz de datos tendremos que obtener el valor medio de cada variable para la
cuenca completa y las diferentes subcuencas definidas. Para ello, en primer lugar se obtienen las
matrices de las cuencas y subcuencas definidas a partir de ficheros en formato ASCII de ArcView
mediante la funcin carga_matriz_ArcView.m, dicha matriz se convierte en una matriz de dos
valores: 1 para las celdas que pertenecen a la cuenca o subcuenca y 0 para aquellas que no
pertenecen. El valor medio de la variable se obtiene multiplicando la matriz de la variable por la
matriz de cada cuenca y subcuenca celda a celda, sumando la matriz y dividiendo el resultado por
el nmero de celdas que forman la cuenca o suma de la matriz de unos y ceros. Una vez obtenidas
las series temporales de valores medios de las cuatro variables se guardarn en ficheros en formato
de texto con el formato deseado para facilitar los procesos posteriores.
Este proceso se repetir tantas veces como el resultado de la multiplicacin del nmero de
episodios sintticos de lluvia generados por el nmero de simulaciones de un mismo episodio de
lluvia, variando las condiciones iniciales de humedad y los valores de entrada al modelo, que se
elija realizar. Este ltimo nmero se obtendr en funcin del nmero de episodios de lluvia
generados, de tal forma, que el nmero final de series de valores sea suficientemente grande como
para que los procesos de aprendizaje y validacin de la red Bayesiana sean consistentes.
4.2.2.2 SIMULACIN DEL PROCESO DE LAMINACIN EN LOS EMBALSES
La existencia de embalses dentro de la cuenca produce un cambio en el rgimen natural de
avenidas, provocando considerables modificaciones de los hidrogramas de avenida registrados en
el punto de salida de la cuenca. Por tanto, para realizar una correcta simulacin hidrolgica del
proceso lluvia-escorrenta de una cuenca, se debe considerar la influencia de los embalses en la
misma.
El modelo hidrolgico RIBS no permite la inclusin de embalses en las simulaciones. Para
tener en cuenta su influencia se ha creado un mdulo de laminacin que permite la simulacin de la
influencia de los embalses sobre el hidrograma final de avenida. El mdulo se ha implementado en
el entorno Matlab y permite la lectura de los hidrogramas en el formato de salida del modelo RIBS.
El mdulo de laminacin parte de la definicin de la topologa de los puntos de medida de
caudal de la cuenca de estudio, considerando como puntos de medida los embalses y puntos de
control. En primer lugar se debe definir el nmero total de puntos de medida. Cada punto queda
definido dentro de la red topolgica mediante los siguientes datos (Figura 4.2.11):
- Nombre o identificacin del punto de medida.
- Distancia al punto de salida de la cuenca (m).
- Cdigo del punto de medida situado aguas abajo del mismo.
Pgina 91


- Ruta del archivo en el que se encuentra el hidrograma en formato de salida del modelo
RIBS.

Figura 4.2.11. Ventana de definicin de los puntos de medida dentro de la red topolgica de embalses y puntos de
control
Una vez definidos todos los puntos que componen la red topolgica, se puede calcular el
hidrograma de escorrenta estrictamente drenante a cada uno de ellos, es decir, en cada punto de la
red se resta al hidrograma dado como resultado por el modelo RIBS, los hidrogramas dados por el
modelo RIBS en los embalses situados inmediatamente aguas arriba del mismo, considerando el
desfase en el tiempo producto del tiempo de viaje de dichos hidrogramas desde los embalses hasta
el punto considerado. Esto permitir la consideracin del efecto laminador de los embalses bajo
diferentes estrategias de operacin de los rganos de desage del mismo.
Para calcular los hidrogramas estrictamente drenantes, se deben definir la velocidad del
flujo en el cauce y la duracin del intervalo de clculo de los hidrogramas calculados por el modelo
RIBS (Figura 4.2.12), para determinar el tiempo de viaje de los hidrogramas por la red de drenaje.
Una vez obtenidos los hidrogramas estrictamente drenantes en cada punto de la red de
drenaje, se puede realizar la simulacin del proceso de laminacin de los embalses situados en la
cuenca. La laminacin se ha simulado mediante el Mtodo de evaluacin volumtrica (MEV), el
cual puede ser aplicado a cualquier embalse y tipo de avenida, realizando la mejor utilizacin del
volumen de resguardo a partir de los datos disponibles (Giron, 1998) y ha sido utilizado
satisfactoriamente en diferentes ocasiones (Martn-Carrasco et al., 2007). Este mtodo de
laminacin est basado en tres principios:
a) El caudal vertido debe ser inferior al caudal entrante en el embalse mientras nos
encontremos en la parte ascendente del hidrograma.
b) Si el caudal de entrada al embalse aumenta, el caudal vertido debe aumentar en funcin
del anterior.
c) Cuanto ms alto sea el nivel de embalse, mayor deber ser el incremento porcentual del
caudal vertido respecto al caudal entrante.
Pgina 92


Figura 4.2.12. Clculo de los hidrogramas estrictamente drenantes en cada punto de la red
El MEV va agotando el volumen de resguardo de manera progresiva, aumentando los
caudales vertidos segn va disminuyendo el volumen de resguardo disponible. Una vez que el
volumen de resguardo ha sido agotado, este mtodo tratar de mantener fijo el nivel de embalse
hasta que todos los rganos de desage estn completamente abiertos. Este mtodo se basa en una
idea fundamental: Si en un instante t determinado, tenemos un incremento de volumen en el
embalse ( ), dado como la diferencia entre el caudal entrante y el caudal de vertido, el volumen
de resguardo disponible en ese instante de tiempo ( ) dividido por el incremento de volumen,
nos dar el nmero de intervalos de tiempo n que quedan para que el volumen de resguardo se
agote, si consideramos que el incremento de volumen se mantendr constante en el futuro y que el
incremento de los caudales vertidos es lineal:
t
V
d
t
V
n
t V
V
t
d
t
=

siendo el intervalo de tiempo entre lecturas del nivel de embalse. t
De esta forma, considerando que en el instante de tiempo en el que se agote el volumen de
resguardo ( ), el caudal vertido alcanzar el valor del caudal entrante, manteniendo un
incremento lineal del caudal vertido, el caudal vertido debe aumentar la siguiente cantidad cada
intervalo de tiempo:
n t
d
t
t t
sal
V
t V
Q

=
2

dnde:
t
sal
Q es el incremento del caudal vertido en el intervalo de tiempo t
Pgina 93


t
V es el incremento del volumen de embalse en el intervalo de tiempo t
d
t
V es el volumen de resguardo disponible en el intervalo de tiempo t
El MEV funciona respetando los siguientes criterios de aplicacin:
a) Si nos encontramos en la curva ascendente del hidrograma:
Si el nivel de embalse est subiendo:
- Si se cumple que 1
t V
V
t
d
t
, nos queda menos de un intervalo de tiempo
para que se agote el volumen de resguardo del embalse y, por tanto, el
incremento del caudal vertido debe ser , siendo el
caudal de entrada al embalse en el instante de tiempo t y el caudal
vertido por el embalse en el instante de tiempo t.
t
sal
t
ent
t
sal
Q Q Q =
t
ent
Q
t
sal
Q
- En caso contrario, si se cumple que 1 >
t V
V
t
d
t
, nos quedar ms de un
intervalo de tiempo para que se agote el volumen de resguardo del embalse y
el incremento del caudal vertido por el embalse ser
d
t
t t
sal
V
t V
Q

=
2
.
Si el nivel de embalse est bajando:
- Si el nivel de embalse en el instante de tiempo actual t se encuentra por
encima del nivel de embalse fijado como nivel final al que queremos dejar el
embalse tras la avenida (NFE), el embalse se deber seguir vaciando
mediante un incremento del caudal vertido igual a: , siendo
t
ent
t
sal
Q c Q =
1 0 < < c .
debajo del NFE, el incremento del caudal vertido debe ser nulo: . 0 =
t
sal
Q
b) Si nos encontramos en la curva descendente del hidrograma:
Si el nivel de embalse est subiendo:
encima del NFE, tenemos dos posibilidades:
Si 1
t V
V
t
d
t
, entonces
t
sal
t
ent
t
sal
Q Q Q =
Si 1 >
t V
V
t
d
t
, entonces
d
t
t t
sal
V
t V
Q

=
2

Pgina 94


debajo del NFE, el nivel de embalse debera seguir creciendo al mismo
ritmo: .
t
ent
t
sal
Q Q =
Si el nivel de embalse est bajando:
encima del NFE, deberemos cerrar los rganos de desage a un ritmo menor
que el decrecimiento del caudal de entrada, para asegurarnos que el nivel de
embalse sigue bajando. Por tanto, el incremento del caudal vertido debe ser:
, siendo
t
ent
t
sal
Q c Q = 1 0 < < c .
debajo del NFE, el nivel de embalse debera seguir creciendo al mismo
ritmo: .
t
ent
t
sal
Q Q =
El mtodo requiere la determinacin del nivel de embalse al que los vertidos comenzarn,
denominado nivel de activacin (ACT) y el mximo gradiente de caudal (MGD) y el nivel de
embalse al que queremos dejar el embalse (NFE). ACT debe encontrarse en cualquier caso por
debajo del nivel mximo normal (NMN) del embalse, con el objeto de evitar que avenidas de
pequea magnitud provoquen grandes vertidos. MGD ha sido aadido al mtodo para limitar el
incremento del caudal de vertido entre dos intervalos de tiempo consecutivos y as evitar vertidos
repentinos que seran peligrosos para las personas que pudieran encontrarse cerca del cauce aguas
abajo del embalse.
Como resultado de la simulacin del proceso de laminacin en embalses mediante MEV, se
obtiene el hidrograma de caudales vertidos por la presa y la evolucin temporal del nivel de
embalse. Los hidrogramas de los puntos de la cuenca se calcularn mediante la adicin del
hidrograma de vertidos, desfasado en el tiempo en funcin del tiempo de viaje, al hidrograma
estrictamente drenante a dicho punto. En el caso de que hubiera varios embalses en cascada, el
proceso de laminacin se realiza de forma iterativa desde aguas arriba hacia aguas abajo,
considerando los hidrogramas de vertido de las presas situadas inmediatamente aguas arriba del
embalse actual.
Como resultado del proceso de simulacin del proceso lluvia-escorrenta se obtendrn los
hidrogramas en los puntos de medida de la cuenca, teniendo en cuenta la laminacin de los
embalses. Se pueden simular diferentes estrategias de laminacin en funcin de las caractersticas
de la presa y la determinacin de diferentes valores para ACT y MGD.

Pgina 95


Pgina 96

Captulo 5. Modelo probabilstico de pronstico basado en redes Bayesianas

5 MODELO PROBABILSTICO BASADO EN REDES
BAYESIANAS
El modelo probabilstico de pronstico se construir mediante la unin de diferentes
estructuras de redes Bayesianas que sean capaces de representar los diferentes procesos
hidrolgicos e hidrulicos que aparecen en la cuenca. Cada una de las redes Bayesianas deber ser
determinada individualmente a partir de los datos sintticos que intervienen en el proceso que est
representando.
La dificultad ms importante en la determinacin de las estructuras de redes Bayesiana es
el gran nmero de variables que intervienen en los procesos hidrolgicos. La determinacin de las
diferentes redes consistir en la seleccin de las variables que tengan una mayor influencia sobre el
resultado final del proceso, que sern representadas mediante nodos, y el anlisis de la dependencia
existente entre ellas, para identificar los arcos que unen los nodos de la red y las direcciones de
aquellas.
Una vez determinadas las estructuras de las diferentes redes Bayesianas se realiza el
proceso de aprendizaje, que permite la obtencin de las tablas de probabilidad condicionada de
cada red, las cuales constituyen la base del pronstico probabilstico de avenidas. El resultado del
aprendizaje depende del nmero de episodios simulados que se incluyen en el proceso, ya que un
nmero muy pequeo de simulaciones provoca una falta de ajuste de la red Bayesiana, mientras
que un nmero elevado de simulaciones puede provocar un ajuste excesivo de la red Bayesiana que
distorsione los resultados. Para evaluar la relacin entre el nmero de simulaciones y el resultado
del aprendizaje, se debe realizar un anlisis de estabilidad de los parmetros de la red Bayesiana
para evaluar la relacin entre el nmero de simulaciones y la variabilidad de los valores de los
parmetros, obteniendo el nmero mnimo de casos simulados para conseguir unos valores estables
de las tablas de probabilidades condicionadas.
En el presente Captulo se describen en primer lugar las herramientas de estudio de las
relaciones de dependencia entre variables, mediante medidas de diferentes tipos de relaciones y
algoritmos de aprendizaje estructural. A continuacin se describe la metodologa de determinacin
de las estructuras de redes Bayesianas, que sean capaces de realizar la mejor representacin de los
diferentes procesos hidrolgicos que deben considerarse para la realizacin de un pronstico de
avenidas. En tercer lugar, se describe el proceso de evaluacin de la estabilizacin de los
parmetros de las estructuras de redes Bayesianas, para determinar el nmero mnimo de
simulaciones que se deben incluir en el proceso de aprendizaje. Finalmente, se describe el proceso
de aprendizaje paramtrico para obtener las probabilidades de cada uno de los nodos condicionadas
al conjunto de sus padres.
5.1. ESTUDIO DE DEPENDENCIA ENTRE VARIABLES
El estudio de dependencia entre variables se fundamenta en el anlisis de la dependencia
condicionada entre las mismas. Si X e Y son dos conjuntos de valores de dos variables aleatorias, se
dice que X es independiente de Y si se cumple que p(x|y) = p(x) para todos los valores x e y de los
conjuntos X e Y, en cuyo caso p(x,y) = p(x) p(y), es decir, la funcin de probabilidad conjunta de
las dos variables ser igual al producto de sus probabilidades marginales. En caso contrario las dos
variables sern dependientes y se dice que X es dependiente de Y.
Pgina 97


Los conceptos de dependencia e independencia se refieren a dos variables, sin embargo,
cuando se encuentran interrelacionadas ms variables aparece el concepto de dependencia o
independencia condicionada. Si X, Y y Z son tres conjuntos de valores de tres variables aleatorias,
se dice que X es condicionalmente independiente de Y dado Z cuando se cumple que
p(x,y|z) = p(x|z) p(y|z), para todos los valores x, y, z de las tres variables. Esto significa que una
vez que conocemos el valor de la variable Z, el conocimiento del valor de la variable Y no altera la
probabilidad del valor de X, es decir, si conocemos Z, el conocimiento de Y no aade ninguna
informacin al conocimiento de X. En caso contrario se dice que X e Y son condicionalmente
dependientes dado Z.
La dependencia entre distintas variables se puede cuantificar mediante diferentes medidas
que analizan la existencia y peso de diferentes tipos de relacin entre las mismas. Estas medidas
analizan la posible dependencia entre las variables, sin embargo, no aportan una evidencia absoluta
acerca de las relaciones causales existentes entre las variables. Una relacin de dependencia muy
fuerte puede ser producto de que una variable es causa de la otra, pero, tambin puede ser producto
de que las dos variables compartan la misma causa. Por tanto, la evidencia de las relaciones
causales se puede apoyar en estas medidas, pero sin embargo, la determinacin de las relaciones
causales se deber realizar a partir del conocimiento de los procesos en los que estn envueltos las
variables estudiadas (Helsel y Hirsch, 1992).
Con el objeto de superar la falta de una evidencia absoluta de la existencia de una relacin
causal entre dos variables a partir de las medidas de dependencia, se han desarrollado una serie de
algoritmos de aprendizaje estructural, para determinar las relaciones causales y de dependencia
condicionada entre variables. Como ya se ha comentado en el Apartado 2.3, existen multitud de
algoritmos de aprendizaje estructural basados en diferentes mtodos de bsqueda: Tcnicas de
deteccin de dependencia, tcnicas iterativas de bsqueda, etc. En el presente apartado se han
elegido dos algoritmos de aprendizaje extensamente utilizados para comprobar su utilidad en la
determinacin de la estructura de una red Bayesiana: El algoritmo K2 y el algoritmo GS2 basado
en una bsqueda voraz (greedy-search).
5.1.1 MEDIDAS DE LA RELACION DE DEPENDENCIA ENTRE VARIABLES
Se van a utilizar cuatro medidas para analizar diferentes tipos de relaciones de dependencia
existentes entre las variables. En principio se describe el coeficiente de correlacin lineal, que sirve
para cuantificar las relaciones lineales entre variables. Para cuantificar las relaciones no lineales se
describen tres medidas adicionales: el coeficiente de Kendall, el coeficiente de Spearmen y la
medida de la Informacin Mutua.
Coeficiente de correlacin lineal
El coeficiente de correlacin (R
2
) analiza el tipo de relacin ms simple que puede existir
entre dos variables: La relacin lineal. Este coeficiente analiza si la variacin de las dos variables
sigue una relacin lineal del tipo Y = aX + b. El coeficiente de correlacin puede tomar valores
comprendidos entre -1 y 1. Un valor de 1 significa que las dos variables siguen una relacin lineal
perfecta en la que segn va creciendo el valor de la variable X, la variable Y va creciendo tambin,
describiendo una recta ascendente de ecuacin Y = aX + b, con un valor positivo del coeficiente a.
Si adopta un valor de -1 significa que las dos variables tambin tiene una relacin lineal perfecta,
pero en este caso si la variable X crece, la variable Y decrecer, describiendo ambas variables una
recta descendente de ecuacin similar a la anterior, pero con un valor negativo del coeficiente a. Si
Pgina 98


el coeficiente de correlacin adopta un valor de 0, esto significa no existe ningn tipo de relacin
lineal entre ambas variables y la variacin de la variable X con respecto a la variable Y ser
totalmente aleatoria.
El coeficiente de correlacin R
2
xy
entre dos variables X e Y se obtiene a partir de la relacin
entre el producto de los valores de las varianzas de ambas variables (S
xx
y S
yy
) y el valor de la
covarianza entre ellas (S
xy
), mediante la siguiente expresin:
yy xx
xy
xy
S S
S
R
2
2
=
El coeficiente de correlacin tiene la ventaja de ser una medida adimensional y, por tanto,
no depende de la magnitud de los datos. Sin embargo, este coeficiente tiene una limitacin muy
importante, consistente en que slo es capaz de cuantificar una relacin de tipo lineal entre dos
variables. Si existe una relacin muy fuerte entre dos variables, pero no es de tipo lineal, el
coeficiente de correlacin no ser capaz de captar dicha relacin. Para ello se debern utilizar otras
medidas.
A continuacin se describen tres medidas que son capaces de cuantificar relaciones no
lineales entre las variables.
Medida de Kendall
La medida de Kendall (t ) cuantifica la fuerza de la relacin de dependencia montona
entre dos variables X e Y (Kendall, 1938), entendiendo por montona una relacin de dependencia
lineal, exponencial, potencial, etc. en la que la relacin de crecimiento o decrecimiento entre las
dos variables siempre tiene el mismo sentido.
La medida de Kendall est basada en categoras y, por tanto, es resistente a los efectos de
un pequeo nmero de valores no usuales. Esta medida se adapta muy bien a las variables que
tienen un sesgo considerable sobre la relacin general.
La medida de Kendall adoptar valores menores que el coeficiente de correlacin lineal
(R
2
) para una misma asociacin de tipo lineal. Esto es debido a que utilizan una escala diferente de
correlacin y no a que la medida de Kendall sea menos sensible que el coeficiente de correlacin
lineal. Adems, como es una medida basada en rangos, la medida de Kendall se mantiene constante
ante las transformaciones de potencia montona, y por tanto, da el mismo resultado al medir la
relacin entre X eY, que al medir la relacin entre log(X) y log(Y) o la relacin entre X y log(Y).
La medida de Kendall se puede calcular segn la siguiente expresin:
( ) 1
2
=
n n
S

donde:
n es el tamao de la muestra
S es una prueba estadstica que mide la dependencia montona entre dos variables segn la
siguiente expresin:
M P S =
Pgina 99


P es el nmero de diferencias positivas, es decir, el nmero de veces que la
variable Y crece cuando la variable X tambin crece.
M es el nmero de diferencias negativas, es decir, el nmero de veces que la
variable Y decrece cuando la variable X crece
El coeficiente de Kendall puede tomar valores comprendidos entre 1 y -1. Si todos lo
valores de X crecen a la vez que lo hacen los valores de Y, el coeficiente toma un valor de 1. Si
todos los valores de X crecen a la vez que todos los valores de Y decrecen, el coeficiente toma un
valor de -1.
Medida de Spearman
La medida de Spearman supone una medida alternativa a la medida de Kendall. La
principal diferencia entre ambas reside en que, mientras la medida de Kendall asigna un valor de
+1 a todas las diferencias positivas entre parejas de valores sin tener en cuenta la magnitud de las
diferencias, la medida de Spearman asigna un peso en funcin de la magnitud de las diferencias.
Para calcular la medida de Spearman, los datos son discretizados independientemente para
las dos variables antes de calcular la siguiente expresin:
( )
) 1 (
2
1
12
2
1
2
=

=
n n
n
n Ry Rx
n
i
i i

donde:
Rx
i
es el valor del intervalo i de la discretizacin de la variable X
Ry
i
es el valor del intervalo i de la discretizacin de la variable Y
n es el tamao de la muestra
2
1 + n
es el intervalo medio de ambas variables
Si existe una relacin positiva entre las variables, los intervalos ms altos de la variable X
estarn emparejados con los valores ms altos de la variable Y, y por tanto, su producto ser ms
alto, dando un valor mayor de la medida de Spearman.
Si existe una relacin negativa entre las variables, los intervalos ms altos de la variables X
estarn emparejados con los valores ms bajos de la variable Y, y por tanto su producto ser menor.
Si no existe ninguna relacin entre las variables, el emparejamiento entre los intervalos de
X e Y ser totalmente aleatorio y su producto ser cercano al segundo trmino de la expresin
anterior, dando como resultado un valor de la medida de Spearman cercano a 0.
Informacin mutua
La informacin mutua es una medida de la relacin entre dos variables, que se fundamenta
en el concepto de entropa.
La entropa es una medida del desorden de una variable, es decir, de la uniformidad o no
uniformidad de una variable. Si tenemos un conjunto de valores x de una variable aleatoria X, se
puede definir la entropa H(x) segn la siguiente expresin:
Pgina 100


=
X x
x p x p X H ) ( log ) ( ) (
Teniendo en cuenta que, por definicin, cualquier valor de probabilidad debe ser siempre
inferior a la unidad, podemos deducir inmediatamente que . Si , significa
que toda la probabilidad de la variable se concentra en nico valor es decir que para un valor x de la
variable , y para el resto de valores
0 ) ( X H 0 ) ( = X H
1 ) ( = x p 0 ) ( = x p .
A partir del concepto de la entropa, nace la medida de la entropa relativa (Kullback and
Leibler, 1951). La entropa relativa, tambin llamada distancia de Kullback-Leibler, mide la
distancia entre dos distribuciones de probabilidad p y q de una misma variable aleatoria X. La
entropa relativa H(p,q) se puede definir segn la siguiente expresin:
=
X x x q
x p
x p q p H
) (
) (
log ) ( ) , (
Al igual que en el caso anterior, como las probabilidades deben ser siempre inferiores a la
unidad, . Si , p(x) debe ser igual a q(x). 0 ) , ( q p H 0 ) , ( = q p H
A partir de este ltimo concepto se fundamenta la medida de la informacin mutua (I). La
informacin mutua es una medida de la dependencia entre dos variables y mide la cantidad de
informacin que una variable X contiene sobre otra variable Y. La informacin mutua I(X,Y) se
define mediante la siguiente expresin:

=
X x Y y y p x p
y x p
y x p Y X I
) ( ) (
) , (
log ) , ( ) , (
La informacin mutua toma siempre valores mayores o iguales a 0. En el caso de que
, tendremos que 0 ) , ( = Y X I ) ( ) ( ) , ( y p x p y x p = , es decir, las variables X e Y son
independientes. Cuanto mayor es el valor de la informacin mutua, mayor ser la relacin de
dependencia entre las variables.
5.1.2 ALGORITMOS DE APRENDIZAJE ESTRUCTURAL COMO HERRAMIENTA DE
DETERMINACIN DE LA ESTRUCTURA DE UNA RED BAYESIANA
Se han aplicado dos algoritmos de aprendizaje estructural para realizar la bsqueda de un
grafo dirigido acclico que sea capaz de determinar las relaciones de dependencia entre un conjunto
determinado de variables. Los algoritmos has sido probados sobre un conjunto reducido de las
variables que representan el proceso de transformacin de la lluvia en escorrenta: Lluvia,
humedad, tasa de generacin de escorrenta y caudal, pertenecientes a la cuenca de cabecera del
Manzanares.
Algoritmo K2 (Cooper y Herskovits, 1992)
El algoritmo K2 realiza una bsqueda de grafos dirigidos acclicos a partir de la red ms
simple posible: Una red sin aristas en la que los nodos estn ordenados de tal forma que un nodo no
puede tener como padres aquellos nodos con una numeracin superior. La ordenacin tiene por
objeto evitar la generacin de ciclos. Para cada una de las variables X, el algoritmo aade a su
conjunto de padres el nodo que conduce a un mximo incremento de la calidad correspondiente a la
medida de calida elegida, dentro del conjunto de nodos que tiene una numeracin menor a X. Este
proceso se repite para cada nodo, mientras el incremento de calidad obtenido supere un cierto
Pgina 101


umbral establecido. El algoritmo permite limitar el nmero mximo de padres que puede tener una
variable en el proceso de bsqueda.
La cuenca hidrolgica de cabecera del Manzanares hasta el embalse de Santillana se
caracteriza por un tiempo de retardo comprendido entre dos y tres horas, equivalente a un nmero
de intervalos de tiempo comprendido entre cuatro y seis (Apartado 7.4). El algoritmo se ha
aplicado sobre las variables de lluvia (R), humedad (M) y tasa de generacin de escorrenta (N)
para los tres intervalos de tiempo definidos y el caudal (Q) en el intervalo de tiempo actual y en el
prximo intervalo de tiempo en el futuro.
R
t-5
R
t-4
R
t-3
M
t-5
M
t-4
M
t-3
N
t-5
N
t-4
N
t-3
Q
t Q
t+1
R
t-5
R
t-4
R
t-3
M
t-5
M
t-4
M
t-3
N
t-5
N
t-4
N
t-3
Q
t Q
t+1

Figura 5.1. Estructura de red Bayesiana resultado de la aplicacin del algoritmo de aprendizaje K2
El algoritmo K2 ha dado como resultado del proceso la estructura de red Bayesiana
representada en la Figura 5.1, habiendo establecido a priori el siguiente orden de los nodos:
Primero los nodos de lluvia (R) siguiendo el orden temporal, a continuacin la humedad (M) por
orden temporal de intervalo, luego la tasa de generacin de escorrenta (N) por orden temporal y
finalmente el caudal (Q) por orden temporal.
Se puede observar que el resultado del algoritmo K2 es una estructura de red Bayesiana de
gran complejidad, con un nmero muy elevado de arcos entre los nodos. El algoritmo identifica
algunas relaciones de dependencia que no se corresponden con lo que se espera de forma intuitiva a
partir de la comprensin natural del fenmeno fsico, por ejemplo, los arcos entre las variables R y
N en diferentes intervalos de tiempo (R
t-4
con N
t-5
y N
t-3
). En la Figura 5.2 se puede observar que la
tasa de generacin de escorrenta y la lluvia cada estn muy relacionadas en el mismo intervalo de
tiempo, pero no tienen dependencia en intervalos de tiempo diferentes.
Como conclusin, el algoritmo de aprendizaje estructural K2 da como resultado una
estructura de red demasiado compleja, que no permite identificar intuitivamente las relaciones de
dependencia entre las variables y reduce la utilidad de la misma al complicar el proceso de
aprendizaje de la red.
Pgina 102


Figura 5.2. Relacin de dependencia entre la lluvia y la tasa de generacin de escorrenta
Algoritmo GS2 (Dai et al., 2004)
El algoritmo GS2 se fundamenta en una aproximacin mediante el principio de mnima
longitud del mensaje (MML o Minimum Message Length). La aproximacin basada en MML
consiste en que para cada uno de los posibles grafos de un conjunto de variables, se puede obtener
la longitud total del mensaje en funcin del conjunto de datos utilizado. La estructura de red
seleccionada como la mejor ser aquella que tenga la longitud de mensaje ms corta. La longitud
total del mensaje ser igual al valor negativo de la suma del logaritmo en base 2 del coste de
codificacin de una estructura de red Bayesiana determinada M, ms el logaritmo en base 2 del
coste de codificacin del conjunto de datos, con el que se ha realizado el aprendizaje, dada la
estructura de red Bayesiana M. El primero de ellos, es a su vez igual a la suma del coste de
codificacin de la estructura de red Bayesiana ms el coste de codificacin de los parmetros de la
red.
El algoritmo GS2 utiliza un mtodo de bsqueda voraz (greedy-search), que evala sobre
cada pareja de nodos la adicin de un arco, en cualquier direccin, si dicho arco no existe o la
supresin del arco o el cambio de direccin del arco si ste existe. El cambio se efecta si el coste
de la MML disminuye.
Por tanto, la principal ventaja de este algoritmo reside en la posibilidad de iniciar el mtodo
de bsqueda con una estructura de red definida, evaluando si se mejora la calidad quitando algunos
de los arcos existentes, cambindolos de direccin o aadiendo otros nuevos.
El mtodo de bsqueda se ha inicializado con la estructura de red Bayesiana representada
en la Figura 5.3, resultado de la conexin lgica entre nodos en funcin de los procesos
hidrolgicos de los que forman parte. La estructura de red Bayesiana resultado de la aplicacin del
algoritmo de aprendizaje GS2 se muestra en la Figura 5.4.
Como se puede observar, el resultado de este algoritmo presenta una red con un nmero
menor de arcos que en el caso del algoritmo K2 y con una apariencia ms cercana a la posible
solucin del sistema. Este ltimo hecho seguramente sea debido a que este algoritmo parte de una
estructura de red inicial y, por tanto, el resultado final se parecer en mayor o menor medida a la
red introducida como dato inicial.
Pgina 103


La red resultado ha conservado prcticamente la interrelacin entre los nodos de lluvia (R),
humedad (M) y tasa de generacin de escorrenta (N), sin embargo, en algn caso cambia la
direccin de los arcos, tomando stos una significacin contraria al funcionamiento lgico del
proceso, por ejemplo, existe un arco desde el nodo de tasa de generacin de escorrenta del
intervalo t-5 al nodo de lluvia en dicho intervalo, cuando la relacin causal natural es contraria, ya
que la tasa de generacin de escorrenta depender siempre de la lluvia cada.
R
t-5
R
t-4
R
t-3
M
t-5
M
t-4
M
t-3
N
t-5
N
t-4
N
t-3
Q
t
Q
t+1
R
t-5
R
t-4
R
t-3
M
t-5
M
t-4
M
t-3
N
t-5
N
t-4
N
t-3
Q
t
Q
t+1

Figura 5.3. Estructura de red Bayesiana utilizada para inicializar el algoritmo de aprendizaje GS2
Adems, aparecen algunos arcos que no siguen una relacin causal lgica, por ejemplo, el
arco que une la humedad en el intervalo t-3 con el caudal en t, o el arco que une la tasa de
generacin de escorrenta en el intervalo t-5 con la lluvia en t-4, cuando la relacin de dependencia
se produce entre la lluvia y la tasa de generacin de escorrenta en el mismo intervalo de tiempo
(Figura 5.2).
R
t-5
R
t-4
R
t-3
M
t-5
M
t-4 M
t-3
N
t-5 N
t-4
N
t-3
Q
t
Q
t+1
R
t-5
R
t-4
R
t-3
M
t-5
M
t-4 M
t-3
N
t-5 N
t-4
N
t-3
Q
t
Q
t+1

Figura 5.4. Estructura de red Bayesiana resultado de la aplicacin del algoritmo de aprendizaje GS2
Pgina 104


Como conclusin, al igual que en el caso anterior, el algoritmo de aprendizaje GS2 reduce
sus utilidad a la hora de determinar la estructura de red de un conjunto de variables, ya que se ha
observado que a pesar de que la apariencia de la red no es mala, el algoritmo da como resultados
arcos con sentido equivocado y no es capaz de identificar algunas de las relaciones de dependencia
ms importantes.
5.2. METODOLOGA DE DETERMINACIN DE LAS ESTRUCTURAS DE
REDES BAYESIANAS
Como se ha observado en el apartado anterior, los algoritmos de aprendizaje no ofrecen
resultados satisfactorios a la hora de determinar la estructura de una red Bayesiana, a partir de la
identificacin de las relaciones de dependencia existentes entre las variables que intervienen en los
procesos hidrolgicos que se producen en una cuenca. Por ello, la determinacin de las estructuras
de redes Bayesianas se realizar mediante la conjuncin de los resultados de las medidas de
dependencia y el conocimiento del funcionamiento de los procesos hidrolgicos.
A continuacin se describe la metodologa para cada uno de los tipos de redes Bayesianas
utilizados para simular el proceso hidrolgico de una cuenca en una situacin de avenidas: Red
Bayesiana de transformacin de lluvia en caudal, red Bayesiana de operacin de embalses, red
Bayesiana de tramos de transporte de caudal y red Bayesiana de confluencias.
5.2.1 RED BAYESIANA DE TRANSFORMACIN DE LLUVIA EN CAUDAL
La red Bayesiana de transformacin de lluvia en caudal tendr por objeto el pronstico de
un caudal en un punto determinado de la cuenca, a partir del valor de la lluvia en la cuenca
drenante y las condiciones iniciales de humedad en la cuenca. La creacin de esta estructura de red
Bayesiana se realizar a partir de los episodios de lluvia sintticos generados mediante el simulador
estocstico de lluvia y los resultados del modelo hidrolgico distribuido a partir de dichos episodios
de lluvia, tanto de caudal como de las diferentes variables utilizadas por el modelo.
0
50
100
150
200
250
300
350
400
450
500
0 10 20 30 40 50 60 70 80
Intervalo de tiempo
C
a
u
d
a
l

0
2
4
6
8
10
12
14
16
18
20
L
l
u
v
i
a

Caudal
Lluvia
Valor punta
de la lluvia
Valor punta
del caudal
Tiempo de
retardo
0
50
100
150
200
250
300
350
400
450
500
0 10 20 30 40 50 60 70 80
Intervalo de tiempo
C
a
u
d
a
l

0
2
4
6
8
10
12
14
16
18
20
L
l
u
v
i
a

Caudal
Lluvia
Valor punta
de la lluvia
Valor punta
del caudal
Tiempo de
retardo

Figura 5.5. Tiempo de retardo de la cuenca del ro Manzanares entre el embalse de El Pardo y Rivas
La determinacin de la estructura de la red deber comenzar con la identificacin del
tiempo de retardo de la cuenca, es decir, el tiempo que pasa desde que ocurre la intensidad mxima
Pgina 105


de lluvia en la cuenca hasta que aparece el caudal mximo en el punto de aforo (Figura 5.5).
Normalmente, este intervalo de tiempo no ser nico, ya que una cuenca presenta diferentes modos
de comportamiento ante una misma lluvia y estos comportamientos han sido considerados en la
simulacin, mediante la determinacin de los valores de los parmetros a travs de funciones de
densidad de probabilidad.
La identificacin del tiempo de retardo se puede realizar de dos formas. La primera
consiste en calcular el coeficiente de correlacin desfasado en el tiempo entre la lluvia y el caudal.
El intervalo de tiempo que tenga un valor del coeficiente de correlacin ms alto, ser el tiempo de
retardo. La segunda forma consiste en calcular el tiempo de retardo entre el valor mximo de la
lluvia y el valor mximo del caudal para cada uno de los episodios simulados. Mediante un
histograma de frecuencias de los diferentes valores del tiempo de retardo, se pueden identificar,
fcilmente y de manera visual, los tiempos de retardo ms frecuentes en la cuenca que se est
analizando. Por ejemplo, en la cuenca baja del Manzanares comprendida entre el embalse de El
Pardo y Rivas Vaciamadrid, se puede observar que el tiempo de retardo es de diez intervalos de
tiempo (5 horas), apareciendo tambin una frecuencia de ocurrencia muy alta y cercana al mximo
de los tiempos de retardo de nueve y once intervalos de tiempo (Figura 5.6). Por tanto, en este caso
se cogera la lluvia en los nueve, diez y once intervalos de tiempo anteriores al intervalo de tiempo
en el que se est pronosticando el caudal.

Figura 5.6. Histogramas de frecuencias del valor del tiempo de retardo de la cuenca del ro Manzanares entre el
embalse de El Pardo y Rivas
Una vez que se han identificado los intervalos de tiempo de la lluvia, retrasados en el
tiempo, que ms influyen sobre el intervalo de tiempo de caudal que se est pronosticando, se
debern obtener las relaciones de dependencia existentes entre las distintas variables que influyen
en la representacin realizada de los procesos hidrolgicos de la cuenca. Para ello, se obtendrn las
matrices de valores del coeficiente de correlacin lineal, del coeficiente de Kendall, del coeficiente
de Spearman y de la informacin mutua, para cada una de las parejas de variables en los distintos
intervalos de tiempo que intervienen en el proceso (Tabla 5.1). Las relaciones de dependencia entre
valores se determinarn a partir de los resultados de estos coeficientes, ya que se ha comprobado
que los algoritmos de aprendizaje estructural de redes Bayesianas no dan resultados satisfactorios.
Las matrices facilitan la identificacin de las variables que tienen mayor influencia sobre una
variable determinada, por ejemplo, en la Tabla 5.1, se puede observar que la variable que tiene una
Pgina 106


mayor relacin con la variable de la lluvia acumulada (SR) es la humedad (M) en el primer
intervalo de tiempo t-5. Por otra parte, se puede ver mediante el anlisis de la fila correspondiente
al caudal en t+1 (Q
t+1
), que las variables que tienen una relacin ms fuerte con ella son la lluvia
neta (N) en los tres intervalos de tiempo y el caudal en el instante de tiempo actual (Q
t
).
El anlisis de las cuatro matrices de valores de los cuatro coeficiente presentados en el
Apartado 5.1.1, permite identificar las relaciones de dependencia entre variables, pero no permiten
determinar la direccin de los arcos establecidos entre las variables, es decir, una vez identificada
la relacin entre dos variables, no se puede saber cual es la variable causa y la variable efecto, a
partir de los resultados de los coeficientes. La direccin de cada uno de los arcos se determinar a
partir del funcionamiento de los procesos hidrolgicos existentes en la cuenca. Por ejemplo, en el
caso la relacin entre el nodo de lluvia acumulada (SR) y el de humedad en el primer intervalo de
tiempo (M
t-5
), el arco estar dirigido desde el primero al segundo, ya que la cantidad de lluvia
acumulada hasta el instante de tiempo considerado provoca el mayor o menor contenido de
humedad media en la cuenca, es decir, la lluvia acumulada es la causa y la humedad es el efecto.
SR Ho Rt-5 Rt-4 Rt-3 Nt-5 Nt-4 Nt-3 Mt-5 Mt-4 Mt-3 Ft-5 Ft-4 Ft-3 Qt Qt+1
Ho -0.19
R t-5 -0.40 -0.01
R t-4 -0.42 0.00 0.93
R t-3 -0.43 0.00 0.89 0.93
N t-5 -0.23 -0.08 0.74 0.71 0.67
N t-4 -0.25 -0.07 0.72 0.74 0.70 0.95
N t-3 -0.26 -0.07 0.69 0.71 0.73 0.91 0.95
M t-5 0.55 -0.42 -0.30 -0.32 -0.34 -0.05 -0.06 -0.08
M t-4 0.54 -0.43 -0.29 -0.31 -0.33 -0.04 -0.05 -0.06 0.99
M t-3 0.54 -0.43 -0.27 -0.29 -0.31 -0.02 -0.04 -0.05 0.98 0.99
F t-5 0.37 -0.15 -0.23 -0.25 -0.26 0.10 0.08 0.07 0.61 0.61 0.60
F t-4 0.36 -0.16 -0.21 -0.23 -0.25 0.11 0.10 0.09 0.60 0.60 0.60 0.98
F t-3 0.36 -0.16 -0.19 -0.21 -0.23 0.12 0.11 0.10 0.60 0.60 0.60 0.97 0.98
Qt -0.30 -0.06 0.71 0.71 0.70 0.88 0.88 0.88 -0.12 -0.11 -0.10 0.03 0.04 0.06
Qt+1 -0.32 -0.06 0.70 0.70 0.70 0.86 0.87 0.88 -0.14 -0.13 -0.11 0.02 0.03 0.04 0.97
DQ -0.05 0.03 -0.18 -0.15 -0.11 -0.14 -0.11 -0.07 -0.11 -0.11 -0.11 -0.12 -0.11 -0.11 -0.10 -0.07
Tabla 5.1. Resultados del coeficiente de Kendall para las variables que intervienen en el proceso lluvia-caudal en
la cuenca del cabecera del Manzanares hasta el embalse de Santillana. SR es la cantidad de lluvia hasta el primer
intervalo de tiempo considerado (en este caso t-5), Ho es el estado inicial de humedad en la cuenca, R es la lluvia, N
es la tasa de generacin de escorrenta, M es el contenido de humedad medio del suelo, F es la distancia entre los
frentes superior e inferior de humedad, Q es el caudal, DQ es el incremento de caudal.
Una vez definidas las direcciones de los arcos que unen los nodos, se puede representar
grficamente la estructura de la red Bayesiana. Debido a la gran cantidad de variables que influyen
en el proceso de lluvia-caudal, no se podr determinar una nica estructura de red Bayesiana que
sea capaz de representar las relaciones de dependencia ms importantes entre variables, ya que la
determinacin del umbral de los valores de los coeficientes, a partir del cual se considerar que una
relacin de dependencia tiene suficiente importancia para representarla mediante un arco en la
estructura de red Bayesiana, es de naturaleza totalmente subjetiva. Por tanto, existirn varias
estructuras de red Bayesiana que son capaces de representar las relaciones de dependencia entre las
variables que influyen en el proceso de transformacin de lluvia en caudal. Sobre estas redes
propuestas habr que elegir la que se sea capaz de captar mejor el funcionamiento hidrolgico de la
cuenca, como se comentar ms adelante.
Pgina 107


5.2.2 RED BAYESIANA DE OPERACIN DE EMBALSES
La red Bayesiana de operacin de embalses realizar una representacin probabilstica del
proceso de laminacin en los embalses. La estructura de red Bayesiana que representa este proceso
se determinar a partir de los resultados de caudal entrante al embalse y los resultados del proceso
de laminacin en el embalse mediante el mtodo de Girn: La evolucin temporal del nivel de
embalse, el caudal de vertido y las diferentes estrategias de operacin del embalse consideradas.
El reducido nmero de variables que intervienen en el proceso de laminacin no requieren
un anlisis exhaustivo de las relaciones de dependencia, determinando la red Bayesiana de
operacin de embalses a partir de las relaciones lgicas de causa-efecto de las variables (Mediero y
Garrote, 2006; Mediero et al., 2006).
El proceso de operacin de embalses deber ser representado mediante dos estructuras de
redes Bayesianas: La primera permitir obtener el pronstico probabilstico del caudal vertido por
el embalse en el futuro (Figura 5.7) y la segunda el pronstico del nivel de embalse (Figura 5.8).
Las dos redes realizarn el pronstico a partir del caudal entrante observado o pronosticado y del
nivel inicial del embalse, pudiendo obtener las probabilidades de ocurrencia de ambas variables
para diferentes estrategias de operacin de los rganos de desage.
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t
Qsal
t + 1
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t
Qsal
t + 1

Figura 5.7. Estructura de Red Bayesiana de pronstico del caudal vertido en el intervalo de tiempo futuro.
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t NE
t + 1
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t NE
t + 1

Figura 5.8. Estructura de Red Bayesiana de pronstico del nivel de embalse en el intervalo de tiempo futuro.
Para la representacin de las redes Bayesianas se ha adopta la siguiente terminologa:
Q
ent
ser el caudal de entrada al embalse, Q
sal
ser el caudal de vertido de la presa, NE ser el
Pgina 108


nivel del embalse y Estrategia ser la estrategia de operacin de embalses, determinadas en cada
embalse a partir de sus caractersticas.
5.2.3 RED BAYESIANA DE TRANSPORTE DE CAUDAL
La red Bayesiana de transporte de caudal realiza una representacin probabilstica de un
tramo del cauce de un ro, pronosticando el caudal en el punto de salida del tramo a partir del
conocimiento del caudal de entrada en el mismo. La estructura de red Bayesiana se determinar a
partir de los caudales en los puntos de entrada y salida del tramo, por lo que slo depender de dos
variables: El caudal en el punto de entrada al tramo del ro y el caudal en el punto de salida del
tramo del ro.
La identificacin de los intervalos de tiempo del caudal de entrada que ms influyen en el
caudal de salida, se realizar mediante la determinacin del tiempo de viaje del agua por el tramo.
El tiempo de viaje se puede obtener mediante el mismo mtodo aplicado a la determinacin del
tiempo de retardo de una cuenca: Calculando el retardo entre los mximos del hidrograma de
entrada y el hidrograma de salida y dibujando el histograma de frecuencias de los diferentes valores
del tiempo de viaje.
La estructura de red Bayesiana estar formada por el caudal de entrada al tramo en los
intervalos de tiempo en el pasado que mayor frecuencia presentan en el histograma (t i, t - (i + 1),
etc.) y el caudal de salida en el tramo en el intervalo de tiempo actual. La red Bayesiana
pronosticar el caudal de salida en el intervalo de tiempo futuro. El nmero de intervalos de tiempo
del caudal de entrada depender de la longitud del tramo de ro y de la variabilidad de los tiempos
de viaje (Figura 5.9)
Qent
t - i
Qent
t (i+1)
Qsal
t Qsal
t + 1
Qent
t (i+2)
Qent
t - i
Qent
t (i+1)
Qsal
t Qsal
t + 1
Qent
t (i+2)

Figura 5.9. Estructura de Red Bayesiana de pronstico del caudal de salida en un tramo de ro.
5.2.4 RED BAYESIANA DE CONFLUENCIA DE DOS TRAMOS DE RO
La red Bayesiana de confluencia de dos tramos de ro permitir obtener la suma de los
caudales de dos tramos de ro definidos mediante distribuciones de probabilidad, por tanto no
realizar un pronstico en el futuro del caudal que llevar el ro tras una confluencia, sino que
permitir la obtencin del caudal probabilstico del ro despus del tramo a partir de los caudales en
los dos tramos aguas arriba en el mismo instante de tiempo, determinados mediante distribuciones
de probabilidad.
La determinacin de la estructura de red Bayesiana de una confluencia es muy sencilla, ya
que slo intervienen tres variables: El caudal en el tramo 1 en el instante de tiempo actual (Q
1
), el
Pgina 109


caudal en el tramo 2 en el instante de tiempo actual (Q
2
) y el caudal aguas abajo de la confluencia
resultado de la suma de los anteriores en el instante de tiempo actual (Q
1+2
) (Figura 5.10).
Q
1
Q
2
Q
1 + 2
Q
1
Q
2
Q
1 + 2

Figura 5.10. Estructura de Red Bayesiana de pronstico del caudal en una confluencia de dos tramos de ro.
5.2.5 ESTABILIZACIN DE LOS PARMETROS DE LAS REDES BAYESIANAS
El nmero de episodios sintticos que se utilizan en el proceso de aprendizaje de las redes
Bayesianas condiciona el resultado de los parmetros de la red, de tal forma que un nmero
reducido de episodios simulados llevar a una red no ajustada completamente, en la que muchas
probabilidades condicionadas tendrn valor nulo debido a que no se ha introducido ningn caso que
las cubra. Por otra parte, un nmero elevado de episodios sintticos puede llevar a un ajuste
excesivo de los parmetros de la red, que provoca distorsiones en la misma, ya que aparecer un
gran nmero de casos repetidos.
Resulta fundamental realizar a un anlisis de la evolucin de los parmetros de las redes
Bayesianas en funcin del nmero de episodios sintticos que se incluyen en el proceso de
aprendizaje, con el objeto de determinar el nmero ptimo de episodios sintticos que se deben
incluir en el proceso de aprendizaje de las redes Bayesianas.
El resultado del aprendizaje paramtrico para cada caso segn el nmero de simulaciones
se determina mediante la medida de la entropa condicional, que se fundamenta en el anlisis
estadstico de la distribucin de probabilidad conjunta de cada combinacin de valores y la
distribucin de probabilidad asignada a cada combinacin tras el proceso de aprendizaje,
permitiendo cuantificar el desorden de la informacin contenida en una red Bayesiana mediante la
siguiente expresin (Herskovitz y Cooper, 1990):
)) ,..., | ( ln( ) ,..., | ( ) ,..., ( ) ,..., | (
1 1 1
,...,
1
1 1
n n
x X
n
y Y y Y
n
y y x P y y x P y y P Y Y X H
n n

= = =
=
donde:
X representa un nodo de la red y x los posibles valores cualitativos que puede tomar
es el conjunto de padres del nodo X
n
Y Y ,...,
1
Y
i
= y
j
representa que la varible Y
i
toma el valor cualitativo y
j
Esta medida siempre adopta valores positivos, ya que el logaritmo natural de una
probabilidad ser siempre negativo. La entropa condicional mide el desorden en las probabilidades
aprendidas para las diferentes combinaciones de valores del conjunto formado por un nodo y sus
Pgina 110


padres. Por tanto, esta medida no puede ser ni muy alta ni muy baja. Si obtenemos un valor de 0
quiere decir que todas las combinaciones de valores tienen una probabilidad de ocurrencia de 1, es
decir, sabramos con total certeza lo que va a ocurrir para todas las posibles combinaciones de
valores de los nodos, o lo que es lo mismo, tendramos un pronstico determinstico. Por otra parte,
valores muy altos de la entropa condicional nos llevan al extremo opuesto y significan que todas
las combinaciones de valores tienen una dispersin muy alta en la asignacin de probabilidades, es
decir, sabemos muy poco acerca de lo que estamos pronosticando.
Si la entropa condicional adopta valores cercanos a cero, significa que tenemos un
pronstico determinstico con lo que estamos pronosticando un proceso que no tiene incertidumbre,
o si la tiene, estamos realizando el pronstico de forma incorrecta. Si adopta valores muy grandes
significa una dispersin muy alta de los valores de probabilidad, lo que significa que tenemos una
gran ignorancia acerca del proceso que estamos pronosticando. Por tanto, deberemos obtener
valores medios de esta medida.
El anlisis de estabilidad concluye con la realizacin de un grfico con el nmero de
episodios sintticos utilizados en el proceso de aprendizaje en el eje de abscisas y el valor de la
entropa condicional en el de ordenadas. El nmero ptimo de episodios sintticos es aquel a partir
del cual se produce la estabilizacin de la entropa condicional, obteniendo valores cercanos a 0,5.
5.2.6 APRENDIZAJE PARAMTRICO DE LAS REDES BAYESIANAS
Una vez determinadas las estructuras de redes Bayesianas que permiten la representacin
de los diferentes procesos hidrolgicos de la cuenca y el nmero ptimo de episodios sintticos que
lleva a la estabilizacin de los parmetros de la red Bayesiana, se debe realizar el proceso de
aprendizaje paramtrico de las redes Bayesianas. El aprendizaje paramtrico consiste en la
obtencin de las probabilidades de ocurrencia de los valores de cada variable en funcin de las
diferentes combinaciones de valores de sus nodos padres, con lo que permitir obtener las tablas de
probabilidades condicionadas de los diferentes nodos que conforman las redes Bayesianas, a partir
de los datos de las variables.
El aprendizaje paramtrico se realizar a partir del conjunto de variables obtenidas de la
simulacin del primer conjunto de episodios sintticos. El tratamiento estadstico de este gran
nmero de casos se ha realizado mediante la herramienta Bayes Net Toolbox implementada en el
entorno Matlab (KP Murphy, 2001).
La herramienta Bayes Net Toolbox dispone de varios algoritmos de aprendizaje
paramtrico de redes Bayesianas. En el presente estudio se ha utilizado el algoritmo
learn_params que obtiene la estimacin de mxima verosimilitud de cada parmetro o posible
combinacin de valores de un nodo y sus padres, ya que se ha comprobado en diversos casos que
este algoritmo produce resultados satisfactorios.
La presenta tesis considera una representacin multicategrica de las variables que
intervienen en el pronstico, por lo que se utilizarn redes Bayesianas multinomiales. El
aprendizaje se realizar sobre variables discretas, por lo que se debern discretizar las variables de
forma cualitativa en un nmero determinado de intervalos antes de aplicar el algoritmo de
aprendizaje.
Una vez que se han obtenido las tablas de probabilidad condicionada de una red Bayesiana,
se deber evaluar la utilidad del pronstico asociado a la misma, mediante la realizacin del
Pgina 111


proceso de validacin de las redes Bayesianas, mediante un segundo conjunto de datos sintticos,
comprobando la correspondencia entre los resultados probabilsticos de pronstico suministrados
por las redes y los resultados determinsticos que componen las observaciones. Este proceso se
denomina validacin o verificacin de los pronsticos y se describe en el siguiente Captulo.
Las estructuras de redes Bayesianas han quedado determinadas en el Apartado anterior para
todos los elementos de la cuenca, excepto para la red que representa el proceso de transformacin
de la lluvia en caudal. En este caso tendremos una serie de posibles redes definidas a partir de
diferentes valoraciones de los resultados del estudio de dependencia entre variables. La seleccin
de la estructura de red que conduce a una mejor aplicacin como herramienta de pronstico, se
realizar en funcin de los resultados de la verificacin de las diferentes redes y de la
cuantificacin de la calidad de los pronsticos y su utilidad como herramientas de ayuda en la toma
de decisiones.

Pgina 112

Captulo 6. Validacin del modelo probabilstico

6 VALIDACIN DEL MODELO PROBABILSTICO
La validacin del modelo probabilstico de pronstico basado en redes Bayesianas se
realizar sobre el segundo conjunto de episodios simulados. Se realizar el proceso de inferencia de
las redes Bayesianas, obteniendo las probabilidades de pronstico de las variables de salida de cada
uno de las estructuras de red Bayesiana, para varios intervalos de tiempo futuros. Debido al gran
nmero de ejecuciones del proceso de inferencia de la red Bayesiana (el segundo conjunto de
episodios sintticos est formado por 7350 episodios, con 144 intervalos de tiempo cada uno, es
decir, 1.252.800 ejecuciones para cada intervalo de tiempo de pronstico), se deber desarrollar
una herramienta que permita la realizacin sucesiva del proceso de inferencia de las redes
Bayesianas, variando los datos de entrada al modelo y permitiendo el almacenamiento de los
resultados probabilsticos de salida del modelo.
La herramienta generada deber realizar el almacenamiento, en una matriz, tanto de los
datos observados como de los resultados de pronstico, facilitando el tratamiento estadstico
posterior de los mismos. Los valores de probabilidad de pronstico sern almacenados en las
categoras correspondientes con valores comprendidos entre 0 y 1. Los datos observados sern
almacenados con valor 1 en la categora en la que se encuadra el valor del dato observado y valor 0
en el resto de categoras (Tabla 6.1).
Categoras de
pronstico
Intervalo de valores de
la variable
Probabilidad de
pronstico
Datos
observados
Valor del dato
observado
1 25 m
3
/s 0 0
2 >25 - 50 m
3
/s 0 0
3 >50 - 150 m
3
/s 0 0
4 >150 - 300 m
3
/s 0.39 0
5 >300 - 500 m
3
/s 0.53 1 350 m
3
/s
6 >500 - 700 m
3
/s 0.08 0
7 >700 - 900 m
3
/s 0 0
8 >900 - 1100 m
3
/s 0 0
9 >1100 - 1500 m
3
/s 0 0
10 >1500 m
3
/s 0 0
Tabla 6.1. Esquema de almacenamiento de los resultados probabilsticos del modelo en una matriz.
Mediante esta metodologa se obtendrn matrices resumen (Figura 6.1) que contengan los
valores de probabilidad de pronstico (Cuadrado izquierdo de la Figura 6.1) y los datos observados
(Cuadrado derecho de la Figura 6.1). Cada una de las filas representa un evento, mientras que las
columnas representan las categoras en las que se ha discretizado los valores de la variable
pronosticada.
Los resultados probabilsticos del pronstico se debern comparar con los valores de los
datos observados. La comparacin resulta mucho ms compleja que en el caso de un pronstico
determinstico, ya que habr que comparar resultados probabilsticos con datos observados o
determinsticos, es decir, habr que comparar una distribucin de probabilidad con un valor
observado.
No existe una sola medida que sea capaz de capturar todos los aspectos que intervienen en
la calidad de un pronstico probabilstico. Por ello, se ha desarrollado una metodologa de
Pgina 113


verificacin que permita la cuantificacin de la calidad de los diferentes atributos que influyen en
el resultado final de un pronstico probabilstico, mediante un conjunto de medidas y grficos,
siguiendo una aproximacin orientada a distribuciones (Distributions-oriented approach).

Figura 6.1. Matriz resumen de los resultados probabilsticos de pronstico y datos observados
6.1. INTRODUCCIN
La verificacin de un pronstico depende de tres tipos de bondad: Consistencia, calidad y
valor. La consistencia representa la correspondencia existente entre el pronstico dado (hablado
o escrito) y los datos de los que dispone el pronosticador para realizar su juicio de valor anterior
al pronstico. En la presente tesis se considera que el pronstico no supone ninguna
modificacin con respecto al juicio de valor, ya que ste se realizar nicamente a partir de la
base de conocimiento obtenida de los resultados del modelo de redes Bayesianas. De esta forma,
podemos considerar que el pronstico (f) es igual al juicio de valor del pronosticador (p), por lo
que obtendramos los valores ms altos de consistencia (Murphy, 1993). Adems, un pronstico
probabilstico presenta una mejor consistencia que un pronstico continuo o categrico ya que tiene
en cuenta la incertidumbre inherente a cualquier pronstico.
Por otra parte, el valor de un pronstico representa las prdidas y beneficios que supone a
los individuos u organizaciones el uso del pronstico en el proceso de toma de decisiones. La
evaluacin del valor del pronstico queda fuera del mbito del estudio, ya que para ello deberamos
conocer la influencia econmica del pronstico en los usuarios.
Por tanto, la evaluacin de la bondad del pronstico se centrar en la verificacin de la
calidad del mismo, analizando la correspondencia entre los pronsticos y los datos observados
mediante la cuantificacin de los atributos que determinan la calidad del pronstico. La
verificacin de pronsticos es el proceso y prctica de determinar la calidad de las predicciones
(Murphy y Winkler, 1987).
La metodologa de verificacin depende del tipo de pronstico probabilstico que estemos
evaluando. El modelo de pronstico basado en redes Bayesianas suministra pronsticos
probabilsticos multicategricos, por lo que la verificacin se puede realizar de dos formas
diferentes:
Pgina 114


- Desde un punto de vista multicategrico, es decir, analizando la relacin entre los
valores acumulados de los pronsticos y de los datos observados del evento en
conjunto (Tabla 6.2).
Categoras
del evento
Pronstico (f) Observacin (x) f
x
1 0.10 0 0.10 0
2 0.30 0 0.40 0
3 0.40 1 0.80 1
4 0.20 0 1 1
Total 1 1 2.30 2
Tabla 6.2. Obtencin de valores acumulados de las probabilidades de pronstico y de los datos observados para
realizar la evaluacin multicategrica del pronstico.
Este tipo de verificacin se fundamenta en el anlisis de la funcin de distribucin de
la probabilidad acumulada de prediccin (Figura 6.2.).

Figura 6.2. Funcin de distribucin de la probabilidad acumulada de prediccin.
- Desde un punto de vista dicotmico, es decir, analizando la relacin entre pronsticos
y datos observados (valores no acumulados) de cada una de las categoras,
considerando que cada pareja de pronsticos y datos observados que conforman el
evento es un pronstico independiente (Tabla 6.3.).
Categoras
del evento
Pronstico (f) Observacin (x)
1 0.15 0
2 0.30 1
3 0.45 0
4 0.10 0
Total 1 1
Tabla 6.3. Valores de pronsticos y datos observados para realizar la evaluacin dicotmica del pronstico.
Pgina 115


6.2. MEDIDAS DE CUANTIFICACIN DE LOS ATRIBUTOS QUE
INFLUYEN EN LA CALIDAD DE UN PRONSTICO
La metodologa de verificacin de pronsticos probabilsticos propuesta, se fundamenta en
la cuantificacin de cada uno de los atributos que influyen en la calidad de un pronstico
(Apartado 2.4.4). Algunos de los atributos que influyen en la calidad de un pronstico, podrn ser
evaluados mediante una verificacin multicategrica, mientras que otros, debern ser evaluados
desde un punto de vista dicotmico. A continuacin se presenta la eleccin de las medidas y
grficos que cuantifican los atributos que influyen en la calidad de un pronstico probabilstico
multicategrico (Mediero, 2005).
En el presente apartado se describen una serie de medidas y grficos que analizan la
correspondencia entre probabilidades de pronstico y datos observados. Se ha utilizado la siguiente
nomenclatura comn para todo el conjunto de medidas y grficos:
- f : Valor de la probabilidad de pronstico.
- x : Valor del dato observado (x = 1 si el evento pronosticado ha ocurrido, x = 0 si el
evento pronosticado no ha ocurrido).
- N : Nmero de pronsticos.
- f : Valor medio de las probabilidades de pronstico.
- x : Valor medio de los datos observados.
- 0 | = x f : Valor medio de las probabilidades de pronstico asociadas a un dato
observado de valor 0.
- 1 | = x f : Valor medio de las probabilidades de pronstico asociadas a un dato
observado de valor 1.
6.2.1 SESGO
El atributo de Sesgo normalmente se cuantifica mediante la medida del Error Medio
(ME) (Stanski et al., 1986; Brooks y Doswell, 1996; Brown, 2001):
x f x f
N
ME
N
i
i i
= =
=1
) (
1

Esta medida mide el valor medio del error cometido en el pronstico, indicando la
direccin de la desviacin del mismo segn su signo. Un valor negativo del ME indica una
desviacin de la media del pronstico hacia probabilidades ms pequeas que las reales, es decir,
tenemos un pronstico subestimado, mientras que valores positivos indican una desviacin hacia
probabilidades mayores que las reales, es decir, el pronstico est sobreestimado. El ME adopta
valores comprendidos entre -1 y 1. Un valor de 0 correspondera a un pronstico perfecto.
Sin embargo, en el caso de un pronstico multicategrico esta medida adopta siempre un
valor de 0, ya que tanto la suma de las probabilidades asignadas a las categoras del pronstico de
un evento, como la de los datos observados asignados a dicho evento, sern siempre igual a 1
(Tabla 6.3).
Pgina 116


Por ello, se ha realizado una modificacin del ME para poder ser aplicada a un pronstico
multicategrico. La modificacin est basada en la tcnica utilizada para la obtencin del Ranked
Probability Score (RPS) (Daan, 1985; Wilks, 1995; Brown, 2001). Como resultado de la
modificacin se ha obtenido la medida llamada Error Medio Multicategrico (MME),
desarrollada en la presente tesis para obtener la cuantificacin del atributo de sesgo en el caso de un
pronstico multicategrico:
=
= = = =
J
m
m
j
m
j
j j
N
k
x f
J N
MME
1 1 1 1 1
1 1

donde:
J: es el nmero de categoras en las que se ha discretizado el evento pronosticado.
El clculo de esta medida se realiza siguiendo el procedimiento descrito en la Tabla 6.4.
j f
j
x
j

=
m
j
j
f
1

=
m
j
j
x
1

1 0 0 0 0
2 0.15 0 0.15 0
3 0.25 0 0.40 0
4 0.60 1 1 1
5 0 0 1 1
Tabla 6.4. Ejemplo de obtencin de los valores acumulados de probabilidad y dato observado en un pronstico
multicategrico.
Para el ejemplo de la Tabla 6.3, el valor del MME sera el siguiente:
( ) ( ) ( ) ( ) ( ) [ ] 1375 . 0 1 1 1 1 0 40 . 0 0 15 . 0 0 0
4
1
= + + + + = MME
El valor del MME puede adoptar valores comprendidos entre -1 y 1. Un pronstico
perfecto tomara un valor del MME igual a 0 (sesgo nulo). Los valores positivos representan
desviaciones de las probabilidades hacia pronsticos sobreestimados, mientras que los valores
negativos representan desviaciones hacia pronsticos subestimados. Cuanto ms se acerquen los
valores del MME a los extremos 1 y -1, las desviaciones sern mayores, y por tanto el pronstico
ser peor. Sin embargo, El MME no mide la magnitud del error en valor absoluto y, por tanto, se
puede obtener un valor bueno de esta medida (cercano a 0) teniendo un pronstico malo, en el caso
de que los errores se compensen entre s.
6.2.2 ASOCIACIN
El Atributo de Asociacin se cuantifica mediante la medida del Coeficiente de
Correlacin Lineal (R
2
) (Stanski et al., 1986; Wilson, 2001).
x f
fx
s s
s
R =
2

donde:
s
fx
: es la covarianza del conjunto de datos
Pgina 117


( )( ) [ ]
=
=
N
i
i i fx
x x f f
N
s
1
1

s
f
: es la desviacin tpica del conjunto de pronsticos (f)
( )
2
1
1

= f f
N
s
i f

s
x
: es la desviacin tpica del conjunto de datos observados (x)
( )
2
1
1

= x x
N
s
i x

El Coeficiente de Correlacin Lineal puede adoptar valores comprendidos entre -1 y 1,
midiendo el grado de asociacin lineal entre los pronsticos y los datos observados, es decir,
midiendo cunto se asemeja la distribucin de una nube de puntos a una recta. Si R
2
adopta un
valor de 0, no existe ninguna relacin entre los valores de probabilidades de pronstico y datos
observados (Figura 6.3.a). Si el coeficiente adopta un valor de 1, la nube de puntos de
probabilidades de pronstico y datos observados representa una lnea recta que sigue la diagonal
ascendente desde la esquina inferior izquierda a la esquina superior derecha (Figura 6.3.b). Si
adopta un valor de -1, la nube de puntos representa una lnea recta diagonal descendente desde la
esquina superior izquierda a la esquina inferior derecha (Figura 6.3.c).

Figura 6.3. Representacin del Coeficiente de Correlacin Lineal. a) Cercano a 0; b) Cercano a 1; c) Cercano a -1.
Un pronstico perfecto tendra un valor del Coeficiente de Correlacin Lineal igual a 1, ya
que de esta forma todos los puntos que conforman la nube adoptaran un valor de probabilidad de
pronstico igual al valor del dato observado correspondiente. Por tanto, el pronstico ser mejor
cuanto ms cercano a 1 se encuentre el valor de R
2
.
6.2.3 PRECISIN
El Atributo de Precisin se cuantifica mediante la medida del Ranked Probability Score
(RPS) (Stanski et al., 1986; Brown, 2001; Franz y Sorooshian, 2002; J oliffe y Stephenson, 2003):
=
= = = =
J
m
m
j
m
j
j j
N
k
x f
J N
RPS
1
2
1 1 1 1
1 1

donde:
Pgina 118


J: es el nmero de categoras en las que se ha discretizado el evento pronosticado
Para el ejemplo de la Tabla 6.3, el valor del RPS sera el siguiente:
( ) ( ) ( ) ( ) ( ) [ ] 0456 . 0 1 1 1 1 0 40 . 0 0 15 . 0 0 0
4
1
2 2 2 2 2
= + + + + = RPS
El valor del RPS puede tomar valores comprendidos entre 0 y 1, un valor de 0 se
correspondera con un pronstico perfecto, mientras que un valor de 1 se correspondera con el
peor pronstico esperable. Por tanto, la calidad de un pronstico ser mejor, en relacin al atributo
de Precisin, cuanto ms cerca de 0 se encuentre el resultado obtenido del RPS.
6.2.4 HABILIDAD
El atributo de Habilidad se cuantifica mediante el Diagrama ROC (Relative Operating
Characteristics) (Stanski et al., 1986; Mason y Graham, 1999; Zhang y Casey, 2000;
Lalaurette, 2001; Brown, 2001; Lefaivre, 2001; J oliffe y Stephenson, 2003). Mediante el Diagrama
ROC cuantificamos la capacidad del modelo para discriminar entre sucesos y no-sucesos. El
Diagrama ROC forma parte de la Teora de Deteccin de Seales (Mason y Graham, 1999), que
tiene por objetivo la determinacin de los umbrales de probabilidad ms adecuados para su
aplicacin en la toma de decisiones.
Para construir el Diagrama ROC tenemos que transformar las probabilidades de pronstico
en valores dicotmicos (S / No). Para ello elegimos una serie de umbrales de probabilidad [0; 0.05;
0.10; 0.20; etc, (Columna 1 de Tabla 6.5)] y transformamos los pronsticos englobados dentro de
cada umbral en S-Ocurrencia si el pronstico corresponde a un acierto y No-Ocurrencia si el
pronstico corresponde con un fallo (Columnas 2 y 3 de la Tabla 6.5). Se calculan los valores de
S-Ocurrencia y No-Ocurrencia acumulados en sentido inverso (Columnas 4 y 5 de la
Tabla 6.5) y se cuantifican las frecuencias relativas acumuladas de xitos y Falsas Alarmas,
relativas a las S-Ocurrencias y No-Ocurrencias respectivamente (Columnas 6 y 7 de la
Tabla 6.5).
Prob.
No-
Ocurrencia
S-
Ocurrencia
No-
Ocurrencia
(Acum.)
S-
Ocurrencia
(Acum.)
Falsas
Alarmas
xitos
0 165 2 290 46 1.00 1.00
10 42 3 125 44 0.43 0.96
20 33 5 83 41 0.29 0.89
30 19 5 50 36 0.17 0.78
40 7 3 31 31 0.11 0.67
50 4 7 24 28 0.08 0.61
60 10 6 20 21 0.07 0.46
70 5 8 10 15 0.03 0.33
80 1 3 5 7 0.02 0.15
90 2 0 4 4 0.01 0.09
100 2 4 2 4 0.01 0.09
Tabla 6.5. Obtencin de xitos y Falsas Alarmas para la representacin del Diagrama ROC.
El Diagrama ROC se construye representando las frecuencias relativas de Falsas Alarmas
en el eje x frente a las frecuencias relativas de xitos en el eje y, aadiendo la lnea diagonal
del diagrama que representara la Habilidad nula del pronstico (Figura 6.4).
Pgina 119


Curva ROC
Habilidad nula
Figura 6.4. Representacin del Diagrama ROC a partir de los datos de la Tabla 6.5.
La Habilidad del pronstico se cuantifica mediante la medida del rea que queda por
debajo de la curva ROC. La diagonal del Diagrama representa la habilidad nula, por debajo de la
diagonal la habilidad ser negativa y por encima de la diagonal la habilidad ser positiva. Por tanto,
cuanto ms se acerca la curva a la esquina superior izquierda mayor ser la Habilidad del
pronstico.
La valoracin cualitativa de la habilidad del pronstico se realiza mediante la medida del
rea que queda por debajo de la curva ROC. Si el rea es igual a 0.5 (Curva ROC coincidente con
la diagonal ascendente) el pronstico tendr habilidad nula, si adopta valores superiores a 0.5
(Curva ROC por encima de la diagonal) tendr habilidad positiva y si adopta valores inferiores a
0.5 (Curva ROC por debajo de la diagonal) tendr habilidad negativa.
El pronstico es mejor cuanto mayor sea el valor del rea por debajo de la curva y, por
tanto, sta se acerque ms a la esquina superior izquierda del grfico. Un pronstico perfecto
adoptara un valor del rea situada debajo de la curva igual a 1.
6.2.5 FIABILIDAD
El atributo de Fiabilidad se cuantifica mediante el Diagrama de Fiabilidad (Stanski et al.,
1986; Wilks, 2000; Brown, 2001; Franz y Sorooshian, 2002; J oliffe y Stephenson, 2003).
El Diagrama de Fiabilidad mide la frecuencia relativa de aciertos en los pronsticos
discretizados por intervalos de probabilidad (f). Se fundamenta en la idea de que, por ejemplo, una
probabilidad de pronstico del 0.2 se debera cumplir en el 20 % de los casos pronosticados con
dicha probabilidad, siempre que se tenga una poblacin suficientemente grande. Por ello, este
Diagrama suele ir asociado al Histograma de Probabilidades (Figura 6.5).
Para representar el Diagrama de Fiabilidad tendremos que discretizar los pronsticos por
intervalos segn su valor de la probabilidad (f). En el eje x se representarn los intervalos de
probabilidad de pronstico (f) y en el eje y la frecuencia relativa de acierto de los pronsticos
incluidos en cada intervalo de probabilidad.
Un pronstico perfecto coincidira con la lnea diagonal del diagrama, es decir, la
frecuencia de acierto en cada intervalo es igual al valor de la probabilidad de pronstico del
intervalo considerado. Por tanto, la calidad del pronstico, referente al atributo de Fiabilidad, ser
Pgina 120


mejor cuanto ms se acerca la grfica de Fiabilidad a su diagonal principal. Si la grfica queda por
debajo de la diagonal las probabilidades de pronstico estarn sobreestimadas, mientras que si
queda por encima de la diagonal las probabilidades de pronstico estarn subestimadas.

Histograma de
probabilidades
Pronstico
perfecto
Porcentaje de
aciertos del
pronstico
Figura 6.5. Ejemplo de representacin del Diagrama de Fiabilidad.
6.2.6 RESOLUCIN
El atributo de Resolucin se cuantifica mediante el componente de resolucin del Brier
Score descompuesto (Stanski et al., 1986; Brown, 2001; Wilson, 2001; J oliffe y Stephenson,
2003).
Si discretizamos n parejas de valores de pronstico y datos observados, segn el valor del
pronstico [p(x|f)], en I intervalos de probabilidad de pronstico, teniendo cada uno de ellos una
poblacin N
i
, la medida del Brier Score se puede descomponer en tres componentes:
( ) ( ) ( )
= =
+ =
I
i
I
i
i
i
i
i i
x x x x N
n
x f N
n
BS
1 1
2 2
1
1 1

- El primer trmino evala el atributo de Fiabilidad, midiendo el valor medio, para los
n pronsticos, de la diferencia entre el valor del pronstico ( )
i
f y el valor medio de
los datos observados para cada una de las parejas pertenecientes al intervalo I de
pronstico considerado ( )
i x . El valor medio del valor de los datos observados dentro
de cada intervalo ( )
i x corresponde con la frecuencia relativa de acierto del pronstico,
por lo que idealmente su valor ser cercano a , siendo el valor del pronstico en
dicho intervalo.
i
f
i
f
- El segundo trmino evala el atributo de Resolucin, midiendo el valor medio, para los
n pronsticos, de la diferencia entre el valor medio de los datos observados
pertenecientes a un intervalo de pronstico ( )
i x y el valor medio de los datos
observados para todo el conjunto de pronsticos ( ) x . Idealmente, los valores medios
Porcentaje de
acierto
Intervalo de
probabilidad
Pgina 121


de los datos observados en cada intervalo ( )
i x sern diferentes al valor medio de todos
los datos observados del pronstico ( ) x .
- El tercer trmino evala el atributo de Incertidumbre, midiendo la varianza de los
datos observados.
La medida de Resolucin ser igual al segundo trmino de la descomposicin del Brier
Score:
( )
=
=
I
i
i
i res
x x N
n
BS
1
2 1

Esta medida nos suministra informacin acerca de la capacidad del pronstico para
conseguir que los diferentes valores de probabilidad de pronstico tengan diferentes valores de
frecuencia de aciertos (Chessa y Lalaurette, 2001). La medida puede adoptar valores comprendidos
entre 0 y 0.9 (A.H. Murphy, 1973). El valor de 0 se corresponde con un pronstico con resolucin
nula, ya que hay una correspondencia total entre los valores medios de los datos observados
incluidos en los diferentes intervalos de probabilidad de pronstico y el valor medio total de los
datos observados. El valor de 0.9 se correspondera con un pronstico perfecto, ya que la diferencia
entre los valores medios de los datos observados dentro de los intervalos de probabilidad de
pronstico y el valor medio total del conjunto de datos observados alcanza un mximo.
Por tanto, la calidad del pronstico, desde el punto de vista de la Resolucin, ser mejor
cuanto mayor sea el valor del componente de Resolucin del Brier Score descompuesto.
6.2.7 REFINAMIENTO
El atributo de Refinamiento se cuantifica mediante el Histograma de probabilidades de
pronstico (Wilson et al., 1999; Brown, 2001; Lalaurette, 2001).
Para construir el Histograma de Probabilidades, los resultados de probabilidades de
pronstico se deben discretizar en intervalos segn el valor de la probabilidad asignada,
cuantificando el nmero de casos que se incluyen en cada intervalo. En el eje x se representar los
intervalos de probabilidad de pronstico y en el eje y el porcentaje de casos incluidos en cada
intervalo respecto del nmero total de casos (Figura 6.6).

Figura 6.6. Ejemplo de Histograma de Probabilidades.
Pgina 122


Un pronstico perfecto slo presentar casos en las probabilidades extremas (0 % y
100 %), adoptando las frecuencias de las probabilidades intermedias valores nulos, es decir,
estaramos en el caso de un pronstico determinstico. Por tanto, un pronstico ser mejor, desde el
punto de vista del Refinamiento, cuanto ms se acerque el Histograma de Probabilidades a dicha
distribucin, es decir, cuando presente una forma de U ms acentuada y mayores sean las
frecuencias de las probabilidades extremas y menor el de las probabilidades de pronstico
intermedias. Mientras que un Histograma de Probabilidades con forma de U invertida ser sntoma
de un pronstico de mala calidad referida al atributo de Refinamiento.
6.2.8 DISCRIMINACIN 1
El atributo de Discriminacin 1 se evala mediante el Diagrama de Discriminacin
(Stanski et al., 1986; Brown, 2001; Franz y Sorooshian, 2003). Para cuantificar el resultado del
Diagrama de Discriminacin se ha utilizado la medida del Coeficiente de Discriminacin 1
(Murphy, 1993).
El Diagrama de Discriminacin mide la capacidad del pronstico para discriminar entre
pronsticos acertados y pronsticos fallados, mediante la representacin de la distribucin
condicionada de los pronsticos a la ocurrencia del evento [p(f|x=1)] y la distribucin condicionada
de los pronsticos a la no ocurrencia del evento [p(f|x=0)] (Figura 6.7).

Figura 6.7. Ejemplo de Diagrama de Discriminacin.
Un pronstico perfecto presentara nicamente probabilidades de pronstico de valor 0 en
la curva de ( 0 | ) = x f p y pronsticos con valores igual a 1 en la curva de , es decir,
un pronstico perfecto presentara dos picos bien diferenciados en los extremos. Por tanto, la
calidad de un pronstico ser mejor cuanto mayores sean las frecuencia en los extremos 0 y 1 de las
curvas y , respectivamente.
( 1 | = x f p )
) ( ) 0 | = x f p ( 1 | = x f p
Para valorar cuantitativamente el atributo de Discriminacin 1, se calcular el Coeficiente
de Discriminacin 1 (C
disc_1
), resultante de la obtencin del valor medio de las diferencias entre los
valores medios de los pronsticos condicionados al dato observado considerado (
0 = x
f y
1 = x
f ) y
los valores de los datos observados respectivos (x =0 y x =1) (Murphy, 1993).
Pgina 123


( ) ( )
2
1 0
1 0
1 _
= =
+
=
x x
disc
f f
C
El Coeficiente de Discriminacin 1 puede adoptar valores comprendidos entre 0 y 1. Un
valor de 0 se correspondera con un pronstico perfecto, mientras que un valor de 1 se
correspondera con el peor de los pronsticos esperables. Por tanto, la calidad del atributo de
Discriminacin 1 ser mayor cuanto menor sea el valor del Coeficiente de Discriminacin 1.
6.2.9 DISCRIMINACIN 2
El atributo de Discriminacin 2 se evala mediante la comparacin del Diagrama de
Discriminacin con el Histograma de Probabilidades (Figura 6.8). Dicha comparacin se
cuantifica mediante el Coeficiente de Discriminacin 2 (Murphy, 1993).
El Coeficiente de Discriminacin 2 (C
disc_2
) resulta de la obtencin de la suma de los
valores absolutos de las diferencias entre el valor medio total de los pronsticos no condicionados
( f ) y el valor medio de los pronsticos condicionados a los datos observados (
0 = x
f y
1 = x
f )
(Murphy, 1993):
( ) ( )
1 0 2 _ = =
+ =
x x disc
f f f f C
El Coeficiente de Discriminacin 2 puede adoptar valores comprendidos entre 0 y 1. Un
valor de 1 se correspondera con un pronstico perfecto, mientras que un valor de 0 se
correspondera con el peor de los pronsticos esperables.

Figura 6.8. Comparacin del Diagrama de Discriminacin con el Histograma de Probabilidades.
6.2.10 INCERTIDUMBRE
El atributo de Incertidumbre se cuantifica mediante la medida del componente de
incertidumbre del Brier Score descompuesto o Varianza de los datos observados
(Stanski et al., 1986; Wilson, 2001; J oliffe y Stephenson, 2003):
( )
2
2
1
1
= x x
N
s
i x

Este atributo no mide la calidad del pronstico ya que la medida se realiza sobre la
distribucin marginal de datos observados [p(x)], no teniendo en cuenta las probabilidades de
pronstico. Este atributo mide la dificultad en la realizacin del pronstico en funcin de los datos
observados que se han considerado y por tanto la incertidumbre del mismo.
Pgina 124


La varianza puede adoptar valores comprendidos entre 0 y 0.25. El valor de 0 se
correspondera con un pronstico con poca incertidumbre y poca dificultad. El valor de 0.25 se
correspondera con un pronstico con una incertidumbre mxima y, por tanto, una dificultad alta.
Por tanto, cuanto mayor sea el valor de la varianza, mayor ser la incertidumbre del
pronstico y mayor ser la dificultad del mismo. Cuanto menor sea el valor de la varianza, el
pronstico ser ms fcil al ser menor la incertidumbre. Los valores mayores de incertidumbre se
obtienen con 5 . 0 = x .
6.2.11 RESUMEN DE LAS MEDIDAS UTILIZADAS
Las medidas y grficos seleccionados para cuantificar la calidad de un pronstico
probabilstico multicategrico se presentan en la Tabla 6.6.
ATRIBUTO GRFICOS Y MEDIDAS TIPO
Sesgo Error Medio Multicategrico (MME) Multicategrico
Asociacin Coeficiente de correlacin lineal Multicategrico
Precisin Ranked Probability Score (RPS) Multicategrico
Habilidad Curva ROC Dicotmico
Fiabilidad Diagrama de Fiabilidad Dicotmico
Resolucin
Componente de Resolucin del Brier
Score
Dicotmico
Refinamiento
Histograma de probabilidades de
pronstico
Dicotmico
Discriminacin 1 Diagrama de Discriminacin Dicotmico
Discriminacin 2 Coeficiente de Discriminacin 2 Dicotmico
Incertidumbre
Varianza - Componente de incertidumbre
del Brier Score
Dicotmico
Tabla 6.6. Medidas y diagramas utilizados para cuantificar atributos que influyen en la calidad de un pronstico
probabilstico.
6.3. VALORACIN CUANTITATIVA DE LA CALIDAD DEL
PRONSTICO
En el apartado anterior se ha definido un conjunto de medidas y grficos que permiten
cuantificar la calidad de los diferentes atributos que influyen en un pronstico. Sin embargo, cada
medida utiliza una escala de valores diferente, por ejemplo, el RPS utiliza el valor de 0 para
designar la mejor calidad posible y el 1 para designar la peor y, por otra parte, la medida del rea
por debajo de la curva ROC utiliza el valor de 0.5 para designar la peor calidad (habilidad nula) y
el valor de 1 para designar la mejor calidad posible.
Esta variabilidad en la escala de valores no permite una comparacin intuitiva de las
calidades de los diferentes atributos e incluso la valoracin objetiva de la calidad de un atributo
concreto. Con el objeto de facilitar la comparacin de calidades de los diferentes atributos, de
obtener un valor de calidad global del pronstico y de permitir la comparacin de la utilidad de
diferentes estructuras de redes Bayesianas en funcin de la calidad del pronstico, se ha
desarrollado una metodologa de obtencin de una valoracin cuantitativa y objetiva de la calidad
de un pronstico probabilstico.
Pgina 125


La valoracin cuantitativa de la calidad del pronstico se fundamenta en la transformacin
lineal de los resultados de los diferentes grficos y medidas, con el objeto de obtener un coeficiente
de calidad (Q
i
) de cada uno de los atributos que influyen en la calidad de un pronstico, que tenga
una escala de ponderacin que considere el valor de 0 como el del peor pronstico y el valor de 1
como el del mejor pronstico. La obtencin de las expresiones de los diferentes coeficientes de
calidad (Q
i
) para cada atributo se describe a continuacin:
Sesgo
La calidad del atributo de Sesgo se cuantifica mediante la medida del MME que puede
tomar valores comprendidos entre -1 y 1, siendo el valor de 0 el mejor resultado. Para realizar la
transformacin de la escala de valores se ha adoptado la siguiente expresin para el coeficiente de
calidad cuantitativa del atributo de Sesgo:
MME Q
sesgo
=1
Asociacin
La calidad del atributo de Asociacin se cuantifica mediante la medida del Coeficiente de
Correlacin Lineal (R
2
). Los resultados de un pronstico rara vez darn valores de R
2
negativos,
adems estos resultados seran totalmente inaceptables. Por tanto, se ha adoptado la siguiente
expresin para el coeficiente de calidad del atributo de Asociacin:
2
R Q
asociacion
= si 0
2
R
0 =
asociacion
Q si 0
2
< R
Precisin
La calidad del atributo de Precisin se valora mediante la medida del RPS, que adopta un
valor de 0 para el mejor pronstico y un valor de 1 para el peor pronstico. La transformacin de la
escala de valores se ha conseguido mediante la siguiente expresin:
RPS Q
precision
=1
Habilidad
La calidad del atributo de Habilidad se valora mediante la medida del rea que queda por
debajo de la curva ROC representada en el Diagrama ROC. Un rea de 0.5 se corresponde con una
habilidad nula, mientras que un valor de 1 se corresponde con un pronstico perfecto. Un rea
comprendida entre 0 y 0.5 significa una habilidad negativa del pronstico. El coeficiente de calidad
del atributo de habilidad se calcula mediante una expresin que considera un valor del rea de 0.5
equivalente a una calidad nula, una calidad perfecta con un valor del rea igual a 1 y una calidad
nula para habilidades negativas con un rea por debajo de 0.5:
( ) 5 . 0 2 = A Q
habilidad
si 5 . 0 A
0 =
habilidad
Q si 5 . 0 < A
Fiabilidad
La calidad del atributo de Fiabilidad se analiza mediante el Diagrama de Fiabilidad. El
Diagrama de Fiabilidad se puede valorar cuantitativamente mediante la medida del Coeficiente de
Pgina 126


Fiabilidad, que calcula la desviacin de los puntos de la curva respecto de la lnea diagonal en cada
intervalo de probabilidad de pronstico (Figura 6.5). Las desviaciones se ponderarn con el
porcentaje de casos pertenecientes al intervalo considerado respecto al nmero total de casos:
( )
N
N f x f
C
K
i
i i i
fiabilidad
=

=
1
|

donde:
K es el nmero de categoras en que se ha discretizado la probabilidad de
pronstico para calcular el diagrama de fiabilidad
f
i
es la probabilidad de pronstico caracterstica de la categora i
i
f x | es el valor medio de las observaciones condicionadas a la probabilidad de
pronstico f
i
N
i
es el nmero de casos de la categora i del histograma
A continuacin se muestra el ejemplo de clculo del Coeficiente de Fiabilidad (Tabla 6.7).
INTERVALO
i
f
i
f x | ( )
i i
f x f |
i
N
N
N
i

( )
N
N f x f
i i i
|

0
0 0.0039 0.0039 684413 0.518 0.002
05 . 0 0 >
0.025 0.0956 0.0706 59839 0.045 0.003
10 . 0 05 . 0 >
0.075 0.1857 0.1107 22275 0.017 0.002
15 . 0 10 . 0 >
0.125 0.1538 0.0288 83513 0.063 0.002
20 . 0 15 . 0 >
0.175 0.4827 0.3077 56595 0.043 0.013
20 . 0 15 . 0 >
0.225 0.3256 0.1006 45863 0.035 0.003
30 . 0 25 . 0 >
0.275 0.2456 -0.0294 15335 0.012 0.000
30 . 0 25 . 0 >
0.325 0.2235 -0.1015 32568 0.025 -0.003
40 . 0 35 . 0 >
0.375 0.1696 -0.2054 28880 0.022 -0.004
45 . 0 40 . 0 >
0.425 0.2783 -0.1467 57824 0.044 -0.006
50 . 0 45 . 0 >
0.475 0.1229 -0.3521 61419 0.046 -0.016
55 . 0 50 . 0 >
0.525 0.3699 -0.1551 12245 0.009 -0.001
60 . 0 55 . 0 >
0.575 0.3525 -0.2225 19128 0.014 -0.003
65 . 0 60 . 0 >
0.625 0.4545 -0.1705 15618 0.012 -0.002
70 . 0 65 . 0 >
0.675 0.3091 -0.3659 14250 0.011 -0.004
75 . 0 70 . 0 >
0.725 0.297 -0.428 11658 0.009 -0.004
80 . 0 75 . 0 >
0.775 0.3482 -0.4268 7194 0.005 -0.002
85 . 0 80 . 0 >
0.825 0.5076 -0.3174 23441 0.018 -0.006
90 . 0 85 . 0 >
0.875 0.5649 -0.3101 3211 0.002 -0.001
95 . 0 90 . 0 >
0.925 0.7654 -0.1596 9068 0.007 -0.001
1 95 . 0 < >
0.975 0.8137 -0.1613 11830 0.009 -0.001
1
1 0.9888 -0.0112 45685 0.035 0.000
TOTAL
1321852 1 -0.031
COEFICIENTE DE FIABILIDAD (Suma de valores absolutos de
las desviaciones ponderadas)
0.082

Tabla 6.7. Ejemplo de Clculo del Coeficiente de Fiabilidad.
Pgina 127


Se ha observado que la metodologa descrita en la Tabla 6.7 conduce a un valor del
Coeficiente de Fiabilidad muy bueno en la mayora de los casos, incluso en el caso de pronsticos
con Diagramas de Fiabilidad muy malos. Esto es debido al gran peso que tienen los pronsticos
con valor igual a 0 por el gran nmero de pronsticos con este valor que aparecen en un pronstico
probabilstico multicategrico. Con el objeto de conseguir una diferenciacin de los pronsticos
buenos y malos mediante la medida del Coeficiente de Fiabilidad y discriminar los valores de
probabilidad de pronstico que contienen informacin relevante acerca del atributo de Fiabilidad
(p >0), de aquellos que no contienen informacin (p =0), se ha decidido utilizar este Coeficiente
sobre el conjunto de probabilidades mayores a 0.05, desechando todas las probabilidades ms
pequeas.
Para obtener una escala de valores de la calidad del atributo que siga el criterio establecido,
el coeficiente de calidad cualitativa del atributo de Fiabilidad tendr la siguiente expresin:
fiabilidad fiabilidad
C Q =1
Resolucin
La calidad el atributo de Resolucin se cuantifica mediante la medida del componente de
Resolucin del Brier Score, que considera un valor de 0.9 para un pronstico perfecto y un valor de
0 para el peor de los pronsticos posibles (A.H. Murphy, 1973). Por tanto, el Coeficiente de
Resolucin tendr la siguiente expresin:
9 . 0
9 . 0
1
res
resolucion
BS
Q

=
Refinamiento
El atributo de Refinamiento se mide mediante el histograma de probabilidades. La calidad
del pronstico, desde el punto de vista del Refinamiento, ser mejor cuanto mayores sean las
probabilidades de los extremos y menores las centrales, es decir, el pronstico ser mejor cuanto
ms se acerque la apariencia del histograma a una forma en U.
La calidad del atributo de Refinamiento se puede cuantificar mediante la siguiente medida,
que asigna un peso lineal que aumenta desde la probabilidad intermedia de 0.5, que tiene un peso
de 0, hasta las probabilidades extremas de 0 y 1, que tienen un peso de 0.5:
N
N f
C
K
i
i i
to refinamien
=

=
1
5 . 0
2
Donde
K es el nmero de categoras que conforman el histograma de probabilidades
f
i
es la probabilidad de pronstico caracterstica de la categora i del histograma
N
i
es el nmero de casos de la categora i del histograma
Al igual que ocurre con el Coeficiente de Fiabilidad, el Coeficiente de Refinamiento da
unos resultados muy parecidos para pronsticos muy diferentes debido al gran peso que se da a los
valores de probabilidad 0 por su gran nmero de ocurrencias. En este caso, tambin se va a realizar
una restriccin al coeficiente, aplicndolo a las probabilidades mayores a 0.05 (p >0.05)
Pgina 128


A partir de esta medida se obtienen el coeficiente de calidad cuantitativa del atributo de
Refinamiento, con la escala de valores asignada a todos los atributos:
to refinamien to refinamien
C Q =
Discriminacin 1
La calidad del atributo de Discriminacin 1 se valorar mediante la medida del coeficiente
de calidad cuantitativa de Discriminacin 1 que tiene la siguiente expresin:
1 _ 1 _
1
disc disc
C Q =
Discriminacin 2
La calidad del atributo de Discriminacin 2 se valorar mediante la medida del coeficiente
de calidad cuantitativa de Discriminacin 2 que tiene la siguiente expresin.
2 _ 2 _ disc disc
C Q =
6.4. CUANTIFICACIN DE LA CALIDAD GLOBAL DE UN PRONSTICO
PROBABILSTICO
Debido a que no existe una nica medida que sea capaz de cuantificar todos los atributos
que influyen en la calidad de un pronstico, se ha desarrollado una metodologa para obtener un
valor de calidad global del pronstico, a partir de los valores de calidad de los diferentes atributos.
En el apartado anterior se han generado una serie de coeficientes de calidad (Q
i
) con una escala de
valores homognea, dando calidad 1 a un pronstico perfecto y calidad 0 al peor de los pronsticos
posibles.
La calidad global del pronstico se obtendr mediante la suma ponderada de estos
coeficientes de calidad (Q
i
). El factor de ponderacin de cada atributo ser asignado en funcin de
su importancia sobre la calidad global del pronstico.
La calidad global del pronstico depende de todos los atributos, excepto el atributo de
incertidumbre que no mide ningn aspecto de la calidad del pronstico, sino que slo depende de
las observaciones y nos dice el grado de dificultad del pronstico. Para tener en cuenta la dificultad
del pronstico y diferenciar entre dos pronsticos con la misma calidad pero diferente dificultad, se
ha aadido un coeficiente de ponderacin de la incertidumbre, que a igual calidad del resto de los
atributos le asigna una mayor calidad global del pronstico a aqul que tenga una mayor
incertidumbre o dificultad de pronstico. La calidad global del pronstico se obtiene mediante la
siguiente expresin:
=
=
n
i
i i
C w FQ
1

FQ es la calidad global del pronstico.
n es el nmero de atributos considerados excluyendo en cualquier caso el atributo de
incertidumbre
w
i
es el peso asignado al atributo i, de tal forma que
=
=
n
i
i
w
1
1
Pgina 129


Q
i
es el coeficiente de calidad del atributo i del pronstico
unc
BS + = 1
es un coeficiente que determina la importancia que se quiere dar a la dificultad
del pronstico ( 1 . 0 0 < < ). Se recomienda un valor de 05 . 0
BS
unc
es el componente de incertidumbre del Brier Score o varianza de los datos
observados

Pgina 130

Captulo 7. Aplicacin de la metodologa en la cuenca del ro Manzanares

Pgina 131

7 APLICACIN DE LA METODOLOGA EN LA CUENCA
DEL RO MANZANARES
7.1. DESCRIPCIN DE LA CUENCA DEL RO MANZANARES
El ro Manzanares se encuentra ubicado en el centro de la Pennsula Ibrica, dentro de la
cuenca hidrogrfica del ro Tajo (Figura 7.1.1). El ro Manzanares discurre en su totalidad dentro
de la Comunidad Autnoma de Madrid.
El ro Manzanares es un afluente del ro J arama por su margen derecha, teniendo una
longitud total de cauce de 80 km y una superficie de 1248 km
2
. Se ha considerado como punto de
salida de la cuenca la estacin de aforos de Rivas Vaciamadrid, muy cercana a la desembocadura
en el ro J arama.

Figura 7.1.1 Situacin de la cuenca del ro Manzanares
El tercio superior de la cuenca est situado en las estribaciones de la Sierra de Guadarrama,
estando compuesto por un sustrato grantico cubierto por masas forestales de conferas. El tercio
central se asienta sobre materiales terciarios, cubiertos por pastizal y matorral, excepto en el Monte
de El Pardo, donde predomina el arbolado. El tercio inferior est ocupado por la aglomeracin
urbana de Madrid y su zona de influencia, que se asienta en parte sobre el aluvial del ro. La mayor
parte del terreno est urbanizado, quedando nicamente algunas zonas verdes cubiertas por
vegetacin.
Dentro la cuenca se encuentran ubicados tres embalses: Navacerrada, Santillana y El Pardo,
de los cuales, los embalses de Santillana y El Pardo son los ms importantes desde el punto de vista
de la capacidad de regulacin de la cuenca y la laminacin de avenidas.
El embalse de Navacerrada (Figura 7.1.2) est situado sobre el ro Samburiel en la cabecera
del ro Manzanares. La presa, de gravedad, se termin de construir en el ao 1968, con una altura
de 47 m y una longitud de coronacin de 481 m. Tiene una capacidad de 11 Hm
3
y cubre una
superficie de 93 ha. En la parte central de la presa dispone de un aliviadero de compuertas con una
capacidad mxima de 240 m
3
/s. El agua recogida en este embalse se utiliza para el abastecimiento
de gran parte de las poblaciones situadas en la Sierra de Guadarrama. Debido a su pequeo
volumen tiene muy poca capacidad de laminacin.
Cuenca del ro
Manzanares

Pgina 132

El embalse de Santillana (Figura 7.1.3) est situado en el ro Manzanares en el trmino
municipal de Manzanares El Real y tiene una cuenca vertiente de 246,80 km
2
. La presa, de
escollera con pantalla asfltica, se concluy en el ao 1969 con una altura de 40 m y una longitud
de coronacin de 1355 m. La capacidad del embalse es de 91,2 Hm
3
, cubriendo una superficie de
1052 ha. Dispone de un aliviadero con compuertas con una capacidad mxima de 300 m
3
/s. El
embalse tiene una funcin reguladora de la cuenca, a la vez que sirve de abastecimiento. En este
embalse se encuentra el origen del canal de Santillana.

Figura 7.1.2. Embalse de Navacerrada. a) Vista general (Fuente: Canal de Isabel II). b) Perfil de la seccin
(Fuente: CEDEX)

Figura 7.1.3. Embalse de Santillana. a) Vista general (Fuente: Ministerio de Medio Ambiente). b) Perfil de la
seccin (Fuente: CEDEX)

Figura 7.1.4. Presa de El Pardo. a) Vista general (Fuente: Canal de Isabel II). b) Perfil de la seccin (Fuente:
CEDEX)
El embalse de El Pardo (Figura 7.1.4) est situado en el ro Manzanares en el trmino
municipal de Madrid y tiene una cuenca vertiente de 529,29 km
2
, de los cuales 282,40 km
2
estn
situados agua abajo de la presa de Manzanares el Real. La presa, de materiales sueltos con ncleo

Pgina 133

impermeable, se termin de construir en el ao 1970, con una altura de 35,5 m y una longitud de
coronacin de 830 m. El embalse tiene una capacidad de 45 Hm
3
y ocupa una superficie de 550 ha.
Dispone de un aliviadero con compuertas con una capacidad mxima de 750 m
3
/s. El embalse tiene
una funcin de regulacin de la cuenca.
La Oficina de Planificacin Hidrolgica de la Confederacin Hidrogrfica del Tajo ha
suministrado el modelo digital del terreno (MDT) de la Cuenca del ro J arama, con un ancho de
malla igual a 25 metros y una resolucin vertical de 1 metro. De este modelo digital se ha
delimitado la cuenca del ro Manzanares a partir de su punto de salida coincidente con la estacin
de aforos de Rivas Vaciamadrid. En el presente estudio se ha aumentado el ancho de malla a 100
metros para reducir el nmero de celdas que conforma la cuenca del ro Manzanares y as poder
reducir el tiempo de ejecucin de cada intervalo de clculo del modelo hidrolgico distribuido
RIBS (Figura 7.1.5).

Figura 7.1.5. a) Modelo digital del terreno de la cuenca del Manzanares. b) Mapa de usos del suelo en la cuenca del
Manzanares (Cdigos de tipos de suelo: Tabla 7.1.1)
El mapa de Usos del Suelo ha sido suministrado tambin por la Oficina de Planificacin
Hidrolgica de la Confederacin Hidrogrfica del Tajo en formato vectorial. Se han considerado
seis tipos de suelos en la cuenca del ro Manzanares (Tabla 7.1.1). A partir del mapa en formato
vectorial, se ha generado un mapa de usos del suelo en formato raster, con un ancho de malla igual
a 100 metros (Figura 7.1.5).
Cdigo Tipo de uso del suelo
1 Conferas y frondosas
2 Huerta en regado
3 Suelo urbano
4 Labor intensiva y extensiva
5 Pastizal y matorral
6 Suelo desnudo
Tabla 7.1.1. Cdigos de los tipos de suelos en la cuenca del Manzanares

Pgina 134

En el estudio se han considerado 16 estaciones pluviomtricas (Tabla 7.1.2), de las cuales,
7 se encuentran localizadas dentro de la cuenca del ro Manzanares y las otros 11 en las
proximidades de la misma y dentro de su rea de influencia. Para obtener los datos de caudales se
dispone de 3 estaciones de aforo, localizadas en distintos puntos del cauce del ro Manzanares
(Tabla 7.1.3): Rivas Vaciamadrid y presas de Santillana y El Pardo. Las distribuciones espaciales
de las estaciones pluviomtricas y de las estaciones de medida de caudal se presentan en la Figura
7.1.6.
COORDENADAS
CDIGO IDENTIFICACIN
X Y Z
AR18 Estacin de aforos Rivas Vaciamadrid 452.950 4.464.075 553
MC02 Estacin de San Fernando de Henares 436.750 4.479.250 566
MC03 Estacin del puente de San Fernando de Henares 436.750 4.479.250 594
P_31 Estacin del Prado Doctor, El Escorial 403.150 4.495.050 1135
P_30 Estacin de Cerro Hornillo 409.100 4.510.200 1242
P_27 Estacin en Casas de la Garganta, Manzanares
El Real
423.801 4.512.050 1072
PN28 Estacin de la Barranca, Navacerrada 416.150 4.512.050 1396
AR14 Estacin de Perales de Tajua 467.925 4.453.475 567
AR17 Estacin de aforo de Mejorada del Campo 457.037 4.472.337 541
AR23 Estacin de aforo de Perales de Villamantilla 403.650 4.469.624 497
AR13 Estacin de aforo de Henares en Espinillos 464.367 4.478.929 564
AR19 Estacin de aforo de Guadarrama en Bargas 420.729 4.482.914 613
E_22 Estacin en la presa de El Rey 453.963 4.461.118 500
E_21 Estacin en la presa de El Pardo 433.268 4.488.018 632
E_16 Estacin en la presa de Valmayor 411.468 4.487.914 834
E_15 Estacin en la presa de Santillana 430.627 4.506.997 897
Tabla 7.1.2. Estaciones pluviomtricas consideradas en el estudio
COORDENADAS
CDIGO IDENTIFICACIN
X Y Z
AR18 Estacin de aforos Rivas Vaciamadrid 452.950 4.464.075 553
ES08 Caudal de salida de la presa de Santillana 430.627 4.506.997 897
E_21 Caudal de salida de la presa de El Pardo 433.268 4.488.018 632
Tabla 7.1.3. Estaciones de aforo consideradas en el estudio
A partir del modelo digital del terreno de la cuenca del ro Manzanares se han obtenido los
mapas de direcciones de drenaje y de pendientes que se utilizarn como datos iniciales en el
modelo hidrolgico distribuido (Figura 7.1.7). En el mapa de direcciones de drenaje se ha asignado
a cada celda un nmero comprendido entre el 1 y el 8, definiendo as la direccin que toma el agua
en cada punto en su curso hacia agua abajo (Tabla 7.1.4).

Pgina 135

Figura 7.1.6. a) Localizacin de las estaciones pluviomtricas. b) Localizacin de las estaciones de aforo

Figura 7.1.7. a) Mapa de direcciones de drenaje de la cuenca del Manzanares (Cdigos de pendientes: Tabla 7.1.4).
b) Mapa de pendientes de la cuenca del Manzanares
CDIGO DIRECCIN
1 Este
2 Sudeste
3 Sur
4 Sudoeste
5 Oeste
6 Noroeste
7 Norte
8 Nordeste
Tabla 7.1.4. Cdigos del mapa de direcciones de drenaje de la cuenca del Manzanares

Pgina 136

7.1.1 DIVISIN DE LA CUENCA EN SUBCUENCAS
En el presente estudio se ha dividido la cuenca del ro Manzanares en tres subcuencas
(Figura 7.1.8):
a) Subcuenca Santillana: Comprende la parte alta de la cuenca del ro Manzanares,
desde la cabecera hasta el embalse de Santillana. Esta subcuenca supone una superficie
de 246,80 km
2
.
b) Subcuenca Pardo: Comprende la parte media de la cuenca del ro Manzanares, desde
la salida del embalse de Santillana hasta el embalse de El Pardo. Esta subcuenca ocupa
una superficie de 282,40 km
2
.
c) Subcuenca Rivas: Comprende la parte baja de la cuenca del ro Manzanares, desde la
salida del embalse de El Pardo hasta el aforo de Rivas Vaciamadrid. Esta es la
subcuenca ms grande de las tres, teniendo una superficie de 718.71 km
2
.
SUBCUENCA
RIVAS
SUBCUENCA
SANTILLANA
SUBCUENCA
PARDO
SUBCUENCA
RIVAS
SUBCUENCA
SANTILLANA
SUBCUENCA
PARDO

Figura 7.1.8. Divisin en subcuencas de la cuenca del ro Manzanares
7.2. GENERACIN DE LOS EPISODIOS DE LLUVIA SINTTICA
Los dos conjuntos de episodios sintticos de lluvia han sido generados mediante el modelo
estocstico de lluvia SimTorm. En este aparatado se describen, en primer lugar, las mejoras
incorporadas al modelo para poder generar los episodios con las caractersticas requeridas por los
posteriores pasos de la metodologa, en segundo lugar, el proceso de caracterizacin de los
episodios de lluvia registrados en la cuenca mediante una serie de medidas estadsticas, y a
continuacin, el proceso de calibracin del modelo SimTorm para generar episodios de lluvia con

Pgina 137

caractersticas similares a los episodios registrados. Hay que destacar la dificultad que conlleva este
ltimo proceso debido a la naturaleza estocstica del modelo y al gran nmero de parmetros que
utiliza. Una vez calibrado el modelo, se ha realizado la generacin de los dos conjuntos de
episodios sintticos de lluvia, uno se utilizar en el proceso de aprendizaje del modelo basado en
redes Bayesianas y el otro en el proceso de validacin. Finalmente, se describe el proceso de
comprobacin de la variabilidad de los episodios simulados en cada conjunto de episodios de lluvia
sinttica, as como, la identificacin y eliminacin de los episodios con caractersticas similares.
7.2.1 MEJORAS INTRODUCIDAS EN EL MODELO SIMTORM
El modelo estocstico de generacin de lluvia SimTorm queda descrito en el Anejo 1 y en
el Apartado 3.1.1. A continuacin se presentan las mejoras introducidas en el modelo:
Generacin de ficheros de salida con la matriz de valores de lluvia
El modelo SimTorm permite la posibilidad de visualizar en pantalla la distribucin en
forma de malla de las intensidades de lluvia en cada instante de tiempo. Sin embargo, no permita
guardar estas mallas en ficheros de salida. La visualizacin de la lluvia en pantalla provoca un gran
aumento en los tiempos de ejecucin del modelo, por lo que se ha desactivado para realizar la
ejecucin repetitiva del modelo.
Se ha implementado una funcin dentro del modelo que permite el almacenamiento de la
malla de intensidades de lluvia en ficheros de salida para cada instante de tiempo. Los mapas de
lluvia se pueden guardar en 3 formatos diferentes de ficheros: ArcView, RIBS y SAIH.
El formato ArcView permite la visualizacin de los ficheros en formato rster de texto en
los programas ArcView y ArcGis. En este formato se han obtenido los siguientes parmetros del
mapa de lluvia para generar los ficheros (Figura 7.2.1):
ncols: Nmero de columnas
nrows: Nmero de filas.
xllcorner: Coordenada X (UTM) de la esquina inferior derecha de la malla.
yllcorner: Coordenada Y (UTM) de la esquina inferior derecha de la malla.
cellsize: Ancho de celda de la malla en metros.
nodatavalue: Valor que se utiliza para designar las celdas que no tienen dato de
lluvia o que no pertenecen a la cuenca.
El formato RIBS genera ficheros que se pueden utilizar como datos de entrada en el
modelo hidrolgico distribuido RIBS, facilitando el proceso de generacin de los ficheros de mapas
de lluvia requeridos por el modelo. En este formato se han obtenido los siguientes parmetros para
generar los ficheros (Figura 7.2.2):
Escala del modelo.
Coordenadas X, Y (UTM) de la esquina inferior derecha de la malla.
Fecha de creacin del fichero.
Fecha y hora de inicio de la lluvia.

Pgina 138

Nmero de filas y de columnas.
Ancho de celda en metros.

Figura 7.2.1. Fichero en formato ArcView para la cuenca del ro Segura

Figura 7.2.2. Fichero en formato RIBS de la cuenca del ro Segura

Figura 7.2.3. Fichero en formato SAIH de la cuenca del ro Segura
El formato SAIH guarda la lluvia en ficheros con el formato suministrado por el SAIH. En
este formato no se guardan las matrices de intensidades de lluvia sino que se guardan las
intensidades de lluvia puntuales en los pluvimetros definidos mediante coordenadas. Este formato
toma los siguientes parmetros del modelo SimTorm para generar los ficheros de lluvia
(Figura 7.2.3):
Valores de los parmetros de entrada del modelo SimTorm.
Coordenadas X, Y (UTM) mximas y mnimas de la malla.
Nmero de intervalos de tiempo de la lluvia y duracin del intervalo temporal en
minutos

Pgina 139

Serie temporal de la intensidad de lluvia puntual en cada pluvimetro
Ancho de malla
El modelo utiliza por defecto un ancho de malla de 10 km, adecuado para cuencas muy
grandes, por ejemplo, la cuenca del J car o del Segura. Este valor resulta demasiado elevado para
una cuenca de menor tamao como es el caso de la cuenca del ro Manzanares (1248 km
2
), por lo
que inicialmente el valor del ancho de malla se redujo a 200 metros. Con este valor result que los
clculos se ralentizaban en exceso y las distribuciones espaciales de los episodios de lluvia no
representaban el caso de un episodio real de lluvia.
Finalmente se ha optado por un ancho de malla de 2 km, consiguiendo unos tiempos de
generacin de los episodios de lluvia aceptables (en torno a 20 minutos por episodio) y una
resolucin de los mapas que acerca la distribucin espacial de la lluvia a los casos reales.
Ruido
El modelo SimTorm aplica un ruido sobre los mapas de lluvia para dar unos resultados ms
cercanos a la realidad. El ruido es una funcin aleatoria que sigue una distribucin normal,
utilizada para representar la variabilidad de la intensidad de lluvia dentro de las celdas. Gracias a
esta funcin se consigue que la lluvia simulada se acerque a las caractersticas de una lluvia real. Se
han modificado las caractersticas del ruido aplicado a la lluvia para mejorar los resultados.
La distribucin normal del ruido utilizada inicialmente por el modelo SimTorm tiene los
siguientes parmetros:
Valor medio: igual a cero
Desviacin tpica: igual a un porcentaje de la Intensidad mxima, dicho porcentaje
se introduce antes de iniciar la simulacin del episodio y normalmente se encuentra
alrededor del 30 %.
Aplicando este ruido se obtiene una dispersin de los valores de intensidad de lluvia a lo
largo de la cuenca, que provoca la aparicin de valores de intensidad de lluvia excesivamente altos
en determinadas celdas de la malla localizadas en las cercanas del contorno de las celdas de lluvia,
y en algunos casos, cercanos a los mximos registrados en el centro de la celda, mientras que en
esta zona deberan registrarse intensidades de lluvia ms pequeas.
Para evitar este efecto, que se aleja bastante de la distribucin de los valores de la
intensidad de lluvia en un episodio real, se ha limitado el valor de la intensidad de lluvia, resultado
de la generacin del ruido mediante la funcin normal con los parmetros definidos, al 50 % de la
Intensidad mxima, es decir, el ruido no puede provocar que una celda del mapa tenga una
intensidad de lluvia superior a la mitad de la Intensidad mxima de la celda de lluvia. Con esta
modificacin se evita la aparicin de celdas con intensidad de lluvia excesivamente alta en
comparacin con las celdas adyacentes con intensidad mucho ms baja. De este modo se obtienen
episodios con una distribucin de lluvia ms cercana a la realidad.
Simulacin repetitiva del modelo
El modelo SimTorm se ha adaptado para realizar una ejecucin en modo repetitivo, de tal
forma que se pueda realizar una simulacin de Monte Carlo sobre los parmetros de entrada y

Pgina 140

almacenar los resultados en ficheros de salida, sin tener que ejecutar el modelo episodio por
episodio.
El primer paso consiste en tomar los valores de los parmetros de entrada antes de iniciar la
ejecucin de un episodio de lluvia. La matriz p x N de valores de los parmetros de entrada, que se
han obtenido mediante una simulacin de Monte Carlo, se deben guardar en un fichero. El fichero
tendr p filas igual al nmero de parmetros y N columnas igual al nmero de episodios que se
quieren generar. Se ha introducido una funcin en el modelo que toma los datos almacenados en
este fichero antes de iniciar la ejecucin repetitiva y que luego ir tomando, antes de iniciar un
episodio, mediante un contador que define el nmero del episodio que se est simulando.
Al finalizar cada instante de tiempo se crea un directorio con el nmero del episodio, donde
se almacenan los mapas de lluvia en el formato seleccionado mediante la utilizacin de la funcin
implementada de generacin de ficheros de salida, creando en cada instante de tiempo un fichero
con el nombre de la cuenca y el instante de tiempo al que corresponde. Al finalizar el episodio se
genera un fichero en formato SAIH de resumen de los parmetros de entrada al modelo y series
temporales de valores de lluvia en pluvimetros, en el caso en el que se hayan introducido las
coordenadas de los pluvimetros de la cuenca.
En la pantalla se ha desactivado la opcin de visualizacin de la lluvia para disminuir el
tiempo de ejecucin del modelo. Se ha introducido una ventana de texto en la pantalla con el
nmero de episodio que se est generando actualmente para controlar el desarrollo del proceso de
la simulacin repetitiva.
7.2.2 CARACTERIZACIN DE LOS EPISODIOS OBSERVADOS DE LLUVIA EN LA
CUENCA DEL MANZANARES
Con el objetivo de obtener unos episodios sintticos de lluvia de similares caractersticas a
los episodios reales registrados, el modelo SimTorm debe ser calibrado con los datos observados de
lluvia en la cuenca, de tal forma que los episodios generados mediante el modelo reproduzcan las
caractersticas de la cuenca de estudio. Los datos de lluvia disponibles en la cuenca del Manzanares
se han registrado en pluvimetros, por lo que la calibracin del modelo SimTorm se debe realizar
sobre datos de lluvia puntuales.
EPISODIO FECHA DURACIN (h)
1 27 - 30 marzo de 2003 96
2 14 - 29 abril de 2003 144
3 30 septiembre 3 octubre de 2003 96
4 13 30 octubre de 2003 432
5 15 28 noviembre de 2003 336
6 5 -11 diciembre de 2003 168
7 21 27 febrero de 2004 168
8 29 30 marzo de 2004 48
9 28 29 abril de 2004 48
10 22 26 mayo de 2004 120
Tabla 7.2.1. Fecha de ocurrencia y duracin de los episodios observados de lluvia en la cuenca del Manzanares
Los datos de lluvia registrados en la cuenca del ro Manzanares han sido suministrados por
la Oficina de Planificacin Hidrolgica de la Confederacin Hidrogrfica del Tajo. Este conjunto
de datos est compuesto por registros de lluvia en intervalos de 15 minutos en los 16 pluvimetros

Pgina 141

que se encuentran localizados en la zona de influencia de la cuenca del Manzanares (Tabla 7.1.2),
agrupados en 10 eventos correspondientes a los mayores episodios de lluvia registrados durante los
aos 2003 y 2004 (Tabla 7.2.1).
Inicialmente, los episodios se han caracterizado por la lluvia mxima instantnea y la lluvia
mxima acumulada durante el evento completo (Tabla 7.2.2), observando que la lluvia mxima
instantnea registrada en pluvimetros es de 9,20 mm en 15 minutos y 17.80 mm en 30 minutos. La
lluvia mxima acumulada durante un episodio completo es de 192,40 mm. Estos datos nos dan una
idea general de la magnitud y caractersticas de los episodios.
Episodios
Lluvia
mxima
(mm/15min)
Lluvia
mxima
(mm/30 min)
Lluvia media
(mm/30 min)
Lluvia acumulada
mxima (mm)
Lluvia acumulada
media (mm)
Epi 1 4.20 8.20 0.1098 131.80 21.075
Epi 2 9.20 9.40 0.0497 53.40 14.313
Epi 3 8.80 9.40 0.1701 125.00 32.650
Epi 4 6.00 10.40 0.0688 192.40 59.463
Epi 5 7.80 13.40 0.0701 181.60 47.088
Epi 6 3.60 5.40 0.1086 135.60 36.500
Epi 7 2.20 4.40 0.1113 106.80 37.400
Epi 8 2.20 3.40 0.1965 50.60 18.863
Epi 9 9.20 17.80 0.1322 43.80 12.688
Epi 10 8.40 16.80 0.1737 125.60 41.688
MXIMO 9.20 17.80 0.1965 192.40 59.463
Tabla 7.2.2. Caractersticas generales de los episodios observados de lluvia en la cuenca del Manzanares
Sin embargo, para realizar la calibracin del modelo SimTorm con una mayor precisin, se
necesita un estudio ms detallado de las caractersticas de los episodios. La lluvia se puede
caracterizar mediante el coeficiente de correlacin cruzada entre pluvimetros que analiza el grado
de dependencia entre las series temporales de lluvia en pluvimetros (Krajewski et al., 2003), as
como mediante el clculo del valor medio (m) y la desviacin tpica (s) de los mismos
(Wheater et al., 2000). Sin embargo, en el presente estudio se ha aadido un tercer parmetro, la
medida adimensional del coeficiente de variabilidad (
x
x
x
v
= ) con el objeto de resumir en un

solo valor la variabilidad de los resultados (Soong, 1999). La variabilidad de la lluvia a partir de los
registros en pluvimetros se estudia mediante el anlisis de la dispersin de los valores de la
correlacin cruzada entre pluvimetros en funcin de la distancia entre los mismos (Wheater et al.,
2000; Bouvier et al., 2003; Krajewski et al., 2003). El tipo de lluvia que se da en la cuenca, es
decir, el grado de homogeneidad espacial que tienen las tormentas, se puede determinar calculando
dos coeficientes: La relacin entre la lluvia acumulada mxima y la lluvia acumulada media y el
coeficiente de variacin espacial CVs (Arnaud et al., 2002).
CORRELACIN ENTRE PLUVIMETROS
El estudio de correlaciones entre pluvimetros tiene por objeto el clculo del coeficiente de
correlacin existente entre las series temporales de lluvia registradas en los diferentes pluvimetros
de la cuenca. Como resultado se obtiene una matriz cuadrada de correlaciones, con tantas filas y
columnas como pluvimetros. En la celda (i, j) de la matriz se representa el coeficiente de
correlacin existente entre los pluvimetros i y j. La matriz ser simtrica, ya que la correlacin

Pgina 142

entre los pluvimetros i y j es similar a la correlacin entre los pluvimetros j e i, y tendr valores
unidad en la diagonal principal, ya que cada pluvimetro est completamente correlado con l
mismo. Cuando un pluvimetro no ha registrado datos de lluvia durante el episodio considerado, la
fila y columna correspondiente a dicho pluvimetro aparecern con un valor del coeficiente de
correlacin igual a 0. Se han calculado las matrices de correlacin con las series temporales de
lluvia observadas en intervalos de tiempo de 15 minutos y agregados en intervalos de tiempo de 30
y 60 minutos.
El coeficiente de correlacin R
2
xy
entre dos variables x e y se obtiene a partir de los valores
de las varianzas de ambas variables (S
xx
y S
yy
) y de la covarianza entre ellas (S
xy
), mediante la
siguiente expresin:
yy xx
xy
xy
S S
S
R
2
2
=
donde:
( )
2
1
1
=
=
n
i
i xx
x x
n
S
( )
2
1
1
=
=
n
i
i yy
y y
n
S
( )( ) y y x x
n
S
i
n
i
i xy
=
=1
1

El coeficiente de correlacin puede adoptar valores comprendidos entre 0 y 1. Cuanto
mayor sea el valor del coeficiente de correlacin y ms cercano se encuentre al valor de 1, mayor
ser la correlacin lineal existente entre los pluvimetros. Si el coeficiente de correlacin es igual a
0, la correlacin o relacin lineal entre los pluvimetros ser nula. Debido a esto, la correlacin
entre dos pluvimetros ser elevada si son cercanos y debe decrecer cuanto ms aumente la
distancia existente entre ellos. Para comprobarlo se han representado los grficos de correlacin-
distancia, obteniendo el valor de la recta de regresin, como se explica ms adelante.
Con el objeto de interpretar y resumir los datos obtenidos en las matrices de correlacin, se
ha resumido la variabilidad de los resultados de las matrices mediante la obtencin del valor medio
(m), la desviacin tpica (s) y la medida adimensional del coeficiente de variabilidad (v
x
). La
variabilidad se ha analizado para los intervalos de tiempo de 15, 30 y 60 minutos, obteniendo los
rangos de variacin de dichos parmetros estadsticos (Tablas 7.2.3. a 7.2.6)
EPISODIOS
PARMETROS 1 2 3 4 5 6 7 8 9 10
m 0.387 0.428 0.379 0.363 0.407 0.612 0.452 0.524 0.192 0.241
s 0.305 0.252 0.275 0.266 0.279 0.180 0.256 0.212 0.277 0.285
v
x
0.788 0.588 0.726 0.733 0.686 0.293 0.566 0.404 1.440 1.182
Tabla 7.2.3. Parmetros estadsticos de la variabilidad de los valores de la matriz de correlaciones. Intervalo de
tiempo de 15 minutos.
Los grficos de correlacin-distancia entre pluvimetros representan en el eje vertical el
valor del coeficiente de correlacin de cada pareja de pluvimetros, mientras que en el eje
horizontal representan la distancia entre dichos pluvimetros. Los grficos de correlacin-distancia

Pgina 143

se presentan en el Anejo 3. Se puede apreciar como el valor del coeficiente de correlacin decrece a
medida que aumenta la distancia entre los pluvimetros.
EPISODIOS
PARMETROS 1 2 3 4 5 6 7 8 9 10
m 0.437 0.525 0.444 0.425 0.457 0.666 0.507 0.604 0.232 0.280
s 0.311 0.245 0.283 0.258 0.296 0.168 0.246 0.193 0.290 0.287
v
x
0.712 0.466 0.638 0.607 0.648 0.253 0.485 0.319 1.249 1.025
EPISODIOS
PARMETROS 1 2 3 4 5 6 7 8 9 10
m 0.512 0.612 0.495 0.507 0.526 0.742 0.563 0.678 0.304 0.345
s 0.305 0.217 0.282 0.258 0.301 0.150 0.245 0.167 0.307 0.290
v
x
0.595 0.354 0.569 0.509 0.572 0.202 0.435 0.247 1.009 0.842
INTERVALO DE
TIEMPO
PARMETRO
VALOR
MNIMO
VALOR
MXIMO
m 0.192 0.612
s 0.180 0.305 15 min
v
x
0.293 1.440
m 0.232 0.666
s 0.168 0.311 30 min
v
x
0.253 1.249
m 0.304 0.742
s 0.150 0.307 60 min
v
x
0.202 1.009
Tabla 7.2.6. Rangos de variacin de los parmetros estadsticos variabilidad de las matrices de correlacin.
Para capturar la variabilidad de los grficos correlacin-distancia, se ha calculado la recta
de regresin de la dispersin de valores para cada episodio. El clculo se ha realizado nicamente
para el intervalo de 30 minutos, ya que se ha elegido este intervalo de tiempo para la generacin de
episodios sintticos de lluvia mediante el modelo estocstico de generacin de lluvia. Se ha elegido
este intervalo de tiempo debido a que, por una parte, es un intervalo suficientemente pequeo como
para captar la variabilidad de la lluvia, como por otra, es lo suficientemente grande como para
generar un nmero de mapas de lluvia en cada episodio suficientemente reducido como para no
producir una ralentizacin excesiva de los procesos de clculo. La recta de regresin se ha
representado junto a los grficos de correlacin-distancia en el Anejo 3.
La recta de regresin se ha calculado segn la siguiente expresin:
b mx y + =
donde:

2
2
x n x
y x n y x
m
=

Pgina 144

x m y b =
siendo x la distancia entre pluvimetros e y el valor del coeficiente de correlacin
entre pluvimetros.
Los valores de m y b obtenidos para cada uno de los episodios de lluvia, considerando un
intervalo de tiempo de 30 minutos, y el rango de variacin de ambos parmetros se presentan en la
Tabla 7.2.7. Se puede observar que el valor del parmetro b de la recta de regresin vara entre 0.5
y 0.9, lo que significa que cuando la distancia entre pluvimetros es 0 se obtienen valores elevados
del coeficiente de correlacin, resultado esperable segn se ha explicado ms arriba. Por otra parte,
el pequeo valor de la pendiente m de la recta de regresin es debido a que la variable x de
distancia entre pluvimetros est expresada en metros. La pendiente m de la recta de regresin
adopta siempre valores negativos, lo que significa una pendiente descendente, es decir, que el valor
del coeficiente de correlacin decrece segn aumenta la distancia entre pluvimetros.
y = mx + b
EPISODIOS
m b
1 -9.04610
-6
0.699
2 -9.00210
-6
0.786
3 -1.01010
-5
0.730
4 -9.95710
-6
0.735
5 -1.39110
-5
0.866
6 -6.97110
-6
0.880
7 -7.91810
-6
0.762
8 -7.10410
-6
0.835
9 -9.17510
-6
0.535
10 -1.06110
-5
0.605
RANGOS
(-1.39110
-5
)
(-6.97110
-6
)
0.535 0.880
Tabla 7.2.7. Rangos de variacin de los parmetros estadsticos de variabilidad de la distribucin conjunta de
correlaciones entre pluvimetros y distancia entre los mismos; y representa el coeficiente de correlacin y x la
distancia entre pluvimetros en metros.
PARMETROS EN FUNCIN DE LA LLUVIA ACUMULADA
La lluvia acumulada mxima en pluvimetros durante un episodio nos permite conocer la
cantidad mxima de lluvia cada en un punto determinado de la cuenca durante el episodio. Por otra
parte, la lluvia acumulada media en pluvimetros, nos permite conocer una aproximacin al valor
de la lluvia media cada en la cuenca durante el episodio completo, teniendo en cuenta as la
distribucin espacial de la lluvia. La relacin entre la lluvia acumulada mxima y la lluvia
acumulada media (C
acum
) nos permite tener en cuenta ambos aspectos (Tabla 7.2.8). Se puede
observar que C
acum
vara en un rango comprendido entre los valores 2.68 y 6.25.
EPISODIOS
PARMETRO
1 2 3 4 5 6 7 8 9 10
C
acum
6.2539 3.7310 3.8285 3.2357 3.8566 3.7151 2.8556 2.6826 3.4522 3.0129
Tabla 7.2.8. Valores de la relacin entre la lluvia acumulada mxima y la lluvia acumulada media en cada uno de
los episodios considerados
Si adems tenemos en cuenta la influencia que tiene cada pluvimetro en la lluvia total de
la cuenca, tendremos una mejor aproximacin a la variacin espacial de la lluvia a partir de las

Pgina 145

medidas puntuales en pluvimetros. El mtodo de los polgonos de Thiessen nos permite obtener la
influencia de cada pluvimetro respecto de la superficie total de la cuenca mediante un conjunto de
coeficientes (a
i
). Mediante estos coeficientes se ha obtenido la lluvia media acumulada en la
cuenca (P
cuenca
) para cada episodio de lluvia observada:
i
N
i
i cuenca
P P =
donde N es el nmero total de pluvimetros considerados en la cuenca, a
i
es el coeficiente
de Thiessen asociado al pluvimetro i y P
i
es la lluvia acumulada en el pluvimetro i.
En cada episodio de lluvia tendremos unos coeficientes a
i
diferentes (Tabla 7.2.9), ya que
en cada episodio de lluvia se deben eliminar los pluvimetros en los que no se han registrado
valores de lluvia, tanto durante el episodio completo, como durante una parte del mismo, ya que en
este ltimo caso el valor de lluvia acumulada que se obtendra sera errneo.
EPISODIOS
COEF.
1 2 3 4 5 6 7 8 9 10
a
1
0.1374 0.1374 0.1701 0.2170 0.1373 0.1373 0.1378 0.1378 0.1378 0.1378
a
2
0.0065 0.0065 0.0064 0.0329 0.0064 0.0064 0.0068 0.0068 0.0068 0.0068
a
3
0.2658 0.2658 0.2636 X 0.2636 0.2636 0.2636 0.2636 0.2658 0.2658
a
4
110
-5
110
-5
0.0000 0.0000 0.0000 X 0.0000 X X X
a
5
X X X X X X X X X X
a
6
X X 0.2580 0.1057 0.1057 0.1057 0.1057 0.1057 X X
a
7
0.2553 0.2553 0.0485 0.0485 0.0485 0.0485 0.0485 0.0485 0.0954 X
a
8
X X X X X 0.0000 0.0000 0.0000 0.0000 0.0000
a
9
0.0001 0.0001 0.0007 0.0008 0.0008 0.0008 X X X X
a
10
X X X X X X X 0.0000 0.0000 0.0000
a
11
X X X X X X X X 0.0000 0.0000
a
12
X X 0.0211 X 0.0210 0.0210 0.0210 0.0210 X X
a
13
0.0328 0.0328 X 0.0335 0.0328 0.0328 0.0328 0.0328 0.0329 0.0329
a
14
0.2993 0.2993 0.2308 0.3593 0.1830 0.1830 0.1830 0.1830 0.2004 0.2004
a
15
0.0019 0.0019 0.0002 0.0013 110-5 110-5 110-5 110-5 0.0014 0.0014
a
16
X X X 0.2005 0.2005 0.2005 0.2005 0.2005 0.2594 0.3549
Tabla 7.2.9. Coeficientes de Thiessen para los episodios observados de lluvia en la cuenca del ro Manzanares.
A partir de la lluvia media acumulada en la cuenca, la lluvia acumulada en cada
pluvimetro y los coeficientes de Thiesen en cada episodio, se puede calcular el coeficiente de
variacin espacial (CVs) mediante la siguiente expresin (Arnaud et al., 2002):
( )
cuenca
N
i
cuenca i i
P
P P
CVs

=
2

CVs representa la variabilidad espacial de la lluvia a partir de datos de lluvia puntuales en
pluvimetros, de tal forma que cuanto menor es el valor de CVs ms homognea ser la
distribucin espacial de la lluvia y cuanto mayor sea el valor de CVs ms localizada ser la
distribucin espacial de la lluvia en el episodio. Los resultados de CVs en la cuenca del ro
Manzanares se presentan la Tabla 7.2.10. Se puede observar que CVs vara en un rango
comprendido entre los valores de 0.25 y 0.83. El primer valor corresponde al episodio con la lluvia

Pgina 146

ms homognea desde el punto de vista espacial, el episodio10, mientras que el segundo valor
representa al episodio con una lluvia ms localizada espacialmente, el episodio 1.
EPISODIO
LLUVIA ACUMULADA
MAXIMA
P
cuenca
CVs
1 131.80 55.653 0.832
2 53.40 35.633 0.384
3 125.00 52.399 0.376
4 192.40 115.446 0.216
5 181.60 77.051 0.418
6 135.60 55.561 0.391
7 106.80 50.974 0.518
8 50.60 24.262 0.346
9 43.80 18.391 0.707
10 125.60 46.242 0.252
Valor mximo 192.40 115.446 0.832
Valor mnimo 43.80 18.391 0.252
Tabla 7.2.10. Valores y rangos de variacin de la lluvia media acumulada (Pcuenca) y del coeficiente de variacin
espacial (CVs) en la cuenca del ro Manzanares.
El patrn de la tormenta de lluvia que se presenta en los 10 episodios observados en la
cuenca del ro Manzanares es considerablemente homogneo debido a que CVs en ningn caso es
superior al valor de 1. Si tenemos en cuenta que los episodios de lluvia seleccionados son los que
han producido mayores caudales en la cuenca, podemos deducir que los episodios de lluvia ms
peligrosos desde el punto de vista del riesgo de avenidas no son los que presentan una lluvia muy
localizada, sino los que son relativamente homogneos en la cuenca.
7.2.3 CALIBRACIN DEL MODELO SIMTORM EN LA CUENCA DEL RO
MANZANARES
A partir de los resultados obtenidos en el estudio de caracterizacin de la lluvia observada
en la cuenca del Manzanares, se ha realizado la calibracin del modelo estocstico de generacin
de lluvia SimTorm. El proceso de calibracin del modelo SimTorm conlleva una gran dificultad, ya
que utiliza una gran cantidad de variables de entrada. Se ha realizado una simulacin de Monte
Carlo sobre una seleccin de las variables de entrada y se han obtenido resultados de lluvias
puntuales en las coordenadas de los pluvimetros utilizados en el estudio (Tabla 7.1.2). La
calibracin se ha realizado sobre estos resultados.
La calibracin del modelo SimTorm parte de la seleccin de las variables de entrada ms
determinantes sobre la totalidad de las utilizadas por el modelo. Este conjunto de variables debe ser
lo suficientemente reducido como para permitir su anlisis, a la vez que lo suficientemente amplio
como para caracterizar adecuadamente las diferentes caractersticas espaciales y temporales de un
episodio de lluvia. Tras un estudio de la influencia de cada variable sobre la lluvia generada, se han
identificado las cinco variables de entrada ms influyentes sobre el resultado final y que en su
conjunto permiten captar las diferentes propiedades de un episodio de lluvia:
a) Densidad de creacin de celdas (nmero de celdas / km
2
): Es la variable que
determina el nmero medio de celdas creadas por unidad de superficie en cada
intervalo de tiempo, es decir, determina la dispersin espacial de las celdas.

Pgina 147

b) Tasa de creacin de celdas (nmero de celdas / h): Es la variable que determina el
nmero medio de celdas creadas en cada instante de tiempo, es decir, determina la
dispersin temporal en la creacin de las celdas.
c) Tiempo de vida caracterstico de la celda (h): Determina la duracin media de las
celdas creadas.
d) Intensidad caracterstica de la celda (mm / Dt): Determina el valor mximo que
puede alcanzar la intensidad de lluvia de una celda.
e) Tamao caracterstico de las celdas (km): Determina el tamao medio de las celdas.
Sobre este conjunto de cinco variables se ha realizado una Simulacin de Monte Carlo,
obteniendo los valores aleatorios de las mismas para un conjunto de 1500 casos. Para cada variable
se han definido unos rangos de valores suficientemente amplios como para cubrir todos los posibles
resultados del modelo (Tabla 7.2.11), utilizando funciones de densidad de probabilidad uniformes
para todas las variables. Estos valores se han introducido como datos de entrada en el modelo
SimTorm, ejecutado en su modo de simulacin repetitiva, y obteniendo como resultado los valores
de lluvia distribuida en el espacio y puntual en pluvimetros para los 1500 episodios considerados.
Se ha utilizado un intervalo de tiempo de 30 minutos, duracin de intervalo seleccionada para la
generacin de los episodios sintticos de lluvia.
VARIABLES VALOR MNIMO VALOR MXIMO
Densidad de celdas (celdas/km
2
) 0.001 2.50
Tasa de creacin de celdas (celdas/h) 0.01 5
Tiempo de vida de celdas (h) 5 72
Intensidad caracterstica (mm/Dt) 1.00 50.00
Tamao de celdas (km) 5.00 90.00
Tabla 7.2.11. Rangos de valores de las cinco variables de entrada del modelo SimTorm utilizados en la simulacin
inicial de Monte Carlo para la calibracin del modelo.
Debido a la naturaleza estocstica del modelo SimTorm, no se puede obtener una relacin
directa entre los valores de las variables de entrada al modelo y los resultados de los parmetros
que caracterizan la lluvia, ya que con unos mismos valores de las variables de entrada se obtienen
resultados muy diferentes. Como ejemplo, se ha realizado la simulacin de 5 episodios de lluvia
con unos valores determinados de las variables de entrada (Tabla 7.2.12). Se puede observar que la
distribucin espacial de la lluvia acumulada y el valor de la intensidad mxima acumulada es
diferente en cada episodio (Figura 7.2.4), as como la distribucin temporal de la lluvia
(Figura 7.2.5).
VARIABLES DE ENTRADA VALOR
Duracin de la tormenta (h) 72
2
) 0.05
Tasa de creacin de celdas (celdas/h) 0.1
Ruido (% sobre la Intensidad mxima) 0.3
Intensidad caracterstica (mm/Dt) 5
Tiempo de vida de celdas (h) 10
Tamao de celdas (km) 20
Tabla 7.2.12. Valores de las variables de entrada al modelo SimTorm utilizadas en la comprobacin de la
naturaleza estocstica del modelo.

Pgina 148

Figura 7.2.4. Distribucin espacial de la lluvia acumulada en los 5 episodios.
Por tanto, no se pueden establecer con exactitud las distribuciones de probabilidad que
mejor caracterizan a cada una de las variables de entrada al modelo, ya que no existe ninguna
justificacin para asignar diferentes probabilidades de aparicin a los valores contenidos en los
rangos. Se utilizarn en todos los casos distribuciones uniformes de probabilidad (Cameron et al.,
1999; Wagener et al., 2001), que asignan la misma probabilidad de aparicin a cada valor
contenido en los rangos definidos (Soong, 2004; p. 192). En este caso nicamente se deben
determinar los valores mximos y mnimos de las variables de entrada del modelo.

Pgina 149

Figura 7.2.5. Distribucin temporal de la lluvia media a lo largo de cada episodio.
Para realizar la calibracin del modelo se han utilizado los resultados de lluvia en
pluvimetros, obteniendo los valores de los diferentes parmetros estadsticos de lluvia utilizados
para caracterizar la lluvia en la cuenca a partir de los datos observados (Apartado 7.2.2). A partir de
los resultados de estos parmetros, se han definido los rangos de valores de las variables que
permiten obtener episodios de lluvia de similares caractersticas a los episodios de lluvia
registrados en la cuenca.
CORRELACIN ENTRE PLUVIMETROS
Se ha calculado la matriz de correlacin para los 1500 episodios sintticos simulados,
obteniendo el valor medio (m), la desviacin tpica (s) y el coeficiente de variabilidad (v
x
) de los
resultados de cada episodio. Se han comparado los resultados obtenidos para los episodios
sintticos con los resultados obtenidos para los episodios observados en la cuenca. En primer lugar
se ha representado la relacin entre my s para ambos casos, delimitando la zona que representa
a la lluvia real registrada en la cuenca (Figura 7.2.6). Se han comparado los resultados de v
x
,
delimitando los valores observados en la cuenca (Figura 7.2.7.).

Figura 7.2.6. Variabilidad del valor medio (m) y desviacin tpica (s) del valor del coeficiente de correlacin entre
pluvimetros en cada episodio. Los puntos de color negro representan los resultados para los 10 episodios
observados en la cuenca. El cuadro rojo representa la zona en la que los episodios sintticos reproducen las
caractersticas de la cuenca.

Pgina 150

Figura 7.2.7. Dispersin del coeficiente de variabilidad (v
x
) de las matrices de correlacin entre pluvimetros de los
episodios sintticos. Las franjas de color rojo representan los valores lmites de este parmetro calculado para los
episodios observados en la cuenca.
Se ha calculado la ecuacin de la recta de regresin de la relacin entre los valores del
coeficiente de regresin y la distancia entre pluvimetros para cada uno de los episodios sintticos
de lluvia que se han simulado. Se ha analizado la dispersin de los resultados mediante la
representacin de las parejas de valores del coeficiente b y la pendiente m de la ecuacin de la recta
de regresin (Figura 7.2.8.). Se ha delimitado la zona que reproduce las caractersticas de la lluvia
observada en la cuenca. Se puede observar que el valor m de la pendiente es muy reducido en todos
los casos, tanto observados como sintticos, por lo que se han tomado como valores vlidos de la
pendiente m todos aquellos que sean negativos, es decir, que caractericen una lluvia en la que el
coeficiente de correlacin decrece segn aumenta la distancia entre pluvimetros. El valor del
parmetro b, que define el valor del coeficiente de correlacin entre pluvimetros cuando la
distancia entre los mismo es nula, se ha limitado mediante el rango de valores obtenidos en el
anlisis de los episodios observados de lluvia en la cuenca.

Figura 7.2.8. Dispersin de los parmetros de la ecuacin de la recta de regresin de los valores del coeficiente de
correlacin entre pluvimetros en funcin de la distancia entre los mismos. Los puntos de color negro representan
los resultados para los 10 episodios observados en la cuenca. Las franjas de color rojo representan los valores
lmites de este parmetro calculado para los episodios observados en la cuenca.

Pgina 151

VARIABILIDAD DE LOS COEFICIENTES EN FUNCIN DE LA LLUVIA
ACUMULADA
Se ha calculado el coeficiente de lluvia acumulada (C
acum
) para cada uno de los episodios
sintticos de lluvia. Se ha representado la dispersin de este coeficiente y se han escogido los
valores que se encuentran dentro de los lmites marcados por el rango de valores obtenidos en los
episodios observados de lluvia (Figura 7.2.9).

Figura 7.2.9. Dispersin del coeficiente de lluvia acumulada en pluvimetros. Las franjas de color rojo
representan los valores lmites de este parmetro calculado para los episodios observados en la cuenca.
Se ha calculado el coeficiente de variabilidad espacial (CVs) a partir de la lluvia en
pluvimetros (Arnaud et al., 2002) para el conjunto de episodios sintticos. Se ha representado la
dispersin y se han fijado los lmites de dicho coeficiente segn el rango de valores obtenido a
partir de los episodios observados de lluvia en la cuenca (Figura 7.2.10.).

Figura 7.2.10. Dispersin del coeficiente de variabilidad espacial (CVs) a partir de los datos de lluvia en
pluvimetros. Las franjas de color rojo representan los valores lmites de este parmetro calculado para los
episodios observados en la cuenca.

Pgina 152

RESULTADOS DE LA CALIBRACIN
Como resultado del proceso de calibracin del modelo estocstico de generacin de lluvia
SimTorm se han obtenido los rangos de valores de las cinco variables de entrada al modelo
seleccionadas, que cumplen las condiciones de dispersin del coeficiente de correlacin entre
pluvimetros, dispersin del coeficiente de correlacin en funcin de la distancia entre
pluvimetros, dispersin del coeficiente de lluvia acumulada y dispersin del coeficiente de
variabilidad espacial (CVs), impuestas mediante la delimitacin de los rangos con los resultados
obtenidos en la caracterizacin de los datos observados de lluvia en la cuenca (Tabla 7.2.13).
VARIABLES VALOR MNIMO VALOR MXIMO
2
) 0.05 0.80
Tasa de creacin de celdas (celdas/h) 0.10 1.60
Tiempo de vida de celdas (h) 10 72
Intensidad caracterstica (mm/Dt) 5.00 15.00
Tamao de celdas (km) 30.00 70.00
Tabla 7.2.13. Rangos de valores de las variables de entrada al modelo SimTorm calibrado para la cuenca del ro
Manzanares
Estos rangos han sido utilizados para generar los valores de las variables de entrada al
modelo, usados para generar los dos conjuntos de episodios sintticos para los procesos de
aprendizaje y validacin de la red Bayesiana. Se ha utilizado una funcin de densidad de
probabilidad de tipo uniforme para caracterizar las cinco variables, ya que debido a la naturaleza
estocstica del modelo no se puede establecer una relacin directa entre las variables y los
resultados del modelo.
7.2.4 GENERACIN DE EPISODIOS SINTTICOS DE LLUVIA
Los conjuntos de episodios sintticos de lluvia se han generado mediante el modelo
estocstico de generacin de lluvia SimTorm (Apartado 3.1.2). Como se ha explicado en el
Apartado 4, el conjunto de episodios de lluvia puede ser ms reducido que el conjunto final de
episodios de escorrenta. Para reducir el tiempo de generacin de los episodios de lluvia se ha
optado por establecer una extensin de 1500 episodios sintticos de lluvia para los dos conjuntos.
Cada episodio tendr distribuciones espaciales de lluvia a intervalos de tiempo de 30 minutos y una
duracin del episodio de lluvia de 72 horas, ya que los episodios de lluvia, registrados en la cuenca,
no superan en ningn caso los 3 das de duracin con una lluvia continuada. Los episodios se han
generado mediante el modo de simulacin repetitiva del modelo SimTorm, eligiendo un formato
tipo ArcView de los ficheros de salida en los que se guardan las distribuciones espaciales de la
lluvia en cada intervalo de tiempo. Se ha elegido un ancho de malla de 2000 metros para las
matrices de lluvia.
Se han realizado dos simulaciones de Monte Carlo sobre las distribuciones uniformes de
probabilidad de las variables seleccionadas sobre los rangos obtenidos en la calibracin
(Tabla 7.2.13). La primera se utilizar en el proceso de aprendizaje y la segunda en el de
validacin. Las simulaciones de Monte Carlo se han realizado mediante la funcin de generacin
aleatoria de valores incluida en la herramienta informtica Matlab (Mathworks, 2004). Como
resultado se obtienen las diferentes combinaciones de valores de las variables de entrada al modelo
para el clculo de los dos conjuntos de 1500 episodios sintticos de lluvia.

Pgina 153

Se han representado las distribuciones iniciales de las cinco variables seleccionadas para
los procesos de aprendizaje y validacin mediante histogramas de 10 intervalos de igual magnitud
(Figuras 7.2.11. y 7.2.12). Se puede observar que los dos conjuntos presentan una distribucin
uniforme de los valores con pequeas distorsiones respecto de una lnea horizontal perfecta como
resultado del proceso aleatorio del que se han obtenido. Tambin se puede apreciar que las
distribuciones de una misma variable para el conjunto de aprendizaje y validacin, difieren entre s,
lo que significa que a pesar de representar un mismo comportamiento de la variable no son
similares entre s, por lo que los resultados utilizados para la validacin no sern exactamente
iguales a los utilizados para el aprendizaje.

Figura 7.2.11. Distribucin inicial de los valores de las variables de entrada utilizadas para el proceso
de aprendizaje. a) Densidad de celdas (celdas / km
2
); b) Tasa de creacin de celdas (celdas / h); c)
Tiempo de vida de las celdas (h); d) Intensidad caracterstica (mm / Dt); e) Tamao de las celdas (km)


Pgina 154

Figuras 7.2.12. Distribucin inicial de los valores de las variables de entrada utilizadas para el proceso
de validacin. a) Densidad de celdas (celdas / km
2
); b) Tasa de creacin de celdas (celdas / h); c)
Tiempo de vida de las celdas (h); d) Intensidad caracterstica (mm / Dt); e) Tamao de las celdas (km)
7.2.5 COMPROBACIN DE LA VARIABILIDAD DE LOS EPISODIOS SIMULADOS
Con las distribuciones iniciales de las variables de entrada del modelo SimTorm se han
generado los dos conjuntos de episodios sintticos de lluvia. Estos conjuntos deben ser validados
de tal forma que se compruebe que los episodios contenidos en los mismos cubren todas las
posibles lluvias que pueden darse en la cuenca, a la vez, que no existen episodios con las mismas
caractersticas.
Se han obtenido una serie de medidas estadsticas que resumen las caractersticas generales
de los episodios sintticos generados. En primer lugar, se han obtenido los valores y distribuciones
de las intensidades media y mxima de todos los episodios de lluvia generados (Figuras 7.2.13 a
7.2.16). Se puede observar que la mayora de los episodios se concentran por debajo de los 2 mm
de precipitacin media, mientras que segn va aumentando la intensidad media, la frecuencia del
nmero de episodios va decreciendo. Por encima de 6 mm existen una serie de episodios con
lluvias medias muy altas, con una probabilidad muy baja de que ocurran en la realidad, pero

Pgina 155

necesarias ya que el pronstico slo ser consistente si se tienen en cuenta estos episodios
extremos. En cuanto a la intensidad mxima, podemos observar que la mayor frecuencia se obtiene
entre 20 y 40 mm. Por encima de este valor se presentan una serie de episodios que va decreciendo
en frecuencia segn aumenta el valor de la Intensidad mxima. Al igual que en el caso de la
Intensidad media, los episodios con una intensidad media superior a 4 mm, a pesar de que se
probabilidad de ocurrencia en un caso real es prcticamente nula, son necesarios desde el punto de
vista de la consistencia del pronstico para cubrir todas las posibilidades de lluvia.

Figura 7.2.13. Distribucin de la intensidad media por episodio. a) Conjunto de episodios para aprendizaje;
b) Conjunto de episodios para validacin

Figura 7.2.14. Histograma de frecuencia de la intensidad media por episodio. a) Conjunto de episodios para
aprendizaje; b) Conjunto de episodios para validacin

Figura 7.2.15. Distribucin de la intensidad mxima por episodio. a) Conjunto de episodios para aprendizaje;
b) Conjunto de episodios para validacin

Pgina 156

Figura 7.2.16. Histograma de frecuencia de la intensidad mxima por episodio. a) Conjunto de episodios para
Asimismo se ha obtenido la serie temporal de la lluvia media en cada episodio
(Figura 7.2.17). Se puede observar que el conjunto de episodios sintticos cubre todas las posibles
lluvias, apareciendo en la zona ms alta del grfico, por encima de los 50 mm, una serie de
episodios que corresponden a los episodios extremos. Se puede observar que ambos grficos
presentan el mismo patrn de lluvias pero en ningn caso son idnticas.

Figura 7.2.17. Series temporales de la intensidad media en cada intervalo de tiempo para cada episodio.
a) Conjunto de episodios para aprendizaje; b) Conjunto de episodios para validacin
Se ha calculado la distribucin por celdas de la lluvia acumulada durante la totalidad del
episodio, obteniendo el porcentaje de celdas en funcin del valor de la lluvia acumulada
(Figura 7.2.18). Se puede observar que segn aumenta el valor de la intensidad mxima acumulada
del episodio, el porcentaje de celdas con intensidades de lluvia mayores decrece. Este aspecto tiene
correspondencia con un caso real de lluvia, ya que los episodios con una intensidad mxima de
lluvia ms elevada tienen caractersticas espaciales ms localizadas, mientras que los episodios con
menor intensidad de lluvia tienen caractersticas espaciales ms homogneas.
Tambin se ha calculado el volumen total de lluvia que ha cado sobre la cuenca durante la
totalidad del episodio (Figura 7.2.20). Se puede observar que la mayora de los episodios producen
un volumen de lluvia inferior a los 200 hm
3
, registrando volmenes superiores los episodios que
reproducen las condiciones extremas de lluvia en la cuenca.
Estos grficos permiten conocer los aspectos generales de los episodios sintticos de lluvia
generados y comprobar que dichos episodios reproducen situaciones de lluvia similares a las

Pgina 157

registradas en la realidad. Por otra parte, debemos comprobar la variabilidad de los episodios de
lluvia generados, aplicando la metodologa descrita en el Apartado 4.1.2, y comprobando dicha
variabilidad mediante la aplicacin de 4 ndices.

Figura 7.2.18. Porcentaje de celdas segn el valor de la lluvia acumulada a intervalos de 50 mm en cada episodio.

Figura 7.2.20. Volumen total de lluvia sobre la cuenca durante el episodio (hm
3
). a) Conjunto de episodios para

Figura 7.2.21. Frecuencia de las diferentes tipologas de lluvia mediante los ndices de variabilidad espacial y
localizacin. a) Conjunto de episodios para aprendizaje; b) Conjunto de episodios para validacin
En primer lugar, se han obtenido las frecuencias de aparicin de los episodios segn las
tipologas de lluvia definidas en funcin de los ndices de variabilidad espacial y localizacin
(Figura 7.2.21). Se puede observar que todas las tipologas estn representadas en el conjunto de
los episodios, excepto la lluvia homognea, que ya se ha comentado que es el resultado de un

Pgina 158

planteamiento terico que no se da en la realidad. Las lluvias localizadas en la zona Norte, Sur y
Centro de la cuenca son las ms representadas, sobre las simtricas y dispersas. Se puede concluir
que ambos conjuntos de episodios simulados cubren todas las posibles tipologas de lluvia,
siguiendo una distribucin similar, pero no idntica, de las frecuencias de los diferentes tipos de
lluvia.
Se ha comprobado a su vez la variabilidad dentro de dichas tipologas de lluvia mediante la
utilizacin de los ndices de variabilidad temporal y desplazamiento (Figuras 7.2.22 a 7.2.26). Se
puede observar en todas ellas la variabilidad de los resultados. En los casos de lluvia localizada en
las zonas Norte y Sur de la cuenca y de lluvia Simtrica se observa que en la zona inferior
izquierda hay una ligera acumulacin de varios episodios que prcticamente se superponen. Se han
comprobado los valores de intensidades mximas y medias para dichos casos, obteniendo que en
ningn caso los resultados son coincidentes para valores con parejas de ndices de desplazamiento
y variabilidad temporal iguales, por lo que no ha sido necesario eliminar ningn episodio de
ninguno de los dos conjuntos.

Figura 7.2.22. Comprobacin de la variabilidad de la tipologa de lluvia localizada en la zona Norte de la cuenca.

Figura 7.2.23. Comprobacin de la variabilidad de la tipologa de lluvia localizada en la zona Sur de la cuenca.

Pgina 159

Figura 7.2.24. Comprobacin de la variabilidad de la tipologa de lluvia localizada en la zona Centro de la cuenca.

Figura 7.2.25. Comprobacin de la variabilidad de la tipologa de lluvia Simtrica respecto de la cuenca.

Figura 7.2.26. Comprobacin de la variabilidad de la tipologa de lluvia Dispersa respecto de la cuenca.
Por tanto, se concluye que los dos conjuntos de episodios generados cumplen las
condiciones de variabilidad y de no repetitibilidad impuestas. Los dos conjuntos de episodios se
consideran vlidos para realizar la simulacin del proceso lluvia-escorrenta mediante el modelo
hidrolgico distribuido RIBS, como se describe en el siguiente apartado.
7.3. SIMULACIN DEL PROCESO LLUVIA - CAUDAL EN LA CUENCA
Los episodios sintticos de lluvia generados en el Apartado anterior se han introducido
como dato de entrada en el modelo hidrolgico distribuido RIBS para realizar la simulacin del

Pgina 160

proceso lluvia-escorrenta. Antes de realizar esta simulacin se deben realizar varias mejoras sobre
el modelo RIBS, para permitir la simulacin del gran conjunto de episodios sintticos de lluvia
utilizados en la presente tesis, y se debe realizar el proceso de calibracin, para obtener las
distribuciones de probabilidad de los valores de los distintos parmetros del modelo, que conducen
a la mejor representacin del comportamiento de la cuenca. La calibracin ser realizar mediante la
metodologa descrita en el Apartado 4.2.1.
El modelo RIBS da como resultado los hidrogramas de caudal en rgimen natural de la
cuenca, ya que no permite la inclusin de embalses. Se ha considerado el efecto laminador de los
embalses situados en la cuenca mediante la aplicacin del mdulo de embalses generado para
permitir la realizacin de la presente tesis. Finalmente los hidrogramas de caudales vertidos por los
embalses sern transportados hasta el siguiente punto de control mediante la aplicacin del mtodo
de Muskingum.
A continuacin se muestra un esquema de los diferentes procesos hidrolgicos simulados
en la cuenca del ro Manzanares (Figura 7.3.0).
LAMINACIN
EMBALSE SANTILLANA
LLUVIA ESCORRENTA
SANTILLANA
TRANSPORTE CAUDAL
SANTILLANA EL PARDO
LLUVIA ESCORRENTA
PARDO
LLUVIA ESCORRENTA
RIVAS
LAMINACIN
EMBALSE PARDO
TRANSPORTE CAUDAL
EL PARDO - RIVAS
LAMINACIN
EMBALSE SANTILLANA
LLUVIA ESCORRENTA
SANTILLANA
TRANSPORTE CAUDAL
SANTILLANA EL PARDO
LLUVIA ESCORRENTA
PARDO
LLUVIA ESCORRENTA
RIVAS
LAMINACIN
EMBALSE PARDO
TRANSPORTE CAUDAL
EL PARDO - RIVAS

Figura 7.3.0. Procesos hidrolgicos considerados en la simulacin de la cuenca del ro Manzanares
7.3.1 MEJORAS INTRODUCIDAS EN EL MODELO RIBS
El modelo hidrolgico distribuido RIBS queda descrito en el Anejo 2 y en el
Apartado 3.1.2.1. A continuacin se describen las mejoras introducidas en el modelo RIBS,
necesarias para la realizacin de la presente tesis:


Pgina 161

Mdulo de generacin de los ficheros que describen la geomorfologa de la cuenca
El modelo RIBS necesita una serie de ficheros en formato rster binario, que definen las
caractersticas geomtricas y edafolgicas propias de la cuenca de estudio, para poder ser
ejecutado. Estos ficheros no dependen del episodio simulado o la ejecucin del programa, sino que
son caractersticos de la cuenca que se est estudiando. El modelo requiere los siguientes ficheros:
- Altimetra del terreno: Fichero que recoge la altura del terreno en cada una de las
celdas que compone el modelo. Fichero *.dem.
- Direcciones de drenaje: A partir del fichero de cotas del terreno se obtienen las
direcciones de drenaje de cada celda. Fichero *.ptr.
- reas de drenaje: Fichero que muestra en cada celda el rea de drenaje que recoge
desde aguas arriba de la misma. Fichero *.are.
- Pendientes: Fichero que recoge la pendiente de cada una de las celdas del modelo de la
cuenca a partir de los ficheros de cotas y direcciones de drenaje. Fichero *.slp.
- Tipos de suelo: Fichero que recoge el tipo de suelo que existe en cada una de las celdas
del modelo. Fichero *.soi.
- Distancias al cauce: Fichero que recoge en cada celda la distancia entre la misma y la
celda de cauce ms cercana. Fichero *.std.
Adems de estos ficheros, las caractersticas geomorfolgicas de la cuenca quedan
completadas mediante el fichero que define las caractersticas de cada tipo de suelo
(fichero *.sbcd). Segn la metodologa de calibracin del modelo RIBS descrita en el
Apartado 4.2.1, este fichero se debe determinar mediante la calibracin manual del modelo en la
cuenca estudiada.
Los seis ficheros definidos se obtienen a partir de las matrices de cotas del terreno y de
tipos de suelo. Se ha generado una funcin mediante la herramienta informtica Matlab que
permite la generacin de los seis ficheros mediante un proceso dividido en tres pasos determinados
con tres subfunciones:
1) CreaDatosIniciales_1.m: A partir de un modelo digital del terreno, que incluya en su
totalidad a la cuenca que se quiere estudiar, en formato ASCII de ArcView (*.asc), se
generan un archivo de reas de drenaje que permite visualizar los cauces existentes en
la cuenca y por tanto la fila y columna de la celda que se va a seleccionar como punto
de salida de la cuenca (esta celda siempre debe estar localizada en un cauce).
2) CreaDatosIniciales_2.m: A partir de la columna y fila en la que se localiza la celda
de salida de la cuenca se obtienen los 5 ficheros que definen las caractersticas
geomorfolgicas de la cuenca: Cotas, direcciones de drenaje, reas drenantes, distancia
al cauce y pendientes.
3) CreaDatosIniciales_3.m: A partir del modelo de cuenca obtenido en el paso anterior
y la introduccin del nombre del fichero en formato ASCII de RIBS que tiene el tipo
de suelo de cada celda se genera el sexto fichero que define las caractersticas
geomorfolgicas de la cuenca: Fichero *.soi.
Por tanto, mediante la herramienta informtica Matlab se ha simplificado el proceso de
creacin de los ficheros de caractersticas geomtricas y edafolgicas de la cuenca de estudio,

Pgina 162

necesarios para ejecutar el modelo. Estas funciones reducen el tiempo de generacin de los ficheros
y evita la complejidad de la generacin de estos ficheros uno a uno, mediante un proceso que lejos
de ser sencillo requiere un ejercicio de memoria cada vez que se quiere implementar el modelo en
una cuenca nueva.
Transformacin de archivos de texto entre formatos ArcView y RIBS
El modelo RIBS utiliza un formato de archivos de texto distinto al formato ASCII de
ArcView. Sin embargo, resulta muy til el intercambio de informacin entre ambos programas,
principalmente para transformar los datos de cotas del terreno y tipos de suelo de cada celda,
obtenidos de modelos digitales del terreno en formato rster de ArcView, en archivos de texto de
RIBS, para la generacin de todos los ficheros de caractersticas geomtricas y edafolgicas de la
cuenca de estudio.
Las diferencias entre ambos tipos de ficheros aparecen en el formato del encabezado y en
la disposicin de los datos en forma de matriz, ya que en el formato ArcView la primera fila de la
matriz de datos corresponde a aquellos datos con un mayor valor de la coordenada Y, mientras que
en el formato de RIBS corresponden a aquellos datos con menor valor de la coordenada Y. Por
tanto, para proceder al intercambio de formatos se ha creado la funcin InvierteMatriz.m que
invierte el orden de las filas de una matriz.
En cuanto a la disposicin de los encabezamientos, ambos formatos poseen datos
caractersticos de las matrices comunes pero con disposiciones diferentes, como se puede apreciar
en las Figuras 7.2.1 y 7.2.2. Las funciones de transformacin creadas consideran los siguientes
datos:
- Nmero de columnas
- Nmero de filas.
- Coordenada X (UTM) de la esquina inferior derecha de la malla.
- Coordenada Y (UTM) de la esquina inferior derecha de la malla.
- Ancho de celda de la malla en metros.
Teniendo en cuenta estas consideraciones se han creado dos funciones para realizar el
intercambio de formatos entre el modelo RIBS y el modelo ArcView: ASCIIRIBS_2_ArcView.m
y ArcView_2_ASCIIRIBS.m.
Modo de simulacin repetitiva
Se ha implementado una funcin en el entorno Matlab que permite la simulacin repetitiva
del modelo RIBS, como causa del gran nmero de ejecuciones del modelo necesarias para realizar
los procesos de calibracin del modelo y generacin de casos sintticos de escorrenta. Como se ha
descrito en el Apartado 4.2.2.1, se ha implementado la funcin SimrepRIBS.m para realizar la
simulacin repetitiva del modelo para generar los casos de escorrenta.
En el caso de la calibracin del modelo, se ha utilizado una modificacin simplificada de
dicha funcin, limitndola a la lectura y escritura de los hidrogramas en el punto seleccionado de
calibracin y eliminando el proceso de creacin de los datos de lluvia en el formato necesario para
la ejecucin del modelo RIBS, ya que en este caso, todas las ejecuciones se hacen sobre un mismo
episodio de lluvia, para cada uno de los episodios de avenida considerados en el proceso de
calibracin.

Pgina 163

Mdulo de simulacin de la laminacin en embalses
El modelo RIBS no permite la inclusin de embalses en la simulacin, por lo que se ha
implementado un mdulo de laminacin de embalses en el entorno Matlab a partir de los archivos
de salida de hidrogramas del modelo RIBS. El mdulo de laminacin queda descrito en el
Apartado 4.2.2.2.
7.3.2 CALIBRACIN DEL MODELO RIBS
El modelo hidrolgico distribuido RIBS se ha calibrado en la cuenca del ro Manzanares
mediante la metodologa descrita en el Apartado 4.2. En primer lugar se han determinado los
valores de los parmetros que describen los diferentes tipos de suelo mediante una calibracin
manual, para en segundo lugar, realizar la calibracin automtica del resto de parmetros del
modelo mediante una simulacin de Monte Carlo de 1000 casos para cada uno de los episodios de
avenida considerados.
La utilizacin del modelo RIBS como pronstico de avenidas ha llevado a la seleccin de
las funciones objetivo RMSE Peak, MAE low-flow, NSE y TP, que tienen en cuenta los aspectos
ms importantes del hidrograma desde el punto de vista de un pronstico de avenidas: Tiempo de
aparicin del caudal punta, forma de la punta del hidrograma y utilidad de los resultados del
modelo como pronstico.
La calibracin automtica determina el rango de valores que puede adoptar el parmetro
C
v
del modelo para obtener un tiempo del caudal punta simulado adecuado a las caractersticas de
la cuenca. Este rango de valores se define a partir de las soluciones de Pareto obtenidas con las
funciones objetivo RMSE Peak, MAE low-flow, NSE y TP. Una vez determinado el rango de
valores de C
v
, se obtienen las funciones de densidad de probabilidad que mejor caracterizan a los
parmetros del modelo mediante la obtencin de las soluciones de Pareto con las funciones
objetivo RMSE Peak, MAE low-flow y NSE, y eliminando aquellas soluciones que no caigan
dentro del rango de valores deC
v
.
7.3.2.1 CONSIDERACIONES INICIALES
La cuenca del ro Manzanares se puede dividir en 3 subcuencas delimitadas por los
embalses de Santillana y El Pardo (Figura 7.1.8). La primera subcuenca incluira la cabecera del ro
Manzanares hasta el embalse de Santillana, la segunda estara situada en la zona intermedia de la
cuenca entre los embalses de Santillana y El Pardo, y la tercera comprendera la zona baja de la
cuenca desde el embalse de El Pardo hasta el punto de salida de la cuenca, localizado en Rivas
Vaciamadrid.
Se disponen de datos de nivel de embalse y caudal de salida en las presas de Santillana y El
Pardo. Los datos tomados en la presa de Santillana han sido registrados a intervalos de tiempo
superiores a 1 hora y presentan numerosos errores, por lo que resulta muy complicado llegar a
conocer con una mnima exactitud el hidrograma de entrada al embalse. Sin embargo, los datos
tomados en la presa de El Pardo han sido registrados a intervalos de tiempo de 15 minutos y
presentan escasos errores.
Por tanto, se ha seleccionado la subcuenca comprendida entre el embalse de El Pardo y
Rivas Vaciamadrid para calibrar el modelo. Esta subcuenca es representativa de la cuenca total del
ro Manzanares, ya que por una parte, comprende una superficie de 720 km
2
equivalente a ms del
50 % de la superficie total de la cuenca (1248 km
2
), y por otra, presenta los 6 tipos de suelo que

Pgina 164

aparecen en el conjunto global de la cuenca. Se tomarn los datos registrados del caudal de salida
en la presa de El Pardo como hidrograma de entrada en la subcuenca y se compararn las
simulaciones del modelo RIBS con los datos de caudal registrados en el punto de salida en la
estacin de aforos de Rivas Vaciamadrid.
En principio, se han considerado los 10 episodios de avenida definidos en la Tabla 7.2.1
Mediante un anlisis de los hidrogramas registrados en la estacin de aforos de Rivas Vaciamadrid,
para todos los episodios considerados, se ha observado que una parte del caudal registrado en la
estacin de Rivas Vaciamadrid proviene de los retornos urbanos de la ciudad de Madrid. Estos
retornos son variables en el tiempo a lo largo del da, por lo que se ha calculado el hidrograma de
este caudal variable a lo largo del tiempo como el mnimo temporal de la distribucin de caudales
de los 10 episodios considerados (Figura 7.3.1).

Figura 7.3.1. Caudales de retorno en la estacin de aforos de Rivas Vaciamadrid
El caudal de salida del embalse de El Pardo, considerado como caudal de entrada en la
subucuenca de calibracin, se debe desplazar por el cauce hasta el punto de salida de la subcuenca.
El modelo RIBS no tiene incluida la opcin de introducir un hidrograma de entrada en la cuenca,
por lo que se han utilizado las ecuaciones de tiempo de viaje del flujo por el cauce, utilizadas por el
modelo RIBS, para transportar el hidrograma desde la salida del embalse de El Pardo hasta la
estacin de aforos de Rivas Vaciamadrid. La velocidad de transporte del flujo por el cauce depende
del coeficiente C
v
, por lo que el tiempo de viaje desde el embalse de El Pardo a la estacin de
Rivas Vaciamadrid se calcula en funcin del valor de dicho coeficiente utilizado en cada
simulacin y la distancia entre los dos puntos (38,98 Km).
Por tanto, a partir del hidrograma dado como resultado por el modelo RIBS, se puede
calcular el hidrograma simulado en la estacin de aforos de Rivas Vaciamadrid mediante la
siguiente expresin:
( ) ( ) ( ) ( ) t Q t Q t Q t Q
Pardo ret RIBS sim
+ + =
donde:
Q
sim
(t) es el caudal simulado final en la estacin de aforos de Rivas Vaciamadrid en el
intervalo de tiempo t.

Pgina 165

Q
RIBS
(t) es el caudal calculado mediante el modelo RIBS en el punto localizado en la
estacin de aforos de Rivas Vaciamadrid en el intervalo de tiempo t.
Q
ret
(t) es el caudal de retorno procedente de la ciudad de Madrid en el intervalo de tiempo t.
Q
Pardo
(t) es el caudal en el intervalo de tiempo t resultado de transportar el caudal de vertido
de la presa de El Pardo hasta la estacin de aforos de Rivas Vaciamadrid, en funcin del valor del
parmetro C
v
utilizado en la simulacin del modelo RIBS.
La distribucin espacial de lluvia introducida como dato de entrada al modelo RIBS en
cada intervalo de tiempo, se ha obtenido a partir de los registros de lluvia realizados en los
pluvimetros definidos en la Tabla 7.1.2., recogidos a intervalos de 15 minutos. Se ha obtenido la
distribucin espacial de la lluvia en cada intervalo de tiempo mediante la aplicacin de un mtodo
de interpolacin basado en una ponderacin con relacin inversa a la distancia a partir de los datos
de lluvia registrados en dichos pluvimetros.
7.3.2.2 ANLISIS DE LAS CARACTERSTICAS DE LOS EPISODIOS DE AVENIDA
Se han analizado los 10 episodios de lluvia considerados, obteniendo una serie de variables
indicativas de la magnitud y caractersticas de cada episodio, mediante los siguientes clculos:
a) Clculo de la cantidad de lluvia que se ha convertido en escorrenta en cada episodio.
El volumen de escorrenta se ha obtenido teniendo en cuenta que el caudal observado
en Rivas Vaciamadrid es igual a la suma del caudal procedente de la escorrenta, ms
el caudal procedente de los retornos de la ciudad de Madrid, ms el caudal procedente
del vertido de la presa de El Pardo. Por tanto, el caudal de escorrenta ser igual a:
vertido retorno observado a escorrent
Q Q Q Q =
Este clculo se ha realizado para todos los episodios de lluvia considerados, obteniendo
el hidrograma del caudal de escorrenta (Figura 7.3.2.). A partir de dicho hidrograma se
ha calculado el volumen de la escorrenta, obteniendo la relacin de ste con el
volumen de lluvia cada en la cuenca (Tabla 7.3.1.).
0.00
20.00
40.00
60.00
80.00
100.00
120.00
0 20 40 60 80 100 120 140 160
Tiempo (h)
C
a
u
d
a
l

(
m
3
/
s
)
0
1
2
3
4
5
6
7
8
9
10
L
l
u
v
i
a

(
m
m
)
Q_observado
Q_retorno
Q_vertido
Q_escorrenta
Lluvia

Figura 7.3.2. Hidrograma del caudal de escorrenta (Q
escorrenta
) para el episodio 6

Pgina 166

EPISODIO
VOLUMEN DE
LLUVIA (Hm
3
)
VOLUMEN DE
CAUDAL (Hm
3
)
RELACIN CAUDAL-
LLUVIA (%)
Epi_01 15,760 3,651 23,17 %
Epi_02 20,908 1,714 8,20 %
Epi_03 27,543 5,447 19,77 %
Epi_04 42,632 11,533 27,05 %
Epi_05 45,948 7,105 15,46 %
Epi_06 28,421 4,401 15,48 %
Epi_07 23,227 6,797 29,26 %
Epi_08 13,760 3,115 22,64 %
Epi_09 16,929 1,749 10,33 %
Epi_10 32,396 4,992 15,41 %
Tabla 7.3.1. Relacin entre los volmenes de caudal de escorrenta y lluvia para cada episodio
EPISODIO INICIO FINAL DURACIN
1 29/03/03 20:00 (68 h) 30/03/03 23:45 (95,75 h) 27,75 h
2 19/04/03 00:00 (120 h) 19/04/03 23:45 (143,75 h) 23,75 h
3 30/09/03 06:00 (6 h) 01/10/03 12:00 (36 h) 30 h
4 18/10/03 16:00 (136 h) 21/10/03 03:00 (195 h) 59 h
5 22/11/03 12:00 (180 h) 24/11/03 14:00 (230 h) 50 h
6 09/12/03 04:00 (100 h) 11/12/03 23:45 (167,75 h) 67,75 h
7 25/02/04 14:00 (110 h) 27/02/04 23:45 (167,75 h) 57,75 h
8 29/03/04 00:00 (0 h) 30/03/04 23:45 (47,75 h) 47,75 h
9 28/04/04 00:00 (0 h) 29/04/04 23:45 (47,75 h) 47,75 h
10 23/05/04 12:00 (36 h) 26/05/04 23:45 (119,75 h) 83,75 h
Tabla 7.3.2. Intervalos de aparicin de los caudales punta en los hidrogramas de los episodios considerados
EPISODIO
VOLUMEN DE
LLUVIA (Hm
3
)
VOLUMEN DE
CAUDAL (Hm
3
)
RELACIN CAUDAL-
LLUVIA (%)
Epi_01_punta 8,933 1,388 15,54 %
Epi_02_punta 13,505 0,995 7,37 %
Epi_03_punta 19,356 3,176 16,41 %
Epi_04_punta 13,005 3,784 29,09 %
Epi_05_punta 30,573 4,828 15,79 %
Epi_06_punta 14,437 2,954 20,46 %
Epi_07_punta 4,874 2,291 47,00 %
Epi_08_punta 13,760 3,115 22,64 %
Epi_09_punta 16,929 1,749 10,33 %
Epi_10_punta 30,316 4,090 13,49 %
Tabla 7.3.3. Relacin entre los volmenes de caudal de escorrenta y lluvia en los intervalos de punta identificados
para cada episodio
b) Identificacin de los intervalos temporales de caudal punta para cada episodio,
determinando los instantes de inicio y final y la duracin temporal de la punta
(Tabla 7.3.2.).

Pgina 167

c) Clculo de la cantidad de lluvia que se ha convertido en escorrenta en cada episodio
durante el intervalo de tiempo que comprende la punta, mediante el proceso descrito en
el apartado a) (Tabla 7.3.3.).
7.3.2.3 RESULTADOS DE LA CALIBRACIN MANUAL DEL MODELO RIBS EN LA
CUENCA DEL MANZANARES
En primer lugar, se ha realizado una calibracin manual de un conjunto reducido de
episodios para determinar los valores de los parmetros que definen las caractersticas de los
diferentes tipos de suelo presentes en la cuenca de estudio. Se han seleccionado dos episodios para
realizar la calibracin manual: El episodio 1 y el Episodio 3.
Episodio 1
Como resultado de la calibracin del Episodio 1 se han obtenido el hidrograma simulado
resultado del mejor ajuste obtenido (Figura 7.3.3), los valores de los parmetros del suelo y los
valores de los parmetros del modelo resultado de la calibracin de dicho episodio (Tablas 7.3.4. y
7.3.5.)
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
68 73 78 83 88 93
Tiempo (h)
C
a
u
d
a
l

(
m
3
/
s
)
0
1
2
3
4
5
6
7
8
9
10
L
l
u
v
i
a

(
m
m
)
Q_Obs
Q_retorno
Q_Simulado
Q_Retorno +Q_Vertido
Lluvia

Figura 7.3.3. Hidrograma simulado resultado de la calibracin manual del Episodio 1
SUELO TIPO DE SUELO K (mm/h) Q
S
Q
d
e
1 Conferas y frondosas 2,0 0,5 0,05 3,5
2 Huerta en regado 5,0 0,5 0,05 3,5
3 Suelo urbano 0,2 0,05 0,02 4,0
4 Labor intensiva y extensiva 4,0 0,5 0,05 3,5
5 Pastizal y matorral 2,0 0,5 0,05 3,5
6 Suelo desnudo 5,0 0,5 0,05 3,5
Tabla 7.3.4. Valores de los parmetros que definen las caractersticas hidrolgicos de los 6 tipos de suelo presentes
en la cuenca del Manzanares, resultado de la calibracin manual del Episodio 1
PARMETRO VALOR
Parmetro f (mm/h) 0,007
Radio de anisotropa del terreno a
r
1
Relacin de velocidades K
v
6,0
Coeficiente C
v
(m/h) 7000
Tabla 7.3.5. Valores de los parmetros del modelo resultado de la calibracin manual del Episodio 1

Pgina 168

Episodio 3
Como resultado de la calibracin del Episodio 3 se ha obtenido el hidrograma simulado
resultado del mejor ajuste obtenido (Figura 7.3.4), los valores de los parmetros del suelo y los
valores de los parmetros del modelo resultado de la calibracin de dicho episodio (Tablas 7.3.6. y
7.3.7.)
0.00
20.00
40.00
60.00
80.00
100.00
120.00
140.00
160.00
0 5 10 15 20 25 30 35
Tiempo (h)
C
a
u
d
a
l

(
m
3
/
s
)
0
2
4
6
8
10
12
14
L
l
u
v
i
a

(
m
m
)
Q_Observado
Q_Retorno +Q_Vertido
Q_Simulado
Lluvia

Figura 7.3.4. Hidrograma simulado resultado de la calibracin manual del Episodio 3
S
Q
d
e
2 Huerta en regado 5,0 0,5 0,05 3,5
3 Suelo urbano 0,1 0,05 0,02 4,0
0,5 0,1 0,05 3,5
1,0 0,3 0,05 3,5
6 Suelo desnudo
5,0 0,5 0,05 3,5
Tabla 7.3.6. Valores de los parmetros que definen las caractersticas hidrolgicos de los 6 tipos de suelo presentes
en la cuenca del Manzanares, resultado de la calibracin manual del Episodio 3
PARMETRO VALOR
Parmetro f (mm/h) 0,007
Radio de anisotropa del terreno a
r
1
Relacin de velocidades K
v
10,0
Coeficiente C
v
(m/h) 6500
Tabla 7.3.7. Valores de los parmetros del modelo resultado de la calibracin manual del Episodio 3
S
Q
d
e
2 Huerta en regado 5,0 0,25 0,04 3,5
3 Suelo urbano 0,5 0,04 0,01 6,0
4,0 0,25 0,03 3,5
2,0 0,25 0,03 3,5
6 Suelo desnudo
5,0 0,25 0,04 3,5
Tabla 7.3.8. Valores de los parmetros que definen las caractersticas de los 6 tipos de suelo presentes en la cuenca
del Manzanares, resultado de la calibracin manual del manual del modelo RIBS

Pgina 169

Por tanto, como resultado de la calibracin manual de los episodios 1 y 3 se han obtenido
los valores de los parmetros que definen las caractersticas de los 6 tipos de suelo utilizados en la
cuenca del ro Manzanares (Tabla 7.3.8).
7.3.2.4 CALIBRACIN AUTOMTICA DE LOS PARMETROS DEL MODELO RIBS
MEDIANTE SIMULACIONES DE MONTE CARLO
Se ha realizado una simulacin de Monte Carlo de 1000 casos sobre los parmetros f, a,
K
v
y C
v
y el estado inicial de humedad en la cuenca, para cada uno de los episodios de avenida
considerados, mediante funciones de densidad de probabilidad uniformes con lmites superior e
inferior determinados en la Tabla 7.3.9. Con los valores de los parmetros que definen las
caractersticas de los suelos obtenidos mediante la calibracin manual (Tabla 7.3.8), se ha
ejecutado el modelo RIBS con las distribuciones espaciales de lluvia en cada instante de tiempo
procedentes de los pluvimetros registrados en cada episodio como dato de entrada y los resultados
de las simulacin de Monte Carlo como valores de los parmetros del modelo.
PARMETRO LMITE SUPERIOR LMITE INFERIOR
Humedad 1 13
f 110
-6
0.9
a 1 100
K
v
5 10
C
v
2000 10000
Tabla 7.3.9. Rangos de valores de las funciones de distribucin uniformes con las que se ha realizado la simulacin
de Monte Carlo para la calibracin automtica del modelo RIBS en la cuenca del Manzanares

Figura 7.3.5. Hidrogramas resultado de la simulacin del episodio 10 con el modelo RIBS
Se han excluido del proceso de calibracin los episodios 4 y 10, porque los hidrogramas
obtenidos como resultado de la modelizacin no tienen ninguna correspondencia con el hidrograma
observado (Figura 7.3.5.), y por tanto, los resultados de la calibracin pueden llevar a obtener
soluciones errneas en los procesos posteriores. El que los hidrogramas simulados por el modelo
no capten el comportamiento real del sistema seguramente sea debido a que la estimacin de la
distribucin espacial de la lluvia a partir de los datos en pluvimetros sea errnea por diversas
causas: Puede ocurrir que un pluvimetro recoja una intensidad de lluvia muy alta producto de una

Pgina 170

lluvia localizada y extrapolar dicha intensidad de lluvia a un rea muy extensa cuando en realidad
est ocurriendo en un rea muy localizada, puede que la intensidad mxima de lluvia no haya sido
recogida por los pluvimetros con lo que se est extrapolando una lluvia ms pequea sobre un
rea en la que en realidad la intensidad de lluvia es mucho mayor, o puede ocurrir que los datos
registrados por alguno de los pluvimetros sean errneos, con lo que se est estimando una
distribucin espacial de la lluvia errnea.
EPISODIO INTERVALO
VALOR
MEDIO
Episodio 1 6000 - 9200 7588
Episodio 2 6150 - 7900 7037
Episodio 3 6100 - 7000 6360
Episodio 5 7000 - 8600 8112
Episodio 6 5600 - 8900 7269
Episodio 7
4700 - 5050
6200 8650
6918
Episodio 8 7100 - 9200 8105
Episodio 9 6500 - 9000 8012
Tabla 7.3.10. Rango de valores y valor medio del parmetro C
v
del modelo RIBS
EPISODIO Humedad f a K
v
C
v
13 0.3 87 6.19 7167
11 0.05 70 9.91 8453
4 0.0007 22 8.01 6840
12 0.08 88 7.40 6487
11 0.05 58 8.33 7414
10 0.009 73 8.25 7451
11 0.05 32 8.94 7076
Episodio 1
10 0.007 58 6.28 6884
3 0.08 47 9.60 7245
Episodio 2
1 0.06 72 9.89 7275
3 0.07 93 5.69 6173
1 0.08 4 8.67 6292
12 0.08 88 7.40 6487
11 0.06 53 6.09 6384
2 0.04 79 8.97 6457
8 0.07 17 8.61 6530
Episodio 3
12 0.08 45 8.96 6454
Episodio 5
4 0.02 72 9.89 7097
2 0.007 86 9.27 6749
1 0.008 22 8.68 6619
1 0.008 26 9.94 6515
2 0.01 76 7.18 6053
1 0.006 33 6.32 6082
2 0.04 79 8.97 6457
2 0.001 45 9.61 7576
Episodio 6
2 0.006 44 8.17 6769
13 0.2 32 5.15 4861
13 0.5 14 9.32 7666
Episodio 7
6 0.3 96 7.29 6620
Episodio 8
10 0.009 73 8.25 7451
2 0.007 86 9.27 6749
Episodio 9
1 0.008 26 9.94 6515
Tabla 7.3.11. Resultados de la calibracin del modelo RIBS en la cuenca del Manzanares

Pgina 171

Siguiendo la metodologa de calibracin del modelo RIBS descrita en el Apartado 4.2, el
primer paso de la calibracin automtica consiste en la determinacin del rango de valores del
parmetro C
v
que lleva a la obtencin de un caudal punta simulado coincidente en el tiempo con
el caudal punta observado. El rango de valores se obtiene a partir de la variabilidad de las
soluciones de Pareto, en relacin al coeficiente C
v
, obtenidas mediante la conjuncin de las
medidas objetivo RMSE Peak, MAE low-flow, NSE y TP. Los resultados del parmetro C
v
se
muestran de forma grfica en el Anejo 5 y de forma analtica en la Tabla 7.3.10.
Como segundo paso de la metodologa propuesta se han obtenido las soluciones de Pareto a
partir de las funciones objetivo RMSE Peak, MAE low-flow y NSE, eliminando aquellas
soluciones que no cumplan la limitacin del rango de valores del parmetro C
v
obtenida en el
paso anterior (Tabla 7.3.10). Como solucin de este segundo paso de la calibracin se han obtenido
los conjuntos de valores de parmetros que cumplen todas las condiciones establecidas
(Tabla 7.3.11). Los resultados de la calibracin se presentan de forma grfica en el Anejo 6.
7.3.3 OBTENCIN DE LAS DISTRIBUCIONES INICIALES (PRIOR DISTRIBUTIONS)
DE LOS PARMETROS DEL MODELO RIBS EN LA CUENCA DEL
MANZANARES
A partir de los resultados de la calibracin del modelo RIBS en la cuenca del Manzanares
(Tabla 7.3.11.), se han estimado las funciones de densidad de probabilidad que mejor captan la
variabilidad de cada uno de los parmetros a lo largo de los episodios de avenida considerados.
Para ello se ha utilizado la herramienta informtica BestFit, que encuentra la funcin de
distribucin que mejor se ajusta a los datos introducidos (Thiriez, 1996).
Parmetro f
El parmetro f o coeficiente de variacin de la conductividad hidrulica en profundidad,
toma valores comprendidos entre 0.5 y 0.0007, es decir siempre comprendidos entre 0 y 1. Durante
el proceso de calibracin se ha representado este parmetro en escala logartmica debido al rango
de valores que adopta y se ha comprobado que para visualizar mejor su variabilidad se deben
utilizar sus valores logartmicos. La simulacin de Monte Carlo de este parmetro se ha realizado
en escala logartmica. Por tanto, la funcin de densidad de probabilidad que mejor determina la
variabilidad de este parmetro se definir en funcin de sus valores logartmicos.
El parmetro f toma un valor mximo de 0.5, comprobando que incrementos muy pequeos
por encima de dicho valor llevan a grandes variaciones en el hidrograma resultante, obteniendo
rpidamente soluciones con grandes errores respecto a los hidrogramas observados.
Las funciones que mejor se ajustan a la variabilidad de este parmetro son las funciones de
distribucin normal y beta (Figura 7.3.6.). Si elegimos la funcin normal, se puede observar que
tenemos una probabilidad considerable de utilizar valores superiores a 0.5 (log(0.5) =-0.3), con lo
que una cantidad considerable de los hidrogramas simulados seran errneos. Por tanto, se ha
elegido como mejor funcin de distribucin para el parmetro f la funcin de distribucin beta con
los siguientes parmetros:
( ) ) 75 . 1 ; 43 . 2 ( 85 . 2 15 . 3 log beta f + =

Pgina 172

Distribucin Beta (2.43; 1.75) * 2.85 - 3.15 Distribucin Beta (2.43; 1.75) * 2.85 - 3.15
Distribucin Normal (-1.45; 0.75) Distribucin Normal (-1.45; 0.75)

Figura 7.3.6. Funciones de distribucin que mejor se ajusten al parmetro f. a) Funcin Beta; b) Funcin Normal
Parmetro a
El parmetro a o relacin de anisotropa, adopta valores comprendidos entre 4 y 96. Tras
introducir los resultados de la calibracin en el programa BestFit, se ha obtenido que las funciones
de distribucin que mejor se ajustan a este parmetro son la Logstica y la Normal (Figura 7.3.7).
El programa BestFit no tiene introducida la funcin de distribucin uniforme que da la misma
probabilidad a todos los posibles valores. En los grficos se puede observar que la distribucin de
valores se ajusta bastante bien a una distribucin uniforme, por lo que se ha elegido como mejor
funcin de ajuste para este parmetro la funcin de distribucin uniforme con valores extremos de
1 y 100.
Distribucin Logstica (59.28; 23.04)
Valores di vididos por 10
Distribucin Logstica (59.28; 23.04)
Distribucin Normal (56.13; 27.11)
Distribucin Normal (56.13; 27.11)

Figura 7.3.7. Funciones de distribucin que mejor se ajusten al parmetro a. a) Funcin Logstica; b) Funcin
Normal
Parmetro K
v
El parmetro K
v
o relacin entre la velocidad del flujo en el cauce y en la ladera, adopta
valores comprendidos entre 5.15 y 9.94. En este cas las funciones de distribucin que mejor se
ajustan a la variabilidad de los datos, segn la herramienta informtica BestFit, son la Weibull y la
Triangular (Figura 7.3.8). Se puede observar que la funcin Weibull asigna una probabilidad
considerable a valores superiores a 9.9, mientras que la funcin Triangular asigna como valor
mximo posible el valor de 9.9. Se ha comprobado que valores superiores a 9.9 dan soluciones
igual de aceptables que las comprendidas entre 8 y 9.9. La causa de que estas soluciones no
aparezcan en la solucin final de la calibracin es que en la simulacin de Monte Carlo se impuso

Pgina 173

como lmite superior de la funcin de distribucin uniforme el valor de 10 (Tabla 7.3.9). Por tanto,
se ha considerado que la funcin de distribucin que mejor se ajusta a los resultados del parmetro
K
v
es una funcin Weibull, con los siguientes parmetros:
( ) 82 . 8 ; 80 . 7 Weibull K
v
=
Distribucin Weibull (7.80; 8.82) Distribucin Weibull (7.80; 8.82)
Distribucin Triangular (5.15; 9.94; 9.94) Distribucin Triangular (5.15; 9.94; 9.94)

Figura 7.3.8. Funciones de distribucin que mejor se ajusten al parmetro K
v
. a) Funcin Weibull; b) Funcin
Triangular
Parmetro C
v
El parmetro C
v
adopta valores comprendidos entre 4860 y 8450 (m/h). Tras introducir los
resultados de calibracin para este parmetro, se ha obtenido que el mejor ajuste se obtiene con las
funciones de distribucin Logstica y Normal (Figura 7.3.9.). Se puede observar que ambas
funciones conducen a ajustes muy parecidos, siendo las funciones de densidad de probabilidad
resultantes prcticamente similares entre s. Se ha escogido la funcin Normal con el objeto de
simplificar el posterior proceso de generacin de valores durante la simulacin del proceso lluvia-
escorrenta. Por tanto, el mejor ajuste del parmetro C
v
se consigue mediante una funcin de
distribucin Normal con los siguientes parmetros:
( ) 348 ; 6780 Normal C
v
=
Distribucin Logstica (6780; 348)
Distribucin Logstica (6780; 348)
Distribucin Normal (6780; 636)
Distribucin Normal (6780; 636)

Figura 7.3.9. Funciones de distribucin que mejor se ajusten al parmetro C
v
. a) Funcin Logstica; b) Funcin
Normal

Pgina 174

7.3.4 ESTIMACIN DEL ESTADO DE HUMEDAD INICIAL EN LA CUENCA DEL RO
MANZANARES
Una correcta estimacin de la humedad inicial resulta imprescindible para conseguir unos
buenos resultados de simulacin mediante un modelo hidrolgico. Sin embargo, se trata de una
tarea bastante compleja, debido a la gran cantidad de variables que influyen en el estado de
humedad de la cuenca: Precipitacin antecedente, temperatura, evapotranspiracin, estacin del
ao, etc Resulta muy complicado medir todas estas variables y estimar un valor medio en toda la
cuenca, pero incluso obteniendo los valores de todos estos datos, resultara muy difcil encontrar la
influencia exacta que tiene cada una de las variables sobre el estado de humedad.
La experiencia de los responsables del SAIH del Tajo en la toma de decisiones en tiempo
real durante situaciones de avenidas, ha sugerido que una estimacin del estado de humedad en la
cuenca se puede obtener a partir de los caudales circulantes por el ro durante los das anteriores al
episodio de avenidas. La relacin entre el estado de humedad y el caudal circulante es causa de que
durante los perodos en los que no se producen episodios de lluvia, cuanto ms caudal drena el ro
significa que el terreno tiene una mayor cantidad de agua acumulada y, por tanto, la humedad es
mayor.
A partir de esta hiptesis se ha realizado un estudio de la relacin entre el estado de
humedad estimado y el caudal circulante durante los das anteriores al episodio de lluvia. El estudio
se ha realizado en la subcuenca del Manzanares situada entre el embalse de El Pardo y la estacin
de aforos de Rivas Vaciamadrid. Se ha tomado como estado de humedad de la cuenca, el estado de
humedad que ha llevado a unos mejores resultados de calibracin, considerando que el estado de
humedad 1 corresponde a un estado muy seco y el estado de humedad 13 a un estado prcticamente
totalmente saturado. El caudal drenado por la cuenca se ha calculado como la diferencia entre el
caudal medio diario en la estacin de aforos de Rivas Vaciamadrid y el caudal medio diario vertido
por la presa de El Pardo. Estos datos de caudales han sido suministrados por el Centro de Estudios
Hidrogrficos del CEDEX.
Los resultados del anlisis se muestran en la Tabla 7.3.12.
EPISODIO
Estado de humedad
estimado
Caudal medio
diario en Rivas
Vaciamadrid
Caudal medio
diario vertido por
El Pardo
Caudal medio
diario drenado por
la cuenca
Episodio 1 11 11.65 0.53 11.12
Episodio 2 2 11.04 2.18 8.86
Episodio 3 3 10.14 1.17 8.97
Episodio 5 4 14.1 4.02 10.08
Episodio 6 1 22.29 15.01 7.28
Episodio 7 13 11.04 0.52 10.52
Episodio 8 10 12.57 1.06 11.51
Episodio 9 3 11.65 1.18 10.47
Tabla 7.3.12. Clculo del caudal drenado por la cuenca el da anterior al inicio del episodio de lluvia. El estado de
humedad 1 es el ms seco y el 13 el ms hmedo. Los datos de caudales medios diarios se miden en m
3
/s.
Se han comparado las estimaciones del estado inicial de humedad en la cuenca con los
resultados del caudal drenado por la cuenca, analizando la relacin entre ambas variables. Se han
probado diferentes tipos de funcin para ajustar dichos datos, observando que el mejor ajuste se
obtiene mediante una funcin exponencial que relaciona los estados de humedad en la cuenca con

Pgina 175

los caudales drenados por la misma, obteniendo un coeficiente de correlacin de 0.79. La ecuacin
de dicha funcin es la siguiente:
Q
e H
58 . 0
014 . 0 =

donde H es el estado de humedad inicial en la cuenca, comprendido entre 1 y 13, y Q es el
caudal medio diario drenado en la cuenca, resultado de la resta entre el caudal medio diario en
Rivas Vaciamadrid y el caudal medio diario vertido por la presa de El Pardo. La estimacin es
vlida para caudales comprendidos entre 7.4 y 11.75 m
3
/s. Valores inferiores a 7.4 m
3
/s significan
un estado de humedad muy seco, por lo que se asignar el estado de humedad 1. Valores superiores
a 11.75 m
3
/s significan un estado de humedad muy saturado, por lo que se asignar el estado de
humedad 13.
Los resultado de humedad obtenidos en esta subcuenca, se pueden extrapolar al resto de la
cuenca, para obtener un estado de humedad inicial conjunto para toda la cuenca del ro Manzanares
estudiada.
7.3.5 OBTENCIN DE LOS HIDROGRAMAS DE CAUDAL EN RGIMEN ALTERADO
EN LA CUENCA DEL RO MANZANARES
El modelo hidrolgico distribuido RIBS no permite la inclusin de embalses en la
simulacin del proceso lluvia-escorrenta, dando como resultado hidrogramas de caudal en rgimen
natural en los puntos de la cuenca seleccionados. Sin embargo, una correcta simulacin de un
episodio de lluvia en una situacin de avenidas requiere la consideracin del efecto laminador
producido por la existencia de embalses. Por ello, se ha desarrollado un mdulo de embalses que
permita tener en cuenta los embalses a la hora de obtener los hidrogramas de caudal
(Apartado 4.2.2.2).
El primer paso para considerar los embalses en la simulacin, consiste en la obtencin de
los hidrogramas de caudal procedentes de la lluvia cada en cada cuenca vertiente al embalse, es
decir, si en un punto tenemos algn embalse aguas arriba del mismo, deberemos tener en cuenta
nicamente el caudal provocado por la lluvia cada en la cuenca comprendida entre los embalses y
el punto donde estamos midiendo el caudal, como si dichos embalses formaran una barrera que no
dejara pasar el caudal drenado desde aguas arriba del mismo. Por tanto, tendremos que descontar al
hidrograma en el punto de clculo, el hidrograma obtenido en el embalse situados aguas arriba,
retrasndolo en el tiempo lo que tardara en llegar desde el embalse al punto de medida.
En la cuenca del Manzanares se han considerado tres puntos de medida y existen dos
embalses coincidentes con dos de los tres puntos de medida. Los puntos donde se han calculado los
hidrogramas de caudal son: La presa de Santillana, la presa de El Pardo y la estacin de aforos de
Rivas Vaciamadrid.
a) Presa de Santillana: El punto de medida localizado en la presa de Santillana recoge
toda la escorrenta producida en la cabecera del ro Manzanares. Aguas arriba del
embalse de Santillana nicamente se encuentra el embalse de Navacerrada, que no ha
sido tenido en cuenta en el estudio por tener una capacidad de laminacin
prcticamente despreciable. Por tanto, se puede considerar que esta cuenca funciona en
rgimen natural y no ser necesario realizar ninguna modificacin sobre los
hidrogramas dados como resultado por el modelo RIBS (Figura 7.3.10).

Pgina 176

Figura 7.3.10. Hidrograma de caudal del episodio sinttico nmero 10 en el embalse de Santillana
b) Presa de El Pardo: La presa de El Pardo est situada en la cuenca media del
Manzanares. El embalse de Santillana se encuentra localizado aguas arriba de la presa
de El Pardo, por lo que a cada hidrograma dado como resultado por el modelo RIBS
habr que descontar el hidrograma de la cuenca vertiente al embalse de Santillana,
desfasado un tiempo igual al tiempo de viaje de ste ltimo desde el embalse de
Santillana hasta el embalse de El Pardo (Figura 7.3.11).

Figura 7.3.11. Hidrograma de caudal del episodio sinttico nmero 10 en el embalse de El Pardo, descontando el
hidrograma en Santillana.
c) Estacin de aforos de Rivas Vaciamadrid: La estacin de aforos de Rivas
Vaciamadrid est localizada en la cuenca baja del ro Manzanares, muy cerca de la
desembocadura de ste en el ro J arama. La estacin de aforos de Rivas tiene situados
aguas arriba los embalses de Santillana y El Pardo. Por tanto, habr que descontar tanto
el hidrograma drenante al embalse de Santillana desfasado un tiempo igual al tiempo
de viaje desde el embalse de Santillana hasta Rivas, como el hidrograma drenante al
embalse de Rivas desfasado un tiempo igual al tiempo de viaje del hidrograma desde
El Pardo hasta Rivas.

Pgina 177

Figura 7.3.12. Hidrograma de caudal del episodio sinttico nmero 10 en el aforo de Rivas, descontando los
hidrogramas en Santillana y El Pardo.
Los hidrogramas estrictamente drenantes a cada uno de los puntos considerados han sido
obtenidos mediante la aplicacin del mdulo de clculo del proceso de laminacin de embalses
(Figura 4.2.12), a partir de los valores del parmetro de velocidad en el cauce utilizados en cada
simulacin y la distancia entre los puntos considerados (Tabla 7.3.12)
Embalse de Santillana Embalse de El Pardo
Embalse de Santillana - -
Embalse de El Pardo 22050 -
Aforo en Rivas Vaciamadrid 61030 38980
Tabla 7.3.13. Distancias entre los puntos de clculo de los hidrogramas (m)
Una vez obtenidos los hidrogramas procedentes de la cuenca vertiente a cada punto de
medida considerado para todos los episodios sintticos simulados, tanto de aprendizaje como de
validacin, se simular el proceso de laminacin en los embalses.
El proceso de laminacin se simula mediante la aplicacin de la metodologa MEV
(Apartado 4.2.2.2). La metodologa MEV requiere la determinacin de la estrategia de operacin
del embalse a partir de la fijacin de la cota de activacin a partir de la cual se empiezan a operar
los rganos de desage (ACT) y el gradiente mximo de caudal que se considera para evitar
vertidos repentinos de gran magnitud (MGD). En cada embalse se han considerado diferentes
estrategias de embalse mediante la determinacin de diferentes valores de ACT y MGD, en funcin
de las caractersticas de la presa.
A continuacin se describen las caractersticas de las dos presas consideradas en el estudio
y las estrategias de operacin seleccionadas en cada caso.
7.3.5.1 SIMULACIN DE LA LAMINACIN EN LA PRESA DE SANTILLANA
La presa de Santillana ha quedado descrita en el Apartado 7.1. En la Tabla 7.3.14 se
incluyen los niveles, superficies y volmenes de los diferentes niveles de operacin del embalse:
Nivel Mximo Normal (NMN), Nivel de Avenida de Proyecto (NAP) y Nivel de Avenida Extrema
(NAE), as como las caractersticas de los rganos de desage.
La tabla de relacin de Cotas de nivel de embalse, superficie de ocupacin del embalse,
volumen de embalse, caudales de vertido con los rganos de desage abiertos y caudales de vertido

Pgina 178

con los rganos de desage cerrados (caudal vertido por encima de las compuertas en el caso de
que los rganos de desage estn cerrados), se muestra en la Tabla 7.3.15.
COTAS (m)
Cota NMN 894
Cota NAP 894.35
Cota NAE 895.5
Cota Coronacin 896.5
SUPERFICIES (ha)
Superficie NMN 1044
Superficie NAP 1085
Superficie NAE 1220
VOLMENES (hm
3
)
Volumen NMN 91.244
Volumen NAP 94.968
Volumen NAE 107.204
CAPACIDAD DE DESAGE (m
3
/s)
Capacidad de vertido a NMN 266.5
Capacidad de vertido a NAP 306
Capacidad del desage de fondo 3.3
RGANOS DE DESAGE
Cota del desage de fondo (m) 563.5
Cota del labio del labio del aliviadero (m) 889
Altura de las compuertas (m) 5.25
Cota superior de las compuertas (m) 894.25
Longitud til del labio (m) 11
Tabla 7.3.14. Caractersticas de la presa de Santillana
COTA
(m)
SUPERFICIE
(ha)
VOLUMEN
(hm
3
)
CAPACIDAD DE
VERTIDO 1 (m
3
/s)
(1)
CAPACIDAD DE
VERTIDO 2 (m
3
/s)
(2)
846 0 0 0 0
866 3 0.09 0 0
875.4 34.57 3.34 0 0
885 218.75 24.34 0 0
889 535.27 48.916 0 0
890 614.4 55.06 23.8364846 0
891 809 63.15 67.4197597 0
892 869 71.84 123.858007 0
892.5 926 76.47 156.078928 0
893 985 81.09 190.691877 0
894 1043.67 91.244 266.5 0
894.35 1084.89 94.968 294.966626 0.55656087
895.5 1220.32714 107.204 395.013776 24.5967478
896.5 1338.09857 117.844 489.591762 59.4
Tabla 7.3.15. Tabla de relacin de cotas, superficies, volmenes y capacidad de desage para la presa de
Santillana. (1) Capacidad de vertido con los rganos de desage abiertos. (2) Capacidad de vertido con los rganos
de desage cerrados.
A partir de estas caractersticas se han determinado 9 estrategias de operacin del embalse
en funcin de diferentes valores de la cota de activacin y el mximo gradiente de caudal

Pgina 179

(Tabla 7.3.16). Cada estrategia dar como resultado un hidrograma de vertido y una serie temporal
de niveles de embalse distintos para un mismo episodio de avenida (Figuras 7.3.13 y 7.3.14).
Volumen de
activacin (hm
3
)
Mximo gradiente de
caudal (m
3
/s)
Estrategia 1 71.84 50
Estrategia 7 90 50
Estrategia 8 90 100
Estrategia 9 90 150
Tabla 7.3.16. Estrategias de operacin del embalse de Santillana

Figura 7.3.13. Hidrogramas de caudales vertidos por la presa de Santillana para las diferentes estrategias de
operacin del embalse consideradas. Episodio sinttico nmero 30.
Se ha realizado la simulacin repetitiva del proceso de laminacin en el embalse de
Santillana, a partir de los hidrogramas sintticos de entrada en el embalse obtenidos como resultado
de la simulacin del proceso lluvia-escorrenta mediante el modelo RIBS. Cada hidrograma de
entrada ha sido laminado con una estrategia y un volumen inicial asignados mediante
distribuciones uniformes de probabilidad. Se ha considerado que el volumen inicial del embalse
est comprendido entre 50 hm
3
y 91.244 hm
3
(volumen correspondiente al NMN), ya que en el
estado inicial del episodio de avenida el embalse no puede superar la cota del NMN.


Pgina 180

Figura 7.3.14. Series temporales de niveles de embalse en el embalse de Santillana para las diferentes estrategias
de operacin del embalse consideradas. Episodio sinttico nmero 30. Las lneas horizontales representan las
diferentes cotas de activacin (ACT).
7.3.5.2 SIMULACIN DE LA LAMINACIN EN LA PRESA DE EL PARDO
La presa de El Pardo ha quedado descrita en el Apartado 7.1. En la Tabla 7.3.16 se
incluyen los niveles, superficies y volmenes de los diferentes niveles de operacin del embalse:
Nivel Mximo Normal (NMN), Nivel de Avenida de Proyecto (NAP) y Nivel de Avenida Extrema
(NAE), as como las caractersticas de los rganos de desage.
COTAS (m)
Cota NMN 629
Cota NAP 629
Cota NAE -
Cota Coronacin 632
SUPERFICIES (ha)
Superficie NMN 537
Superficie NAP 537
Superficie NAE -
VOLMENES (hm
3
)
Volumen NMN 42.99
Volumen NAP 42.99
Volumen NAE -
CAPACIDAD DE DESAGE (m
3
/s)
Capacidad de vertido a NMN 773
Capacidad de vertido a NAP 773
Capacidad del desage de fondo 18.74
RGANOS DE DESAGE
Cota del desage de fondo (m) -
Cota del labio del labio del aliviadero (m) 625
Altura de las compuertas (m) 4
Cota superior de las compuertas (m) 629
Longitud til del labio (m) 48
Tabla 7.3.17. Caractersticas de la presa de El Pardo

Pgina 181

La tabla de relacin de Cotas de nivel de embalse, superficie de ocupacin del embalse,
volumen de embalse, caudales de vertido con los rganos de desage abiertos y caudales de vertido
con los rganos de desage cerrados (caudal vertido por encima de las compuertas en el caso de
que los rganos de desage estn cerrados), se muestra en la Tabla 7.3.17.
COTA
(m)
SUPERFICIE
(ha)
VOLUMEN
(hm
3
)
CAPACIDAD DE
VERTIDO 1 (m
3
/s)
(1)
CAPACIDAD DE
VERTIDO 2 (m
3
/s)
(2)
605 0.55 0 0 0
610 17.06 0.4 0 0
615 86.5 2.63 0 0
620 207.71 9.69 0 0
625 387.07 24.58 0 0
626 420.06 28.62 96.625 0
627 459.13 33.01 273.296771 0
628 500.24 37.81 502.078228 0
629 536.5 42.99 773 0
630 576 48.55 1080.30034 76.8
631 615.5 54.11 1420.09168 217.223203
632 655 59.67 1789.52004 399.064506
Tabla 7.3.18. Tabla de relacin de cotas, superficies, volmenes y capacidad de desage para la presa de El Pardo.
(1) Capacidad de vertido con los rganos de desage abiertos. (2) Capacidad de vertido con los rganos de desage
cerrados.
A partir de estas caractersticas se han determinado 9 estrategias de operacin del embalse
en funcin de diferentes valores de la cota de activacin y el mximo gradiente de caudal
(Tabla 7.3.19).
Volumen de
activacin (hm
3
)
Mximo gradiente de
caudal (m
3
/s)
Tabla 7.3.19. Estrategias de operacin del embalse de El Pardo
Se ha realizado la simulacin repetitiva del proceso de laminacin en el embalse de El
Pardo, a partir de los hidrogramas sintticos de entrada en el embalse obtenidos como resultado de
descontar a la simulacin del proceso lluvia-escorrenta mediante el modelo RIBS, los hidrogramas
de entrada al embalse de Santillana retardados un tiempo igual al tiempo de viaje desde el embalse
de Santillana hasta el embalse de El Pardo.
Cada hidrograma de entrada ha sido laminado con una estrategia y un volumen inicial
asignados mediante distribuciones uniformes de probabilidad. Se ha considerado que el volumen
inicial del embalse est comprendido entre 20 hm
3
y 42.99 hm
3
(volumen correspondiente al
NMN).

Pgina 182

7.3.6 SIMULACIN DE LOS TRAMOS DE TRANSPORTE DE CAUDAL
Los tramos de transporte de caudal por el ro desde la salida de un embalse hasta el
siguiente punto de control han sido simulados mediante la aplicacin del modelo de Muskingum.
El modelo de Muskingum fue desarrollado en la dcada de 1930 para la modelizacin de la cuenca
del ro Muskingum en Ohio (McCarthy, 1938) y actualmente es el mtodo ms utilizado para la
modelizacin de tramos de transporte en una cuenca hidrolgica (Ponce, 1989).
El modelo de transporte de caudal de Muskingum se fundamenta en la ecuacin diferencial
de almacenamiento, definida mediante la siguiente expresin:
dt
dS
O I =
Esta ecuacin es discretizada y resuelta mediante una aproximacin por diferencias finitas,
mediante la siguiente expresin:
+

t
S S O O I I
t t t t t t 1 1 1
2 2

donde:
I es el caudal medio de entrada al tramo durante el perodo t
O es el caudal medio de salida del tramo durante el perodo t
S es el almacenamiento en el tramo durante el perodo t
En un cauce ideal, el almacenamiento depende nicamente del caudal de entrada y del
caudal de salida. El modelo de Muskingum considera que el almacenamiento es una funcin lineal
del caudal de entrada y del caudal de salida, calculndolo como la suma del volumen del prisma
definido por el perfil de la lmina de agua en rgimen permanente, ms el volumen de la cua
formada entre la lmina del perfil de la onda de avenida y la lmina de agua en rgimen
permanente. Esta cua tendr un valor positivo del volumen durante la parte ascendente del
hidrograma de avenida y un valor negativo durante la parte descendente.
El volumen del prisma se calcula como el producto del caudal de salida por el tiempo de
viaje a travs del tramo. El volumen de la cua se calcula como la diferencia ponderada entre el
caudal de entrada y el caudal de salida, multiplicada por el tiempo de viaje. Por tanto el
almacenamiento se define mediante la siguiente expresin:
( )
t t t t t t
O X XI K O I KX KO S ) 1 ( ) ( + = + =
donde
K es el tiempo de viaje de la onda de avenida desde el punto de entrada al tramo hasta el
punto de salida
X es un coeficiente adimensional, tal que 5 . 0 0 X
El modelo de Muskingum calcula el caudal de salida del tramo en el instante de tiempo
actual mediante la siguiente expresin, combinacin de las dos ltimas expresiones mostradas:

Pgina 183

1 1
) 1 ( 2
) 1 ( 2
) 1 ( 2
2
) 1 ( 2
2

+

+
+
+
+
+

=
t t t t
O
t X K
t X K
I
t X K
KX t
I
t X K
KX t
O
En la cuenca del Manzanares existen dos tramos de transporte, uno desde el embalse de
Santillana hasta el embalse de El Pardo y otro desde el embalse de El Pardo hasta el aforo de Rivas
Vaciamadrid. Los dos tramos han sido calibrados con los datos observados obteniendo los
siguientes resultados (Tabla 7.3.20).
TRAMO K (h) X NMERO DE TRAMOS
Santillana - El Pardo 1.53 0.2 11
El Pardo - Rivas 2.78 0.25 24
Tabla 7.3.20. Valores de los parmetros del modelo de transporte de Muskingum
El conjunto de hidrogramas obtenidos a la salida de los embalses de Santillana y El Pardo
se han llevado hasta el embalse de El Pardo y el aforo de Rivas, respectivamente, mediante la
aplicacin del modelo de Muskingum con los parmetros definidos (Figura 7.3.15).

Figura 7.3.15. Transporte del hidrograma de caudal vertido por el embalse de El Pardo hasta el aforo de Rivas.
Episodio sinttico nmero 300.
7.4. CONSTRUCCIN DEL MODELO PROBABILSTICO DE
PRONSTICO BASADO EN REDES BAYESIANAS
Se ha realizado la construccin del modelo probabilstico de pronstico a partir del anlisis
de los resultados de la simulacin hidrolgica de la cuenca mediante el mtodo de Monte Carlo. La
estructura del modelo probabilstico de pronstico en la cuenca del ro Manzanares se ha definido
siguiendo los siguientes pasos. En primer lugar, se ha determinado el conjunto de redes Bayesianas
que permiten la representacin completa de los procesos hidrolgicos que se dan en la cuenca. En
segundo lugar, se ha determinado la estructura de cada una de las redes Bayesianas, entendida
como el conjunto de nodos y arcos dirigidos, a partir de los resultados de las diferentes variables
que intervienen en la simulacin hidrolgica de la cuenca y la identificacin de las relaciones de
dependencia existentes entre las mismas.

Pgina 184

De todos los procesos hidrolgicos que se producen en una cuenca, el que lleva asociado
una mayor dificultad es el de transformacin de la lluvia en escorrenta, debido al gran nmero de
variables que intervienen en el mismo. Como resultado, se han obtenido cuatro estructuras de redes
Bayesianas de este proceso que permiten una representacin similar del mismo. Por tanto, como
ltimo paso de la definicin del modelo probabilstico, se ha realizado la seleccin de la estructura
de red Bayesiana que permite una mejor representacin del proceso lluvia-escorrenta. La seleccin
se ha realizado siguiendo un criterio de utilidad del pronstico asociado a cada estructura de red, a
partir de los resultados de la verificacin de cada una de las estructuras de red segn la metodologa
descrita en el Captulo 6.
7.4.1 ESTRUCTURA DEL MODELO DE PRONSTICO EN LA CUENCA DEL RO
MANZANARES
La cuenca del ro Manzanares ha sido dividida en tres subcuencas (Figura 7.1.8):
d) Subcuenca Santillana: Comprende la parte alta de la cuenca del ro Manzanares,
desde la cabecera hasta el embalse de Santillana. Esta subcuenca supone una superficie
de 246,80 km
2
.
e) Subcuenca Pardo: Comprende la parte media de la cuenca del ro Manzanares, desde
la salida del embalse de Santillana hasta el embalse de El Pardo. Esta subcuenca ocupa
una superficie de 282,40 km
2
.
f) Subcuenca Rivas: Comprende la parte baja de la cuenca del ro Manzanares, desde la
salida del embalse de El Pardo hasta el aforo de Rivas Vaciamadrid. Esta es la
subcuenca ms grande de las tres, teniendo una superficie de 718.71 km
2
.
EMBALSE
SANTILLANA
LLUVIA CAUDAL
SANTILLANA
LLUVIA CAUDAL
PARDO
LLUVIA CAUDAL
RIVAS
TRAMO SANTILLANA
EL PARDO
CONFLUENCIA
PARDO
TRAMO EL PARDO
RIVAS
EMBALSE
EL PARDO
CONFLUENCIA
RIVAS
EMBALSE
SANTILLANA
LLUVIA CAUDAL
SANTILLANA
LLUVIA CAUDAL
PARDO
LLUVIA CAUDAL
RIVAS
TRAMO SANTILLANA
EL PARDO
CONFLUENCIA
PARDO
TRAMO EL PARDO
RIVAS
EMBALSE
EL PARDO
CONFLUENCIA
RIVAS

Figura 7.4.1. Estructuras de redes Bayesianas que conforman el modelo probabilstico de pronstico de avenidas
en la cuenca del ro Manzanares

Pgina 185

El modelo de pronstico se ha construido mediante la unin de diferentes estructuras de
redes Bayesianas que modelizan los diferentes procesos hidrolgicos de la cuenca. En la
Figura 7.4.1 se presenta un esquema del modelo.
Las redes Bayesianas utilizadas en el modelo se describen a continuacin:
a) Redes Bayesianas de lluvia caudal: Este tipo de redes Bayesianas simulan el
proceso de generacin de caudal en una cuenca a partir de la lluvia cada en la misma.
En el modelo del ro Manzanares se han utilizado tres estructuras de este tipo de redes
Bayesianas para simular la generacin de caudal en las tres subcuencas consideradas
en el estudio:
- Red Bayesiana de lluvia caudal en la subcuenca Santillana
- Red Bayesiana de lluvia caudal en la subcuenca Pardo
- Red Bayesiana de lluvia caudal en la subcuenca Rivas
b) Redes Bayesianas de operacin de embalses: Simulan el proceso de laminacin en
los embalses a partir del caudal de entrada al mismo. Estas redes dan como resultado
valores probabilsticos del caudal de salida y del nivel de embalse. En el modelo del ro
Manzanares se han considerado dos estructuras de red de este tipo para simular
probabilsticamente la laminacin de los dos embalses considerados:
- Red Bayesiana de operacin del embalse de Santillana
- Red Bayesiana de operacin del embalse de El Pardo
c) Redes Bayesianas de transporte de caudal: Este tipo de redes Bayesianas simula, de
un modo probabilstico, el transporte de un hidrograma de caudal por un tramo de ro.
En el modelo de la cuenca del Manzanares se han considerados dos redes de transporte
de caudal para modelizar los dos tramos de transporte considerados:
- Red Bayesiana de transporte de caudal en el tramo Santillana - El Pardo. Esta
red considera el transporte de los hidrogramas de vertido del embalse de Santillana
desde ste hasta el embalse de El Pardo, por el cauce del ro Manzanares.
- Red Bayesiana de transporte de caudal en el tramo El Pardo Rivas. Esta
estructura de red Bayesiana modeliza el transporte de los hidrogramas de caudal
vertido por el embalse de El Pardo desde ste hasta el aforo de Rivas, discurriendo
todo el tramo por el cauce del ro Manzanares.
d) Redes Bayesianas de confluencias. Esta estructura de red Bayesiana modeliza la
confluencia entre dos tramos, realizando la suma entre los caudales que llegan por cada
uno de ellos. En la cuenca del Manzanares se han considerado dos confluencias:
- Red Bayesiana de confluencia en la subcuenca Pardo. Esta estructura de red
considera la confluencia que se produce justo antes del embalse de El Pardo, entre
el caudal que procede del vertido del embalse de Santillana y que ha sido
transportado por el cauce hasta el embalse de El Pardo (resultado de la red
Bayesiana de transporte Santillana - El Pardo), y el caudal que procede de la
generacin de escorrenta a partir de la lluvia cada en la subcuenca Pardo
(resultado de la red Bayesiana de lluvia-escorrenta Pardo).

Pgina 186

- Red Bayesiana de confluencia en la subcuenca Rivas. Modeliza la confluencia
que se produce en el aforo de Rivas como resultado de la suma del caudal
procedente del vertido de la presa de El Pardo (red Bayesiana de transporte El
Pardo Rivas), ms el caudal procedente de la generacin de escorrenta
provocada por la lluvia cada en la subcuenca Rivas (red Bayesiana lluvia-
escorrenta Rivas).
7.4.2 DETERMINACIN DE LAS ESTRUCTURAS DE REDES BAYESIANAS
En el presente apartado se realiza la determinacin de los nodos y arcos que forman las
diferentes estructuras de redes Bayesianas. Las estructuras de redes Bayesianas de operacin de
embalses y confluencias son independientes del embalse o confluencia considerada, por lo que las
redes Bayesianas de este tipo incluidas en el modelo de pronstico de la cuenca del Manzanares
quedan definidas en el Apartado 5.2.
Las redes Bayesianas de lluvia caudal y transporte de caudal dependen del tiempo de
retardo y del tiempo de viaje, respectivamente, por tanto deben ser definidas para cada cuenca y
tramo considerados. A continuacin se obtienen las redes Bayesianas de lluvia caudal y
transporte de caudal consideradas en el modelo probabilstico de la cuenca del Manzanares.
7.4.2.1 REDES BAYESIANAS LLUVIA - CAUDAL
Debido al gran nmero de variables que intervienen en el proceso de transformacin de la
lluvia en escorrenta, en principio, no se puede determinar una estructura de red Bayesiana formada
por un conjunto invariable de nodos y arcos, que sea capaz de representar este proceso en cualquier
cuenca hidrolgica. La estructura de red Bayesiana depender, en primer lugar, de las
caractersticas de la cuenca que estamos simulando, debiendo tener en cuenta los procesos que
tienen una mayor influencia, en cada caso, para la generacin final de la escorrenta, y en segundo
lugar, de las variables de las que tenemos valores en la cuenca, ya sean datos observados, o
variables utilizadas por el modelo hidrolgico utilizado para representar el comportamiento de la
cuenca.
En el caso de la presente tesis, el nmero de datos observados en la cuenca del Manzanares
es reducido, desde el punto de vista de las necesidades de un modelo probabilstico. Por ello, se ha
utilizado el modelo hidrolgico RIBS para obtener un conjunto de datos suficientemente extenso, a
partir de la representacin de los diferentes tipos de comportamiento que tiene la cuenca, mediante
la obtencin de las funciones de densidad de probabilidad que mejor captan la variabilidad de cada
uno de los parmetros del modelo, a partir de la calibracin con los datos observados en la cuenca.
El modelo RIBS utiliza un gran nmero de variables para realizar la simulacin del proceso
lluvia-escorrenta. De todas estas variables, las que ms influencia tienen en el proceso de
transformacin de la lluvia en caudal son las siguientes:
- Lluvia
- Lluvia acumulada durante el episodio hasta el primer intervalo de lluvia considerado
- Estado inicial de humedad en la cuenca
- Contenido medio de humedad en la cuenca
- Tasa de generacin de escorrenta

Pgina 187

- Distancia entre los frentes superior e inferior de humedad
- Incremento de caudal en el ltimo intervalo de tiempo
- Caudal
Como ya se ha comentado en el Apartado 5.2.1, el primer paso en la determinacin de la
estructura de red Bayesiana que representa este proceso en una cuenca determinada, es la obtencin
del tiempo de retardo entre la variable de entrada, la lluvia, y la variable de salida, el caudal,
mediante la representacin del histograma de frecuencias de dicha variable.
Se ha obtenido que la subcuenca Santillana presenta con ms frecuencia 4, 5 y 6 intervalos
de tiempo de retardo entre las puntas de lluvia y caudal, por tanto esta cuenca tiene un tiempo de
retardo comprendido entre 2 horas y 3 horas, ya que el intervalo de tiempo considerado en las
simulaciones es de 30 minutos (Figura 7.4.2). La subcuenca Pardo presenta una mayor frecuencia
en 5, 6 y 7 intervalos de tiempo, por lo que el tiempo de retardo de esta subcuenca estar
comprendido entre 2,5 horas y 3,5 horas (Figura 7.4.3). Finalmente, la subcuenca Rivas presenta
una mayor variabilidad en el histograma debido a su mayor extensin, pero presenta una mayor
frecuencia en 9, 10 y 11 intervalos de tiempo, por lo que el tiempo de retardo de esta subcuenca
est comprendido entre 4,5 horas y 5,5 horas (Figura 7.4.4).

Figura 7.4.2. Histograma de tiempos de retardo para el conjunto de episodios simulados en la subcuenca
Santillana

Figura 7.4.3. Histograma de tiempos de retardo para el conjunto de episodios simulados en la subcuenca Pardo

Pgina 188

Figura 7.4.4. Histograma de tiempos de retardo para el conjunto de episodios simulados en la subcuenca Rivas
Una vez obtenidos los intervalos de tiempo de retardo en cada subcuenca, se ha realizado el
estudio de dependencia entre las diferentes variables que influyen en el proceso de generacin de
escorrenta, para los intervalos de tiempo de considerados. Por ejemplo, para la subcuenca
Santillana, se ha obtenido un tiempo de retardo de 4, 5 y 6 intervalos de tiempo, respecto al instante
de tiempo actual. Sin embargo, el objeto de un pronstico es conocer el caudal en el intervalo de
tiempo futuro t + 1, por tanto se deber analizar la relacin de dependencia entre el caudal en t + 1
y la lluvia en t - 3, t - 4 y t - 5. En el caso de la subcuenca Santillana se han considerado las
variables identificadas como ms influyentes en los siguientes intervalos de tiempo:
- Lluvia (R) en los intervalos de tiempo de t - 5, t - 4 y t - 3.
- Lluvia acumulada durante el episodio hasta el primer intervalo de lluvia considerado
(R
acum
en t - 5).
- Estado inicial de humedad en la cuenca (H
0
).
- Contenido medio de humedad en la cuenca (M) en los intervalos de tiempo de t - 5,
t - 4 y t 3.
- Tasa de generacin de escorrenta media en la cuenca (N) en los intervalos de tiempo
de t - 5, t - 4 y t - 3.
- Distancia media en la subcuenca entre los frentes superior e inferior de humedad (F) en
los intervalos de tiempo de t - 5, t - 4 y t - 3.
- Incremento de caudal en el ltimo intervalo de tiempo (DQ en t ).
- Caudal (Q) en el intervalo de tiempo actual t y en el intervalo de tiempo futuro t + 1.
Se ha calculado el resultado de los coeficientes de correlacin lineal (R
2
), Kendall (t ),
Spearman (r ) e informacin mutua (I) (Apartado 5.1.1) para este conjunto de variables en los
intervalos de tiempo obtenidos para cada subcuenca. Los resultados de los coeficientes para cada
subcuenca se encuentran en el Anejo 7.
A partir de estos resultados se han determinado cuatro estructuras de redes Bayesianas que
permiten representar el proceso lluvia-escorrenta en cada cuenca. Las estructuras tienen diferentes
grados de complejidad, en funcin del nmero de variables y nodos que incluyen.

Pgina 189

La seleccin de la red Bayesiana que realiza una mejor representacin del proceso lluvia-
caudal en cada subcuenca se ha realizado en funcin de criterios de utilidad como pronstico,
utilizando los resultados de verificacin para obtener la calidad de cada una de las redes. Los
resultados se presentan en el Apartado siguiente.
Las redes Bayesianas consideradas para cada subcuenca se presentan a continuacin.
SUBCUENCA SANTILLANA
R
t - 5
R
t - 4
R
t - 3
M
t - 5
M
t - 4
N
t - 5
N
t - 4
Q
t
Q
t + 1
M
t - 3
N
t - 3
Racum
t - 5 H
0
R
t - 5
R
t - 4
R
t - 3
M
t - 5
M
t - 4
N
t - 5
N
t - 4
Q
t
Q
t + 1
M
t - 3
N
t - 3
Racum
t - 5 H
0

Figura 7.4.5. Red Bayesiana 1 de lluvia-caudal en la subcuenca Santillana
R
t - 5
R
t - 4
R
t - 3
M
t - 5
M
t - 4
N
t - 5
N
t - 4
Q
t
Q
t + 1
M
t - 3
N
t - 3
Racum
t - 5
H
0
F
t - 5
F
t - 4
F
t - 3
R
t - 5
R
t - 4
R
t - 3
M
t - 5
M
t - 4
N
t - 5
N
t - 4
Q
t
Q
t + 1
M
t - 3
N
t - 3
Racum
t - 5
H
0
F
t - 5
F
t - 4
F
t - 3


Pgina 190

R
t - 5
R
t - 4
R
t - 3
N
t - 5
N
t - 4
Q
t
Q
t + 1
N
t - 3
Racum
t - 4 H
0
R
t - 5
R
t - 4
R
t - 3
N
t - 5
N
t - 4
Q
t
Q
t + 1
N
t - 3
Racum
t - 4 H
0

R
t - 5
R
t - 3
Q
t
Q
t + 1
Racum
t - 4 H
0
R
t - 4
R
t - 5
R
t - 3
Q
t
Q
t + 1
Racum
t - 4 H
0
R
t - 4


SUBCUENCA PARDO
R
t - 6
R
t - 5
R
t - 4
M
t - 6
M
t - 5
N
t - 6
N
t - 5
Q
t
Q
t + 1
M
t - 4
N
t - 4
Racum
t - 6 H
0
R
t - 6
R
t - 5
R
t - 4
M
t - 6
M
t - 5
N
t - 6
N
t - 5
Q
t
Q
t + 1
M
t - 4
N
t - 4
Racum
t - 6 H
0

Figura 7.4.9. Red Bayesiana 1 de lluvia-caudal en la subcuenca Pardo

Pgina 191

R
t - 6
R
t - 5
R
t - 4
M
t - 6
M
t - 5
N
t - 6
N
t - 5
Q
t
Q
t + 1
M
t - 4
N
t - 4
Racum
t - 6
H
0
F
t - 6
F
t - 5
F
t - 4
R
t - 6
R
t - 5
R
t - 4
M
t - 6
M
t - 5
N
t - 6
N
t - 5
Q
t
Q
t + 1
M
t - 4
N
t - 4
Racum
t - 6
H
0
F
t - 6
F
t - 5
F
t - 4

R
t - 6
R
t - 5
R
t - 4
N
t - 6
N
t - 5
Q
t
Q
t + 1
N
t - 4
Racum
t - 5 H
0
R
t - 6
R
t - 5
R
t - 4
N
t - 6
N
t - 5
Q
t
Q
t + 1
N
t - 4
Racum
t - 5 H
0

R
t - 6
R
t - 4
Q
t
Q
t + 1
Racum
t - 5 H
0
R
t - 5
R
t - 6
R
t - 4
Q
t
Q
t + 1
Racum
t - 5 H
0
R
t - 5



Pgina 192

SUBCUENCA RIVAS
R
t - 10
R
t - 9
R
t - 8
M
t - 10
M
t - 9
N
t - 10
N
t - 9
Q
t
Q
t + 1
M
t - 8
N
t - 8
Racum
t - 10 H
0
R
t - 10
R
t - 9
R
t - 8
M
t - 10
M
t - 9
N
t - 10
N
t - 9
Q
t
Q
t + 1
M
t - 8
N
t - 8
Racum
t - 10 H
0

Figura 7.4.13. Red Bayesiana 1 de lluvia-caudal en la subcuenca Rivas
R
t - 10
R
t - 9
R
t - 8
M
t - 10
M
t - 9
N
t - 10
N
t - 9
Q
t
Q
t + 1
M
t - 8
N
t - 8
Racum
t - 10
H
0
F
t - 10
F
t - 9
F
t - 8
R
t - 10
R
t - 9
R
t - 8
M
t - 10
M
t - 9
N
t - 10
N
t - 9
Q
t
Q
t + 1
M
t - 8
N
t - 8
Racum
t - 10
H
0
F
t - 10
F
t - 9
F
t - 8

R
t - 10
R
t - 9
R
t - 8
N
t - 10
N
t - 9
Q
t
Q
t + 1
N
t - 8
Racum
t - 9 H
0
R
t - 10
R
t - 9
R
t - 8
N
t - 10
N
t - 9
Q
t
Q
t + 1
N
t - 8
Racum
t - 9 H
0


Pgina 193

R
t - 10
R
t - 8
Q
t
Q
t + 1
Racum
t - 9 H
0
R
t - 9
R
t - 10
R
t - 8
Q
t
Q
t + 1
Racum
t - 9 H
0
R
t - 9

7.4.2.2 REDES BAYESIANAS DE TRANSPORTE DE CAUDAL
La red Bayesiana de transporte de caudal ha quedado definida en el Apartado 5.2.3, en
funcin de los resultados del histograma de tiempos de retardo entre los hidrogramas en el punto de
entrada y en el punto de salida del tramo.

Figura 7.4.17. Histograma de tiempos de viaje en el tramo Santillana El Pardo

Figura 7.4.18. Histograma de tiempos de viaje en el tramo El Pardo - Rivas

Pgina 194

A partir de los histogramas se ha obtenido que los tiempos de viaje que muestran una
mayor frecuencia en el tramo Santillana El Pardo son de 3, 4 y 5 intervalos de tiempo, que
considerando que el intervalo de tiempo es de 30 minutos, equivale a un tiempo de viaje
comprendido entre 1,5 horas y 2,5 horas (Figura 7.4.17). En el caso del tramo El Pardo Rivas los
tiempos de viaje que muestran una mayor frecuencia son los de 5, 6, 7 y 8 intervalos de tiempo, que
equivalen a un tiempo de viaje comprendido entre 2,5 horas y 4 horas.
Una vez que se ha obtenido el intervalo de tiempos de viaje en cada tramo, se pueden
construir las redes Bayesianas que representan el proceso de transporte de caudal en los tramos de
ro considerados en la cuenca del Manzanares (Figuras 7.4.19 y 7.4.20).
Qent
t - 4
Qent
t 3
Qsal
t Qsal
t + 1
Qent
t 2
Qent
t - 4
Qent
t 3
Qsal
t Qsal
t + 1
Qent
t 2

Figura 7.4.19. Red Bayesiana de transporte de caudal en el tramo Santillana El Pardo
Qent
t - 7
Qent
t 6
Qsal
t Qsal
t + 1
Qent
t 5
Qent
t 4
Qent
t - 7
Qent
t 6
Qsal
t Qsal
t + 1
Qent
t 5
Qent
t 4

Figura 7.4.20. Red Bayesiana de transporte de caudal en el tramo El Pardo - Rivas
7.4.3 DISCRETIZACIN DE LAS VARIABLES
Las redes Bayesianas utilizadas para realizar el modelo de pronstico probabilstico de
avenidas son multinomiales, es decir, se ha considerado una representacin discretizada de las
variables. La divisin de los valores de las variables en intervalos se ha realizado siguiendo un
criterio de utilidad, a la vez que se ha puesto especial cuidado en conseguir un equilibrio en la
magnitud de las poblaciones de valores que quedan encuadradas dentro de cada variable.
El criterio de utilidad tiene por objeto que los rangos de valores sean tiles desde el punto
de vista de la aplicacin de las redes Bayesianas a un caso real de avenida, permitiendo la toma de
decisiones a partir de los rangos de valores que representan cada uno de los intervalos de las
variables.
El equilibrio en la magnitud de las poblaciones, tiene por objeto evitar que existan
intervalos de valores de algunas variables con poblaciones reducidas, que puedan llevar a una
distorsin de los parmetros de las redes Bayesianas, de tal forma, que pudieran aparecer filas de
las tablas de probabilidad condicionada sin valores de probabilidad asignada.

Pgina 195

A continuacin se presentan las discretizaciones realizadas sobre las variables utilizadas en
los diferentes tipos de redes Bayesianas:
Red Bayesiana de lluvia-caudal
Las variables ms importantes utilizadas por la red Bayesiana de lluvia-caudal utiliza son la
lluvia (R) y el caudal (Q).
La lluvia (R) se ha discretizado en 8 intervalos, utilizando los mismos rangos de valores de
intervalos en todas las cuencas (Tabla 7.4.1).
INTERVALO RANGO DE VALORES
1 0 = R
2 1 0 < R
3 3 1 < R
4 5 3 < R
5 8 5 < R
6 12 8 < R
7 20 12 < R
8 20 > R
Tabla 7.4.1. Discretizacin de la variable lluvia (R)
El caudal (Q) se ha discretizado en 10 intervalos, definiendo los rangos de los mismos en
funcin de la subcuenca en la que se encuentran. A continuacin se muestran los intervalos
utilizados para las redes Bayesianas de lluvia caudal en las diferentes subcuencas (Tabla 7.4.2).
RANGO DE VALORES
INTERVALO Subcuenca
Santillana
Subcuenca
Pardo
Subcuenca Rivas
1 5 Q 5 Q 10 Q
2 10 5 < Q 10 5 < Q 50 10 < Q
3 20 10 < Q 20 10 < Q 100 50 < Q
4 50 20 < Q 50 20 < Q 150 100 < Q
5 100 50 < Q 100 50 < Q 200 150 < Q
6 150 100 < Q 150 100 < Q 300 200 < Q
7 200 150 < Q 200 150 < Q 400 300 < Q
8 250 200 < Q 250 200 < Q 500 400 < Q
9 300 250 < Q 300 250 < Q 600 500 < Q
10 300 > Q 300 > Q 600 > Q
Tabla 7.4.2. Discretizacin de la variable caudal (Q) en las redes Bayesianas de lluvia-caudal
Red Bayesiana de operacin de embalses
Las variables utilizadas en el caso de las redes Bayesianas de operacin de embalse son:
Caudal entrante al embalse, caudal vertido por la presa y nivel de embalse. El caudal entrante al

Pgina 196

embalse de Santillana es el caudal generado en la subcuenca Santillana, por lo que la discretizacin
es igual a la utilizada en la variable caudal de la red Bayesiana de lluvia-caudal en dicha subcuenca
(Columna Subcuenca Santillana de la Tabla 7.4.2). En el caso del embalse de El Pardo, se ha
utilizado la misma discretizacin para el caudal entrante que para el caudal vertido (Tabla 7.4.3).
Los 10 intervalos utilizados para la variable caudal vertido en las redes de operacin de
embalses se muestran en la Tabla 7.4.3.
RANGO DE VALORES
INTERVALO
Embalse Santillana Embalse Pardo
1 0 =
v
Q 0 =
v
Q
2 25 0 <
v
Q 50 0 <
v
Q
3 50 25 <
v
Q 100 50 <
v
Q
4 75 50 <
v
Q 200 100 <
v
Q
5 100 75 <
v
Q 300 200 <
v
Q
6 150 100 <
v
Q 400 300 <
v
Q
7 200 150 <
v
Q 500 400 <
v
Q
8 250 200 <
v
Q 600 500 <
v
Q
9 300 250 <
v
Q 750 600 <
v
Q
10 300 >
v
Q 750 >
v
Q
Tabla 7.4.3. Discretizacin de la variable caudal vertido (Q
v
) en las redes Bayesianas de operacin de embalses
Los 10 intervalos de discretizacin utilizados para la variable nivel de embalse en las redes
Bayesianas de operacin de embalses se muestran en la Tabla 7.4.4.
RANGO DE VALORES
INTERVALO
Embalse Santillana Embalse Pardo
1 892 N 625 N
2 893 892 < N 626 625 < N
3 5 . 893 893 < N 627 626 < N
4 894 5 . 893 < N 5 . 627 627 < N
5 35 . 894 894 < N 628 5 . 627 < N
6 895 35 . 894 < N 5 . 628 628 < N
7 5 . 895 895 < N 629 5 . 628 < N
8 896 5 . 895 < N 5 . 630 629 < N
9 5 . 896 896 < < N 632 5 . 630 < < N
10 5 . 896 Q 632 Q
Tabla 7.4.4. Discretizacin de la variable nivel de embalse (N) en las redes Bayesianas de operacin de embalses


Pgina 197

Red Bayesiana de tramos de transporte de caudal
Las redes Bayesianas de transporte de caudal toman las mismas discretizaciones para la
variable caudal de entrada que para la variable caudal de salida. En el caso de la red de transporte
desde el embalse de Santillana hasta el embalse de El Pardo, los intervalos utilizados para ambos
caudales son los mismos que los utilizados para la variable caudal vertido (Q
v
) en el embalse de
Santillana (Columna Embalse Santillana de la Tabla 7.4.3). La red de transporte de caudal desde
el embalse de El Pardo hasta el punto de salida de la cuenca en Rivas-Vaciamadrid utiliza los
intervalos de caudal vertido (Q
v
) por el embalse de El Pardo (Columna Embalse Pardo de la
Tabla 7.4.3).
7.4.4 ANLISIS DE ESTABILIDAD DE LOS PARMETROS DE LAS REDES
BAYESIANAS
El anlisis de estabilidad tiene por objeto la determinacin del nmero ptimo de episodios
sintticos que se deben incluir en el proceso de aprendizaje paramtrico de las redes Bayesianas a
partir de la medida de la entropa condicional (Aptdo. 5.2.5). Se ha analizado la estabilidad del
aprendizaje para las redes Bayesianas de lluvia-caudal, operacin de embalses y transporte de
caudal.
Red Bayesiana de lluvia-caudal
El anlisis de estabilidad se ha realizado sobre los cuatro tipos propuestos de redes
Bayesianas de lluvia-caudal, tomando como cuenca tipo la subcuenca de Santillana y un nmero
variable de episodios de avenida desde 1 a 8.700, siendo este ltimo el mximo nmero de
episodios de avenida disponible en el estudio, como resultado del proceso de simulacin sinttica.

Figura 7.4.21. Resultados de la medida de la Entropa condicional para la red Bayesiana 1 de lluvia-caudal en la
subcuenca Santillana
Los grficos obtenidos como resultado del proceso se muestran en las Figuras 7.4.21 a
7.4.24. Se puede observar que los valores de la entropa condicional estn cercanos a un valor de
0,4 en las redes Bayesianas 1, 2 y 3; lo que quiere decir que el aprendizaje paramtrico es
satisfactorio en relacin a la calidad de los parmetros o valores de probabilidades condicionadas
de la red Bayesiana, ya que al obtener valores en torno a 0,5 significa que los pronsticos
conseguidos no son determinsticos (valor 0 de la entropa condicional), ni tampoco tenemos un

Pgina 198

pronstico en el que todos los intervalos tienen la misma probabilidad de ocurrencia, es decir, no
sabramos nada acerca de lo que va a ocurrir (valor 1 de la entropa condicional). En el caso de la
red Bayesiana 4 se obtienen valores inferiores, cercanos a 0,2 lo que quiere decir que la esta red
Bayesiana se acerca ms a un pronstico determinstico que el resto.


En cuanto a la estabilidad de los parmetros, se puede observar que para el caso de las
Redes Bayesianas 2 y 3, la calidad de los parmetros se estabiliza a partir de un nmero de
episodios de 4500. La curva para un nmero de episodios inferior a 4500 presenta una variabilidad
importante, con saltos pronunciados para un pequeo incremento del nmero de episodios. Sin
embargo, a partir de un nmero de episodios de 4500 la curva presenta una tendencia casi lineal, en
el que un gran incremento en el nmero de simulaciones provoca un pequeo incremento en el
valor de la entropa condicional. Por ejemplo, en el caso de la red Bayesiana 2, 5.000 episodios
implican un valor de la entropa condicional de 0,4088; mientras que 6.000 episodios llevan a un

Pgina 199

valor de la entropa condicional de 0,4110; es decir, un incremento del 20 % en el nmero de
simulaciones provoca un incremento del 0,5 % en el valor de la entropa condicional.

Sin embargo, en el caso de las redes Bayesianas 1 y 4, se puede observar que para un
nmero de episodios de 8700 todava no se ha alcanzado la estabilidad, ya que la curva sigue
presentando una tendencia ascendente. Adems para el mximo nmero de simulaciones
disponibles, las redes Bayesianas 1 y 4 son las que presentan un valor ms bajo de la entropa
condicional, lo que significa que estas redes necesitan un mayor nmero de simulaciones para
alcanzar el mismo valor de calidad de los parmetros que las redes Bayesianas 2 y 3 (Tabla 7.4.5).
RED BAYESIANA ENTROPA CONDICIONAL
Santillana 1 0.3733
Santillana 2 0.4220
Santillana 3 0.4160
Santillana 4 0.2077
Tabla 7.4.5. Resultados de la medida de entropa condicional para un nmero de simulaciones de 8700
Por tanto, como resultado del anlisis de estabilidad de los cuatro tipos de redes Bayesianas
de lluvia-caudal se concluye que las redes Bayesianas 2 y 3 son las nicas que alcanzan la
estabilidad de las distribuciones de probabilidad condicionada tras el proceso de aprendizaje. El
nmero de simulaciones a utilizar en la construccin de las redes Bayesianas debe ser mayor a
4500 para conseguir dicha estabilizacin.
Red Bayesiana de operacin de embalses
Se ha tomado como red Bayesiana tipo de operacin de embalses la red Bayesiana de
operacin del embalse de Santillana, analizando la estabilidad del aprendizaje tanto para el
pronstico del caudal vertido y como para el pronstico del nivel de embalse. Los resultados se
pueden observar en las Figuras 7.4.25 y 7.4.26.
Se puede observar que en el caso del pronstico de caudal vertido la estabilidad se alcanza
a partir de un nmero de simulaciones de 3.500, mantenindose la curva prcticamente paralela al
eje horizontal a partir de dicho nmero de simulaciones. En el caso de la red Bayesiana de

Pgina 200

pronstico de nivel de embalse, la estabilidad se consigue para un nmero de simulaciones de
7.000, bastante superior a las 3.500 simulaciones de la red de caudal vertido.

Figura 7.4.25. Resultados de la medida de la Entropa condicional para la red Bayesiana de pronstico de caudal
vertido por el embalse de Santillana.

Figura 7.4.26. Resultados de la medida de la Entropa condicional para la red Bayesiana de pronstico de nivel de
embalse para el embalse de Santillana.
Por tanto, para el caso de las redes Bayesianas de operacin de embalses, el aprendizaje
debe realizarse con al menos 7.000 episodios de avenida, para conseguir la estabilidad de los
parmetros de la red Bayesiana.
Red Bayesiana de transporte de caudal
Se ha realizado el anlisis de estabilidad de las redes Bayesianas de transporte de caudal,
tomando como red Bayesiana tipo la de transporte de caudal desde el embalse de Santillana al
embalse de El Pardo. Los resultados del anlisis de estabilidad se muestran en la Figura 7.4.27.
Se puede observar que la curva se mantiene constante entre 800 y 3800 simulaciones,
presentando un salto entre 3.800 y 4.200 simulaciones y descendiendo nuevamente hasta los
valores anteriores. A pesar de este salto, los valores de la entropa condicional se mantienen en un

Pgina 201

rango de variacin muy estrecho, entre 0,35 y 0,4; por lo que se puede concluir que a partir de 800
episodios de avenida los parmetros de la red Bayesiana se estabilizan.

Figura 7.4.27. Resultados de la medida de la Entropa condicional para la red Bayesiana de transporte de caudal
desde el embalse de Santillana hasta el embalse de El Pardo.
Conclusiones del anlisis de estabilidad
El nmero ptimo de episodios sintticos de avenida a utilizar en el aprendizaje de las
redes Bayesianas viene condicionado por la red Bayesiana de operacin de embalses, y ms
concretamente para el pronstico del nivel de embalse, ya que para conseguir la estabilizacin de
los parmetros de dicha red se necesitan al menos 7.000 episodios de avenida.
Finalmente, se ha optado por utilizar los 8700 episodios sintticos de avenida, ya que a
pesar de conseguirse la estabilidad a partir de 7000 simulaciones, la curva de entropa condicional
sigue ascendiendo muy ligeramente en todos los casos, con lo que ya que se disponen de 8700
episodios sintticos, se han utilizado todos ellos con el objeto de conseguir la mxima mejora del
pronstico probabilstico a partir de toda la informacin de episodios sintticos disponible en el
estudio.
7.4.5 SELECCIN DE LA ESTRUCURA DE RED BAYESIANA DEL PROCESO
LLUVIA CAUDAL
La estructura de red Bayesiana que conduce a una mejor representacin del proceso lluvia-
caudal ha sido seleccionada en funcin de criterios de utilidad, comparando la calidad del
pronstico realizado por cada una de las estructuras consideradas. La calidad de cada estructura ha
sido obtenida mediante la metodologa descrita en el Captulo 6, cuantificando en primer lugar la
calidad de cada uno de los atributos que influyen en la calidad del pronstico, a partir de diferentes
medidas y grficos, para en segundo lugar obtener la calidad global del pronstico, mediante la
suma ponderada de las calidades de los atributos, en funcin de la importancia de cada uno sobre la
calidad final del pronstico.
Se ha elegido la subcuenca de Santillana para realizar el proceso de seleccin de la
estructura de red Bayesiana que representa el proceso de lluvia caudal (Figuras 7.4.5 a 7.4.8).
En este caso, el atributo de Incertidumbre no ha sido tenido en cuenta en la obtencin de la
calidad global de las estructuras de redes Bayesianas, ya que los pronsticos de las diferentes

Pgina 202

estructuras se realizan a partir del mismo conjunto de casos, y por tanto, la incertidumbre es la
misma para todas las estructuras de red Bayesiana dentro de un mismo proceso en una misma
subcuenca.
7.4.5.1 CALIDAD DE LOS ATRIBUTOS QUE INFLUYEN EN EL PRONSTICO
Se ha obtenido la calidad de cada uno de los 9 atributos que influyen en la calidad de un
pronstico probabilstico para las 4 estructuras de redes Bayesianas que representan el proceso
lluvia caudal en la subcuenca Santillana
1) SESGO
El atributo de sesgo cuantifica la desviacin general del pronstico hacia una estimacin
sobreestimada o subestimada, mediante la medida MME. Si MME es negativo el pronstico estar
subestimado y si es positivo sobreestimado. Se puede observar en la Figura 7.4.28 que los
pronsticos correspondientes a las redes 1 y 4 tienen una desviacin general negativa, es decir, los
valores de las probabilidades de pronstico son menores que las observaciones. Sin embargo, las
redes 2 y 3 presentan una evolucin del sesgo muy parecida, adoptando en los tres primeros
intervalos de pronstico un sesgo positivo, muy cercano al valor nulo, lo que indica que el
pronstico tiene una muy buena calidad respecto a este atributo.

Figura 7.4.28. Resultados del MME para las redes Bayesianas de lluvia caudal en la subcuenca Santillana
INTERVALO DE PRONSTICO RED
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.99219 0.98192 0.97820 0.97693 0.97566
Santillana 2 0.99998 0.99878 0.99914 0.99716 0.99069
Santillana 3 0.99972 0.99923 0.99972 0.99628 0.99014
Santillana 4 0.99678 0.99705 0.99766 0.99758 0.99670
Tabla 7.4.6. Resultados del coeficiente de calidad del sesgo (Q
sesgo
) para las redes Bayesianas de lluvia caudal en
la subcuenca Santillana
A partir del MME se ha obtenido el coeficiente de calidad del atributo de Sesgo (Q
sesgo
),
que permite cuantificar la calidad de este atributo mediante una escala en la que un valor de 1
significa un pronstico perfecto y un valor de 0 el peor de los pronsticos esperables (Tabla 7.4.6).


Pgina 203

2) ASOCIACIN
El atributo de asociacin cuantifica la fuerza de la relacin lineal que existe entre los
valores de las probabilidades de pronstico y las observaciones, mediante la medida del Coeficiente
de Correlacin lineal (R
2
). Los resultados para las 4 redes Bayesianas consideradas muestran que el
pronstico realizado con la estructura de red 1 presenta los peores resultados de asociacin al
adoptar los valores ms bajos de R
2
. Las redes 2, 3 y 4 presentan resultados de este coeficiente muy
parecidos, decreciendo los valores segn aumenta el intervalo de tiempo de pronstico en el futuro
(Figura 7.4.29).

Figura 7.4.29. Resultados del Coeficiente de correlacin lineal para las redes Bayesianas de lluvia caudal en la
Los resultados de R
2
, que son iguales a los valores del coeficiente de calidad del atributo de
Asociacin (Q
asociacin
), se muestran en la Tabla 7.4.7.
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.9801 0.9478 0.9255 0.9153 0.9080
Santillana 2 0.9833 0.9718 0.9604 0.9478 0.9297
Santillana 3 0.9833 0.9720 0.9604 0.9469 0.9288
Santillana 4 0.9777 0.9664 0.9556 0.9463 0.9377
Tabla 7.4.7. Resultados del coeficiente de correlacin, que es igual al coeficiente de calidad de la asociacin
(Q
asociacin
), para las redes Bayesianas de lluvia caudal en la subcuenca Santillana
3) PRECISIN
El atributo de Precisin cuantifica los errores cometidos en el pronstico en valor absoluto,
no teniendo en cuenta la compensacin entre errores positivos y negativos. El atributo de Precisin
se cuantifica mediante la medida del RPS que cuantifica el error cuadrtico medio que se produce
entre las funciones acumuladas de las probabilidades de pronstico y los datos observados. Cuanto
ms cercano a 0 es el valor del RPS, mejor ser el pronstico.
Se puede observar que el pronstico 1 adopta los valores ms elevados del RPS, por lo que
este es el peor pronstico de los 4, desde el punto de vista del atributo de Precisin. Las redes 2, 3 y

Pgina 204

4 adoptan valores similares, aunque las redes 2 y 3 toman valores ligeramente mejores en los 4
primeros intervalos de tiempo de pronstico (Figura 7.4.30).
A partir del RPS se ha obtenido el valor del Coeficiente de calidad del atributo de Precisin
(Q
precisin
), mediante la conversin de la escala de valores (Tabla 7.4.8).

Figura 7.4.30. Resultados de la medida RPS para las redes Bayesianas de lluvia caudal en la subcuenca
Santillana
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.9909 0.9765 0.9666 0.9623 0.9593
Santillana 2 0.9924 0.9873 0.9825 0.9772 0.9696
Santillana 3 0.9924 0.9874 0.9825 0.9768 0.9692
Santillana 4 0.9899 0.9849 0.9803 0.9763 0.9728
Tabla 7.4.8. Resultados del coeficiente de calidad de la Precisin (Q
precisin
) para las redes Bayesianas de lluvia
caudal en la subcuenca Santillana
4) HABILIDAD
El atributo de Habilidad cuantifica la capacidad de aplicacin de un pronstico como
herramienta de ayuda a la toma de decisiones, mediante el clculo del Diagrama ROC, que
compara los aciertos en el pronstico con las falsas alarmas (Figuras 7.4.31 a 7.4.35).
Se puede observar que en el intervalo de tiempo de pronstico t + 1, la red Bayesiana 4
presenta una Curva ROC situada por debajo del resto, lo que indica una peor calidad del atributo de
Habilidad y una peor aplicacin como herramienta de ayuda en la toma de decisiones. En el resto
de intervalos de tiempo, las redes 1 y 4 muestran Curvas ROC situadas por debajo de las redes 2 y
3. Estas dos ltimas redes muestran Curvas ROC prcticamente coincidentes, por lo que son los
mejores pronsticos desde el punto de vista del atributo de Habilidad.
El atributo de Habilidad se ha cuantificado de forma cuantitativa mediante el clculo del
rea que queda por debajo de la curva ROC y la obtencin del Coeficiente de calidad del atributo
de Habilidad (Q
habilidad
), mediante la transformacin a una escala en la que una habilidad nula toma
un valor de 0 y una habilidad perfecta toma un valor de 1 (Apartado 6.3).

Pgina 205

Figura 7.4.31. Curvas ROC para las redes Bayesianas de lluvia caudal en la subcuenca Santillana. Intervalo de
pronstico t + 1.

pronstico t + 2.

pronstico t + 3.

Pgina 206

pronstico t + 4.

pronstico t + 5.
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.9653 0.9172 0.8344 0.7609 0.7392
Santillana 2 0.9751 0.9660 0.9445 0.9218 0.8833
Santillana 3 0.9745 0.9660 0.9494 0.9209 0.8826
Santillana 4 0.9592 0.9463 0.9242 0.8936 0.8698
Tabla 7.4.9. Resultados del coeficiente de calidad de la Habilidad (Q
habilidad
5) FIABILIDAD
El atributo de Fiabilidad cuantifica la relacin que existe entre los valores de las
probabilidades de ocurrencia asignadas por el pronstico y la frecuencia de aciertos de cada
intervalo de valores de las probabilidades, mediante el clculo del Diagrama de Fiabilidad (Figuras
7.4.36 a 7.4.40).

Pgina 207

Figura 7.4.36. Diagramas de Fiabilidad para las redes Bayesianas de lluvia caudal en la subcuenca Santillana.
Intervalo de pronstico t + 1.



Pgina 208


Se puede observar que el pronstico derivado de la estructura de red 1 presenta las mayores
desviaciones respecto de la lnea diagonal del diagrama, con lo que presenta la peor calidad de
Fiabilidad de los 4. Las otras 3 redes presentan unos diagramas de Fiabilidad ms cercanos a la
recta diagonal, presentando la red Bayesiana 4 un Diagrama de Fiabilidad ms cercano a la recta
diagonal.
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.8927 0.8372 0.9013 0.9015 0.8879
Santillana 2 0.9344 0.9402 0.9397 0.9359 0.9274
Santillana 3 0.9377 0.9452 0.9569 0.9587 0.9343
Santillana 4 0.9337 0.9302 0.9363 0.9347 0.9393
Tabla 7.4.10. Resultados del coeficiente de calidad de la Fiabilidad (Q
fiabilidad

Pgina 209

Los diagramas de Fiabilidad se han cuantificado de forma cuantitativa mediante la medida
de las desviaciones respecto a la recta de diagonal, obteniendo finalmente el valor de la calidad del
atributo de Fiabilidad mediante el clculo del Coeficiente de calidad del atributo de Fiabilidad
(Q
fiabilidad
) (Tabla 7.4.10), mediante la metodologa expuesta en el Apartado 6.3.
6) RESOLUCIN
El atributo de Resolucin cuantifica la relacin entre el valor de los datos observados
condicionados a las probabilidad de pronstico y el valor medio de los datos observados en el
conjunto del pronstico. Cuanto mayor sean las diferencias entre ambas, mayor ser la calidad del
atributo de Resolucin del pronstico. Este atributo se cuantifica mediante la obtencin del
componente de resolucin del Brier Score (Tabla 7.4.11).
Los resultados de este componente se han transformado en valores con una escala de
calidad en la que un valor de 0 equivale al peor pronstico posible y un valor de 1 a un pronstico
perfecto, obteniendo los valores del Coeficiente de calidad del atributo de Resolucin (Q
resolucin
)
(Tabla 7.4.12).
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.1813 0.0914 0.0496 0.0417 0.0392
Santillana 2 0.1824 0.1050 0.0766 0.0676 0.0577
Santillana 3 0.1846 0.1051 0.0759 0.0657 0.0559
Santillana 4 0.1501 0.0839 0.0317 0.0275 0.0259
Tabla 7.4.11. Resultados del componente de resolucin del Brier Score para las redes Bayesianas de lluvia
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.2014 0.1015 0.0552 0.0463 0.0435
Santillana 2 0.2027 0.1167 0.0851 0.0751 0.0641
Santillana 3 0.2051 0.1168 0.0843 0.0730 0.0621
Santillana 4 0.1668 0.0932 0.0353 0.0306 0.0288
Tabla 7.4.12. Resultados del coeficiente de calidad de la Resolucin (Qresolucin) para las redes Bayesianas de
7) REFINAMIENTO
El atributo de Refinamiento cuantifica la utilidad del pronstico, calculando el grado de
acercamiento de los valores de probabilidad de pronstico a los valores extremos de probabilidad
de 0 y 1. Este atributo se cuantifica mediante la medida del Coeficiente de Refinamiento
(Apartado 6.3). Se puede observar en la Figura 7.4.41, que la red Bayesiana 4 presenta el mejor
Refinamiento con un mayor nmero de pronsticos con probabilidades cercanas a los extremos. De
entre las tres redes restantes, las redes 2 y 3 presentan un mejor Refinamiento en los tres primeros
intervalos de tiempo de pronstico, mientras que la red 1 presenta un mejor Refinamiento en los
intervalos de tiempo de pronstico t + 3 y t + 4.
Los resultados del Coeficiente de Refinamiento son equivalentes al Coeficiente de calidad
del atributo de Refinamiento (Q
refinamiento
), ya que el primero utiliza una escala adecuada
(Tabla 7.4.13).

Pgina 210

Figura 7.4.41. Resultados del Coeficiente de Refinamiento para las redes Bayesianas de lluvia caudal en la
subcuenca Santillana.
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.9085 0.8724 0.8607 0.8625 0.8642
Santillana 2 0.9253 0.8884 0.8655 0.8510 0.8458
Santillana 3 0.9270 0.8892 0.8649 0.8507 0.8507
Santillana 4 0.9561 0.9359 0.9331 0.9339 0.9357
Tabla 7.4.13. Resultados del Coeficiente de Calidad de Refinamiento (Qrefinamiento) para las redes Bayesianas de
8) DISCRIMINACIN 1
El atributo de Discriminacin 1 cuantifica la calidad que tiene el pronstico para
diferenciar las observaciones mediante los valores de la probabilidad de pronstico, de tal forma,
que en el caso en el que el valor del dato observado sea nulo debern aparecer probabilidades de
pronstico bajas, mientras que cuando el dato observado ocurre deben aparecer probabilidades de
pronstico altas.

Figura 7.4.42. Resultados del Coeficiente de Discriminacin 1 para las redes Bayesianas de lluvia caudal en la

Pgina 211

Este atributo se cuantifica mediante el Diagrama de Discriminacin, que a su vez se
cuantifica mediante el Coeficiente de Discriminacin 1 (Apartado 6.2.8) (Figura 7.4.42). Se puede
observar que los mejores resultados corresponden a la red 4, los peores a la red 1, mientras que las
redes 2 y 3 se mantienen en una situacin intermedia.
La calidad del atributo de Discriminacin 1 se cuantifica mediante el Coeficiente de
calidad de Discriminacin 1(Q
dis_1
) (Apartado 6.3) (Tabla 7.4.14).
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.8829 0.8067 0.7767 0.7668 0.7618
Santillana 2 0.9091 0.8757 0.8547 0.8299 0.7997
Santillana 3 0.9102 0.8768 0.8550 0.8288 0.8004
Santillana 4 0.9325 0.9039 0.8884 0.8788 0.8709
Tabla 7.4.14. Resultados del Coeficiente de Calidad de Discriminacin 1 (Qdis_1) para las redes Bayesianas de
9) DISCRIMINACIN 2
El atributo de Discriminacin 2 cuantifica la relacin entre el Diagrama de Discriminacin
y el histograma de probabilidades mediante el coeficiente de Discriminacin 2 (Apartado 6.2.9). Se
puede observar que los peores resultados de este atributo corresponden a la estructura de red 1,
mientras que los mejores se corresponden con la estructura 4, los resultados de las estructuras 2 y 3
son muy similares (Figura 7.4.43).

Figura 7.4.43. Resultados del Coeficiente de Discriminacin 2 para las redes Bayesianas de lluvia caudal en la
BAYESIANA t + 1 t + 2 t + 3 t + 4 t + 5
Santillana 1 0.7658 0.6134 0.5533 0.5336 0.5235
Santillana 2 0.8183 0.7514 0.7095 0.6598 0.5994
Santillana 3 0.8204 0.7535 0.7100 0.6576 0.6007
Santillana 4 0.8650 0.8079 0.7769 0.7575 0.7419
Tabla 7.4.15. Resultados del Coeficiente de Calidad de Discriminacin 2 (Qdis_2) para las redes Bayesianas de

Pgina 212

El Coeficiente de calidad del Atributo de Discriminacin 2 es equivalente al Coeficiente de
Discriminacin 2 (Q
dis_2
) (Tabla 7.4.15).
7.4.5.2 CALIDAD GLOBAL DE LOS PRONSTICOS
A partir de los resultados de calidad de cada uno de los atributos se ha obtenido el valor
cuantitativo de la calidad global del pronstico (Apartado 6.4). En este caso no se ha considerado la
influencia de la incertidumbre, ya que los pronsticos se han realizado sobre un mismo conjunto de
datos, teniendo los pronsticos derivados de las 4 redes, la misma incertidumbre.
Para obtener el valor de la calidad global se debe dar un peso a cada atributo
(Tabla 7.4.16). Se ha asignado un mayor peso a los atributos de Fiabilidad y Habilidad, ya que son
los atributos ms importantes desde el punto de vista de un pronstico de avenidas. La Fiabilidad
cuantifica la consistencia de los valores de probabilidad asignados y la Habilidad cuantifica la
capacidad de aplicacin del pronstico como herramienta de ayuda en la toma de decisiones en una
situacin real de avenidas. Finalmente se ha dado un mayor peso a los atributos de Refinamiento y
Precisin por considerarlos ms importantes que el resto. El atributo de Refinamiento mide la
utilidad del pronstico en funcin de las frecuencias de asignacin de las diferentes probabilidades
de pronstico y la Precisin mide la correspondencia entre las probabilidades de pronstico y los
datos observados.
ATRIBUTO PESO
Sesgo 0.05
Asociacin 0.05
Precisin 0.1
Habilidad 0.25
Fiabilidad 0.3
Resolucin 0.05
Refinamiento 0.1
Discriminacin 1 0.05
Discriminacin 2 0.05
TOTAL 1.00
Tabla 7.4.16. Pesos asignados a cada atributo para obtener el valor de calidad global de los pronsticos.
A partir de los pesos asignados se ha obtenido el valor de la calidad global de cada uno de
los 4 pronsticos (Apartado 6.4). Se puede observar que los mejores pronsticos corresponden a las
redes 2, 3 y 4. El mejor pronstico es el obtenido mediante la red Bayesiana 3, mientras que los
pronsticos de las redes 2 y 4 obtienen valores muy parecidos. La red 1 presenta los peores
resultados.
t + 1 t + 2 t + 3 t + 4 t + 5 MEDIA
Santillana 1 89.02 83.79 82.62 80.51 79.42 83.07
Santillana 2 91.15 89.69 88.33 86.95 85.28 88.28
Santillana 3 91.28 89.86 88.96 87.57 85.20 88.58
Santillana 4 90.85 89.31 87.70 86.34 85.39 87.92
Tabla 7.4.17. Resultados de la calidad global de los pronsticos de las 4 redes Bayesianas de lluvia caudal en la

Pgina 213

7.4.5.3 CONCLUSIONES DE LA SELECCIN
Como conclusin del anlisis de la calidad de los pronsticos de las redes Bayesianas de
lluvia caudal y la seleccin del mejor pronstico en funcin de criterios de utilidad en una
situacin real, se ha obtenido que el mejor pronstico es el correspondiente a la red Bayesiana 3
(Figura 7.4.44), que ser la estructura de red Bayesiana utilizada en el modelo probabilstico de
pronstico para representar el proceso lluvia caudal.
Del anlisis de los resultados de calidad global del pronstico se puede concluir que las
redes 2 y 4 tambin dan resultados muy buenos. La red 2 (Figura 7.4.6) es la red ms complicada
de las 4, con un mayor nmero de variables. Esta estructura de red no supone ninguna ventaja sobre
la red 3 seleccionada, ya que supone una mayor complejidad en la estructura y una mayor
ralentizacin de los clculos por el mayor nmero de variables, para obtener un pequeo
incremento en la calidad del pronstico. Por ello, no resulta recomendable utilizar la red 2.
Sin embargo la red 4 (Figura 7.4.8), es la red ms simple de las 4, por lo que puede ser muy
til en el caso de no disponer de datos de lluvia neta o tasa de generacin de escorrenta en la
cuenca, teniendo disponibles nicamente las series temporales de lluvia y caudal. Esta red requiere
un mayor nmero de episodios de avenida en el aprendizaje paramtrico para conseguir la
estabilidad de los parmetros de la red Bayesiana como se ha visto en el Apartado 7.4.4. Por ello,
en el caso de tener un nmero suficiente de episodios de avenidas, se recomienda utilizar la red
Bayesiana nmero 4, ya que permite obtener unos resultados de calidad del pronstico bastante
buenos.
R
t - 5
R
t - 4
R
t - 3
N
t - 5
N
t - 4
Q
t
Q
t + 1
N
t - 3
Racum
t - 4 H
0
R
t - 5
R
t - 4
R
t - 3
N
t - 5
N
t - 4
Q
t
Q
t + 1
N
t - 3
Racum
t - 4 H
0

Figura 7.4.44. Red Bayesiana de lluvia-caudal seleccionada para representar este proceso en el modelo
probabilstico de pronstico. Subcuenca Santillana.


Pgina 214

Captulo 8. Resultados de validacin del modelo de pronstico

Pgina 215

8 RESULTADOS DE VALIDACIN DEL MODELO DE
PRONSTICO
Se ha comprobado la validez y utilidad del modelo probabilstico de pronstico construido
en el Captulo anterior, mediante la validacin realizada sobre el segundo conjunto de episodios
sintticos generados. El modelo probabilstico de pronstico desarrollado ha sido aprendido con el
primer conjunto de episodios sintticos generados, obteniendo los parmetros de las redes
Bayesianas que determinan las tablas de probabilidades condicionadas que caracterizan los arcos
que las conforman. El proceso de validacin se aplica sobre el conjunto de resultados
probabilsticos obtenidos de la ejecucin repetitiva del modelo probabilstico de pronstico
aprendido, tomando como datos de entrada el segundo conjunto de episodios sintticos generados,
diferente al primer conjunto de episodios sintticos utilizados en el aprendizaje. La validacin tiene
como objetivo final la cuantificacin de la calidad de cada uno de los pronsticos que conforman el
modelo, mediante la metodologa descrita en el Captulo 6, basada en la cuantificacin de los
atributos que influyen en la calidad de un pronstico probabilstico.
En primer lugar se obtienen los resultados de las medidas que permiten cuantificar la
calidad de cada uno de los atributos que influyen en la calidad de un pronstico probabilstico. Las
medidas utilizadas para cada atributo quedan descritas en el Apartado 6.2. A partir de estos
resultados, se obtienen los resultados de los coeficientes de calidad de cada uno de los atributos,
utilizando una escala de valores homognea para todos ellos, mediante la identificacin del peor
pronstico posible con un valor de 0 y de un pronstico perfecto con un valor de 1. Los
coeficientes de calidad utilizados quedan descritos en el Apartado 6.3. Finalmente, se obtienen los
resultados de calidad global de cada una de las estructuras de redes Bayesianas, para cada intervalo
de tiempo de pronstico en el futuro, mediante la metodologa descrita en el Apartado 6.4.
Como resultado del proceso de validacin se ha obtenido la calidad de cada red Bayesiana
utilizada en el modelo probabilstico de pronstico de la cuenca del ro Manzanares. Los resultados
grficos de las diferentes medidas que permiten la cuantificacin de la calidad de los pronsticos se
encuentran en los Anejos 9 a 14.
8.1. REDES BAYESIANAS DE LLUVIA - CAUDAL
8.1.1 RED BAYESIANA LLUVIA CAUDAL EN SUBCUENCA SANTILLANA
La estructura de red Bayesiana utilizada para representar el proceso de lluvia-caudal en la
subcuenca Santillana y los resultados grficos de las diferentes medidas utilizadas en la
cuantificacin de la calidad de la misma quedan incluidas en el Anejo 8, resumiendo estas medidas
de forma analtica en la Tabla 8.1.
Se puede observar que el pronstico realiza una gran compensacin de los errores
cometidos en los tres primeros intervalos de tiempo, obteniendo un sesgo prcticamente nulo. Los
dos intervalos de pronstico ms lejanos en el futuro presentan una mayor desviacin del error
medio hacia un pronstico subestimado, pero siempre adoptando valores reducidos, inferiores a
0.01.
El pronstico presenta una buena asociacin o relacin entre los valores de pronstico y los
datos observados en el primer intervalo de pronstico, reducindose los valores segn aumenta el

Pgina 216

intervalo de tiempo en el futuro, debido a la propagacin de las probabilidades de pronstico. En
cuanto a la precisin, se obtienen resultados muy buenos, siempre cercanos a un valor de 0, lo que
indica una buena calidad del pronstico.
INTERVALO DE PRONSTICO
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME
-0.0003 0.0008 0.0003 -0.0037 -0.0099
Asociacin R
2
0.9260 0.8866 0.8530 0.8090 0.7393
Precisin RPS
0.0076 0.0126 0.0175 0.0232 0.0308
Habilidad rea de curva ROC
0.9872 0.9830 0.9747 0.9605 0.9413
Fiabilidad Coef. Fiabilidad
0.0623 0.0548 0.0431 0.0413 0.0657
Resolucin Coef. Resolucin
0.1846 0.1051 0.0759 0.0657 0.0559
Refinamiento Coef. Refinamiento
0.9270 0.8892 0.8649 0.8507 0.8507
Discriminacin 1 Coef. Disc. 1
0.0898 0.1232 0.1450 0.1712 0.1996
0.8204 0.7535 0.7100 0.6576 0.6007
Tabla 8.1. Resultados de las medidas que cuantifican la calidad de los atributos que influyen en un pronstico
probabilstico. Red Bayesiana de lluvia caudal en la subcuenca Santillana
La habilidad o capacidad de aplicacin del pronstico en una situacin de toma de
decisiones es muy buena, obteniendo valores del rea por debajo de la curva ROC superiores a 0.9,
pudiendo observar que las curvas se encuentran cercanas a la esquina superior izquierda en todos
los intervalos de tiempo.
Los diagramas de fiabilidad presentan una distribucin prcticamente coincidente con la
diagonal principal en los cinco intervalo de tiempo, aunque su separacin aumenta ligeramente
segn avanzamos en el intervalo de pronstico. Como resultado se obtienen unos resultados del
coeficiente de fiabilidad muy buenos, siempre cercanos a un valor de 0.
COEFICIENTES DE CALIDAD
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo
0.9997 0.9992 0.9997 0.9963 0.9901
Asociacin
0.9260 0.8866 0.8530 0.8090 0.7393
Precisin
0.9924 0.9874 0.9825 0.9768 0.9692
Habilidad
0.9744 0.9660 0.9494 0.9210 0.8826
Fiabilidad
0.9377 0.9452 0.9569 0.9587 0.9343
Resolucin
0.2051 0.1168 0.0843 0.0730 0.0621
Refinamiento
0.9270 0.8892 0.8649 0.8507 0.8507
Discriminacin 1
0.9102 0.8768 0.8550 0.8288 0.8004
Discriminacin 2
0.8204 0.7535 0.7100 0.6576 0.6007
CALIDAD
GLOBAL
90.99 89.44 88.43 86.88 84.26
Tabla 8.2. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de lluvia
La resolucin del pronstico aceptable, obteniendo un valor del coeficiente de resolucin
de 0.18 en el primer intervalo de tiempo, con el tiempo el coeficiente va reduciendo sus valores,
indicando un empeoramiento de la resolucin. Sin embargo el refinamiento del pronstico es muy
bueno, adoptando los histogramas de probabilidades aspectos en forma de U con dos mximos en
los extremos.

Pgina 217

La discriminacin del pronstico es buena, presentando los diagramas de discriminacin
dos picos cercanos a los extremos laterales del diagrama. Esto queda reflejado en el coeficiente de
Discriminacin 1 que adopta valores siempre inferiores a 0.2, siendo el resultado para el primer
intervalo de pronstico inferior a 0.1, as como en el coeficiente de Discriminacin 2 que adopta un
valor de 0.82 en el primer intervalo de pronstico.

Figura 8.1. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de lluvia
Los valores de calidad para cada uno de los atributos que influyen en la calidad del
pronstico se presentan en la Tabla 8.2 y en la Figura 8.1. Los valores de los coeficientes de
calidad se presentan en la Tabla 8.2, obteniendo un valor de la calidad del pronstico del 91 % para
el primer intervalo de tiempo. La calidad decrece con el tiempo, pero siempre se mantienen en
valores superiores al 80 %.
8.1.2 RED BAYESIANA LLUVIA CAUDAL EN SUBCUENCA EL PARDO
subcuenca El Pardo y los resultados grficos de las diferentes medidas utilizadas en la
cuantificacin de la calidad de la misma quedan incluidas en el Anejo 9, resumiendo estas medidas
de forma analtica en la Tabla 8.3.
Se puede observar que el sesgo de este pronstico es siempre negativo, mostrando una
tendencia hacia la subestimacin de las probabilidades de pronstico. Esta desviacin es muy
pequea ya que los valores son siempre inferiores 0.025, indicando que se produce una gran
compensacin de los errores, sobre todo en el primer intervalo de tiempo, donde el MME es
inferior a 0.005.
La asociacin es muy buena para el primer intervalo de tiempo, donde adopta un valor de
0.92. Este atributo empeora segn avanza el intervalo de tiempo del pronstico en el futuro. La
precisin del pronstico es muy buena, adoptando la medida RPS valores inferiores a 0.05 en todos
los casos. Destaca la precisin del primer intervalo de pronstico, inferior a 0.01.

Pgina 218

La resolucin del modelo es aceptable en el primer intervalo de tiempo, con un coeficiente
de resolucin igual a 0.18. La resolucin va empeorando segn avanzamos en el tiempo, debido a
la propagacin de las probabilidades de pronstico en el futuro.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0039 -0.0088 -0.0131 -0.0173 -0.0218
Asociacin R
2
0.9207 0.8461 0.7501 0.6818 0.6419
Precisin RPS 0.0082 0.0164 0.0272 0.0366 0.0440
Habilidad rea de curva ROC 0.9884 0.9834 0.9716 0.9549 0.9355
Fiabilidad Coef. Fiabilidad 0.0857 0.0703 0.1522 0.1691 0.1715
Resolucin Coef. Resolucin 0.1797 0.0970 0.0715 0.0607 0.0500
Refinamiento Coef. Refinamiento 0.7935 0.7858 0.8258 0.8407 0.8491
Discriminacin 1 Coef. Disc. 1 0.1020 0.1582 0.1955 0.2165 0.2282
probabilstico. Red Bayesiana de lluvia caudal en la subcuenca El Pardo
La habilidad del pronstico es muy buena, ya que el rea de la curva ROC adopta valores
siempre superiores a 0.9, lo que implica una gran aplicacin del pronstico en los procesos de toma
de decisiones en situacin de avenidas.
El pronstico destaca por su gran fiabilidad en los dos primeros intervalos de tiempo,
adoptando las curvas una distribucin prcticamente coincidente con la diagonal principal del
diagrama. La fiabilidad se va degradando segn aumenta el intervalo de tiempo, aumentando su
desviacin sobre la diagonal del diagrama.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9961 0.9912 0.9869 0.9827 0.9782
Asociacin 0.9207 0.8461 0.7501 0.6818 0.6419
Precisin 0.9918 0.9836 0.9728 0.9634 0.9560
Habilidad 0.9768 0.9668 0.9432 0.9098 0.8710
Fiabilidad 0.9143 0.9297 0.8478 0.8309 0.8285
Resolucin 0.1997 0.1078 0.0794 0.0674 0.0556
Refinamiento 0.7935 0.7858 0.8258 0.8407 0.8491
Discriminacin 1 0.8980 0.8418 0.8045 0.7835 0.7718
Discriminacin 2 0.7959 0.6836 0.6091 0.5670 0.5435
CALIDAD
GLOBAL
88.75 87.11 83.15 81.13 79.64
caudal en la subcuenca El Pardo
El refinamiento del pronstico es muy bueno, ya que los histogramas de probabilidades
presentan formas en U con dos picos en los extremos. La discriminacin del pronstico es buena,
ya que los diagramas de fiabilidad presentan dos picos en los extremos. El coeficiente de
Discriminacin 1 presenta valores comprendidos entre 0.1 y 0.23, mientras que el coeficiente de
Discriminacin 2 presenta valores comprendidos entre 0.54 y 0.80.

Pgina 219

caudal en la subcuenca El Pardo
pronstico se presentan en la Tabla 8.4 y en la Figura 8.2. Los valores de los coeficientes de
calidad se presentan en la Tabla 8.4. Como resultado se obtienen unos resultados buenos de calidad
del pronstico, estando los cuatro primeros intervalos de pronstico por encima del 80 %, mientras
que el ltimo intervalo de pronstico adopta valores de calidad muy cercanos al mismo.
8.1.3 RED BAYESIANA LLUVIA CAUDAL EN SUBCUENCA RIVAS
subcuenca Rivas y los resultados grficos de las diferentes medidas utilizadas en la cuantificacin
de la calidad de la misma quedan incluidos en el Anejo 10, resumiendo estas medidas de forma
analtica en la Tabla 8.5.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0020 -0.0066 -0.0137 -0.0212 -0.0281
Asociacin R
2
0.9272 0.8723 0.7921 0.7202 0.6809
Precisin RPS 0.0076 0.0144 0.0249 0.0362 0.0447
probabilstico. Red Bayesiana de lluvia caudal en la subcuenca Rivas
El pronstico presenta un sesgo reducido y siempre negativo, lo que indica que el
pronstico est ligeramente desviado hacia probabilidades de pronstico subestimadas, aunque esta
desviacin es prcticamente despreciable ya que el valor del MME es siempre inferior a 0.03.

Pgina 220

El pronstico presenta una buena asociacin en los dos primeros intervalos de tiempo, con
valores de 0.92 y 0.87. La asociacin va empeorando segn aumenta el intervalo de tiempo de
pronstico, pero en todo caso, se mantiene con valore altos. La precisin tambin empeora segn
avanza el intervalo de tiempo, pero sin embargo, siempre se mantiene con valores reducidos del
RPS, inferiores a 0.045, lo que indica una buena calidad de esta estructura de red Bayesiana.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9980 0.9934 0.9863 0.9788 0.9719
Asociacin 0.9272 0.8723 0.7921 0.7202 0.6809
Precisin 0.9924 0.9856 0.9751 0.9638 0.9553
Habilidad 0.9576 0.9408 0.9104 0.8650 0.8120
Fiabilidad 0.9338 0.9228 0.8691 0.8252 0.8146
Resolucin 0.2100 0.1186 0.0837 0.0720 0.0617
Refinamiento 0.8093 0.8125 0.8365 0.8576 0.8659
Discriminacin 1 0.9109 0.8667 0.8328 0.8103 0.7986
Discriminacin 2 0.8217 0.7334 0.6655 0.6205 0.5973
CALIDAD
GLOBAL
89.31 87.11 83.75 80.60 78.50
caudal en la subcuenca Rivas
La habilidad del pronstico es muy buena, ya que el rea por debajo de la curva ROC
siempre es superior a 0.9. Este aspecto se puede observar en los diagramas ROC, donde la curva
ROC siempre adopta una forma cercana a la esquina superior izquierda, aunque con el tiempo se
produce un pequeo alejamiento.

caudal en la subcuenca Rivas
En cuanto la fiabilidad, destaca el diagrama de fiabilidad del primer intervalo de tiempo,
que adopta una distribucin prcticamente coincidente con la diagonal principal. Con el tiempo los

Pgina 221

diagramas se separan de la diagonal, lo que se refleja en el aumento del valor del coeficiente de
fiabilidad. En cualquier caso, este coeficiente siempre se mantiene en valores inferiores a 0.20, lo
que indica una buena fiabilidad del pronstico.
La resolucin es aceptable en el primer intervalo de pronstico, con un valor del
coeficiente de resolucin de 0.19. La resolucin va empeorando segn aumenta el intervalo de
tiempo de pronstico en el futuro.
Los histogramas de probabilidades presentan una forma en U que indican un buen
refinamiento del pronstico. Finalmente, la discriminacin del pronstico es buena, ya que los
diagramas de discriminacin presentan dos picos en los extremos. Esto se manifiesta en el
coeficiente de Discriminacin 1, que adopta valores inferiores a 0.2 y en los valores elevados del
coeficiente de Discriminacin 2.
pronstico se presentan en la Tabla 8.6 y en la Figura 8.3. Los resultados de calidad global del
pronstico se pueden observar en la Tabla 8.6. El primer intervalo de pronstico presenta una
calidad muy buena, con valores cercanos al 90 %. Los tres intervalos de tiempo intermedios
presentan una calidad buena, con valores superiores al 80 %, al igual que el ltimo intervalo de
tiempo, que adopta un valor muy cercano al 80 %.
8.2. REDES BAYESIANAS DE OPERACIN DE EMBALSES
8.2.1 RED BAYESIANA DEL EMBALSE DE SANTILLANA
PRONSTICO DE CAUDAL
La estructura de red Bayesiana utilizada para pronosticar el caudal vertido en el proceso de
operacin del embalse de Santillana y los resultados grficos de las diferentes medidas utilizadas en
la cuantificacin de la calidad de la misma quedan incluidas en el Anejo 11, resumiendo estas
medidas de forma analtica en la Tabla 8.7.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0001 0.0069 0.0178 0.0255 0.0312
Asociacin R
2
0.9750 0.9478 0.8956 0.8489 0.8263
Precisin RPS 0.0049 0.0100 0.0198 0.0283 0.0351
probabilstico. Red Bayesiana de caudal vertido por el embalse de Santillana
Esta red Bayesiana destaca por sus sesgo nulo en el primer intervalo de pronstico,
reflejado por un valor del MME de -0.0001. El resto de intervalos de tiempo adoptan valores
superiores pero inferiores a 0.035, lo que indica una gran compensacin de los errores. La

Pgina 222

desviacin general de los pronsticos es positiva, lo que indica una ligera tendencia hacia la
sobreestimacin de las probabilidades de pronstico.
La asociacin del pronstico es muy buena, ya que el coeficiente de correlacin adopta
valores superiores a 0.8 en todos los casos. Los dos primeros intervalos de tiempo presentan un
valor de este coeficiente superior a 0.9. La precisin del pronstico tambin es muy buena, ya que
el RPS adopta valores siempre inferiores a 0.04.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9999 0.9931 0.9822 0.9745 0.9688
Asociacin 0.9750 0.9478 0.8956 0.8489 0.8263
Precisin 0.9951 0.9900 0.9802 0.9717 0.9649
Habilidad 0.9862 0.9766 0.9302 0.8880 0.8378
Fiabilidad 0.9839 0.9687 0.9443 0.9113 0.9108
Resolucin 0.4588 0.3252 0.2450 0.1896 0.1593
Refinamiento 0.8940 0.8487 0.8386 0.8623 0.8735
Discriminacin 1 0.9753 0.9498 0.9211 0.9029 0.8944
Discriminacin 2 0.9507 0.8997 0.8422 0.8058 0.7889
CALIDAD
GLOBAL
94.86 92.44 89.20 86.49 84.84
Tabla 8.8. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de caudal
vertido por el embalse de Santillana
La habilidad del pronstico es muy buena, obteniendo resultados del rea por debajo de la
curva ROC siempre superiores a 0.9. Esto indica una gran aplicacin del pronstico en los procesos
de toma de decisiones. Se puede observar la disposicin de las curvas ROC correspondientes a este
pronstico en el Apartado 2 del Anejo 11.

Figura 8.4. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de caudal
vertido por el embalse de Santillana

Pgina 223

El Diagrama de Fiabilidad del primer intervalo de tiempo presenta una distribucin muy
cercana a la diagonal principal, indicativo de una gran fiabilidad del pronstico. Segn avanza el
intervalo de tiempo, la distribucin se aleja de la lnea diagonal, presentando una tendencia por
debajo de la misma, lo que indica una sobreestimacin de las probabilidades de pronstico.
El pronstico presenta unos resultados de refinamiento muy buenos, con valores del
coeficiente de Refinamiento superiores a 0.8. Este aspecto queda reflejado en los histogramas de
probabilidades, que presentan una forma de U muy acusada, con picos muy pronunciados en los
extremos.
La Discriminacin del pronstico es muy buena, principalmente en los dos primeros
intervalos de tiempo, ya que los diagramas de discriminacin presentan picos pronunciados en los
extremos 0 y 1 del mismo. Este aspecto se degrada con el tiempo, presentando una suavizacin
creciente de dichos picos. Este aspecto se refleja en el Coeficiente de Discriminacin 1, que
presenta valores ms pequeos, de 0.02 y 0.05, en los primeros intervalos de tiempo, y en el
Coeficiente de Discriminacin 2, que presenta valores mayores, de 0.95 y 0.90, en dichos
intervalos de tiempo.
pronstico de caudal vertido por la presa de Santillana, se presentan en la Tabla 8.8. Se puede
observar que esta red Bayesiana presenta muy buenos resultados de calidad, siempre superiores al
80 %. Destacan los dos primeros intervalos de tiempo con calidades superiores al 90 %.
PRONSTICO DE NIVEL DE EMBALSE
La estructura de red Bayesiana utilizada para pronosticar el nivel de embalse durante el
proceso de operacin de la presa de Santillana y los resultados grficos de las diferentes medidas
utilizadas en la cuantificacin de la calidad de la misma quedan incluidas en el Anejo 11,
resumiendo estas medidas de forma analtica en la Tabla 8.9.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0002 0.0007 0.0017 0.0020 0.0020
Asociacin R
2
0.9745 0.9521 0.9293 0.9137 0.9013
Precisin RPS 0.0029 0.0052 0.0076 0.0095 0.0112
probabilstico. Red Bayesiana de nivel de embalse en la presa de Santillana
Este pronstico tambin presenta un sesgo muy bueno, con valores absolutos del MME
siempre inferiores a 0.002. Destaca principalmente el primer intervalo de tiempo con un sesgo
prcticamente nulo. Esto indica una gran capacidad del pronstico para compensar los errores de
diferente signo.

Pgina 224

El pronstico presenta una asociacin muy buena con valores del coeficiente de correlacin
superiores a 0.9 en todos los casos. La precisin del pronstico tambin es muy buena, adoptando
valores del RPS prcticamente inferiores a 0.01 en todos los casos.
La habilidad del pronstico es excelente, presentando valores del rea por debajo de la
curva ROC siempre superiores a 0.96, lo que indica una excelente aplicacin del pronstico en los
procesos de toma de decisiones. Se puede observar en los Diagramas ROC, como las curvas
presentan unas formas muy cercanas a la esquina superior izquierda.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9998 0.9993 0.9983 0.9980 0.9980
Asociacin 0.9745 0.9521 0.9293 0.9137 0.9013
Precisin 0.9971 0.9948 0.9924 0.9905 0.9888
Habilidad 0.9802 0.9748 0.9570 0.9420 0.9306
Fiabilidad 0.9830 0.9736 0.9658 0.9660 0.9616
Resolucin 0.5488 0.3904 0.3212 0.2836 0.2618
Refinamiento 0.8900 0.8463 0.8427 0.8452 0.8473
Discriminacin 1 0.9754 0.9560 0.9426 0.9338 0.9272
Discriminacin 2 0.9508 0.9121 0.8853 0.8676 0.8543
CALIDAD
GLOBAL
95.11 93.04 91.63 90.87 90.19
Tabla 8.10. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de nivel
de embalse en la presa de Santillana
La fiabilidad del pronstico es muy buena, ya que los diagramas de Fiabilidad presentan
distribuciones muy cercanas a la diagonal principal en todos los intervalos de tiempo. Esto se
refleja en el Coeficiente de Fiabilidad, que adopta valores inferiores a 0.04 en todos los casos.

Figura 8.5. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de nivel
de embalse en la presa de Santillana

Pgina 225

La resolucin del primer intervalo de tiempo de pronstico es muy buena, con un valor del
coeficiente de Resolucin muy cercano a 0.5. La resolucin del resto de intervalos de tiempo es
buena, con valores del coeficiente de Resolucin superiores a 0.2.
Los histogramas de probabilidades presentan una acusada forma en U, lo que indica un
buen refinamiento. Este aspecto se refleja en los valores del Coeficiente de Refinamiento, siempre
superiores a 0.84.
El pronstico presenta una discriminacin muy buena, que se puede observar en los
Diagramas de Discriminacin, principalmente en el correspondiente al primer intervalo de tiempo,
con dos picos muy pronunciados en los extremos del diagrama. Este aspecto queda reflejado en el
Coeficiente de Discriminacin 1, con valores inferiores a 0.08 y en el Coeficiente de
Discriminacin 2, con valores superiores a 0.85.
pronstico de caudal vertido por la presa de Santillana, se presentan en la Tabla 8.10. Se puede
observar que esta red Bayesiana presenta unos resultados de calidad excelentes, siempre superiores
al 90 %. Hay que destacar el primer intervalo de tiempo, con una calidad del 95 %.
8.2.2 RED BAYESIANA DEL EMBALSE DE EL PARDO
PRONSTICO DE CAUDAL
La estructura de red Bayesiana utilizada para pronosticar el caudal vertido en el proceso de
operacin del embalse de El Pardo y los resultados grficos de las diferentes medidas utilizadas en
la cuantificacin de la calidad de la misma quedan incluidas en el Anejo 12, resumiendo estas
medidas de forma analtica en la Tabla 8.11.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0009 0.0032 0.0102 0.0180 0.0250
Asociacin R
2
0.9480 0.9173 0.8796 0.8324 0.7928
Precisin RPS 0.0078 0.0118 0.0167 0.0233 0.0295
probabilstico. Red Bayesiana de caudal vertido por el embalse de El Pardo
El pronstico presenta un sesgo prcticamente nulo en el primer intervalo de tiempo. El
resto de intervalos de tiempo presentan una gran compensacin de los errores, reflejada en la
adopcin de valores inferiores a 0.03 para la medida MME. El MME presenta como regla general
valores positivos, lo que indica una ligera desviacin de las probabilidades de pronsticos hacia
valores superiores a los reales.
La asociacin del pronstico es muy buena en los dos primeros intervalos de tiempo, con
valores del coeficiente de Correlacin superiores a 0.90. Segn avanza el pronstico en el tiempo,

Pgina 226

la calidad de este atributo se va degradando, reducindose el valor del coeficiente, pero
mantenindose siempre por encima del umbral de 0.75. La precisin del pronstico es muy buena,
con valores del RPS inferiores a 0.03 en todos los casos.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9991 0.9968 0.9898 0.9820 0.9750
Asociacin 0.9480 0.9173 0.8796 0.8324 0.7928
Precisin 0.9922 0.9882 0.9833 0.9767 0.9705
Habilidad 0.9768 0.9668 0.9432 0.9098 0.8710
Fiabilidad 0.9759 0.9614 0.9519 0.9246 0.9109
Resolucin 0.3161 0.2339 0.1883 0.1559 0.1301
Refinamiento 0.8443 0.8026 0.7848 0.8006 0.8157
Discriminacin 1 0.9500 0.9175 0.8903 0.8683 0.8525
Discriminacin 2 0.8999 0.8350 0.7806 0.7367 0.7050
CALIDAD
GLOBAL
92.63 90.42 88.46 86.13 84.24
Tabla 8.12. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de caudal
vertido por el embalse de El Pardo
De la observacin de los Diagramas ROC se puede concluir que la habilidad del pronstico
es excelente. Este aspecto se refleja en los valores del rea por debajo de la curva ROC superiores a
0.93. Esto indica una gran aplicacin del pronstico en la toma de decisiones.
El diagrama de Fiabilidad del primer intervalo de tiempo presenta una excelente fiabilidad
mediante una distribucin coincidente con la diagonal principal. Los siguientes intervalos de
tiempo presentan ligeras desviaciones respecto de la diagonal, que se van agudizando segn se
avanza en el tiempo. Esto queda reflejado en el aumento del valor del Coeficiente de Fiabilidad
respecto al intervalo de tiempo de pronstico. En cualquier caso, la Fiabilidad general del
pronstico es muy buena, ya que este Coeficiente se mantiene por debajo del valor de 0.1.

Figura 8.6. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de caudal
vertido por el embalse de El Pardo

Pgina 227

El pronstico presenta una buena resolucin en los dos primeros intervalos de tiempo
mediante valores del Coeficiente de Resolucin por encima de 0.2. La resolucin del pronstico se
va degradando con el tiempo, reducindose el valor de este pronstico.
Los histogramas de probabilidades del pronstico presentan una acentuada forma en U, que
indica un buen refinamiento. Esto se refleja en el Coeficiente de Refinamiento que presenta valores
por encima de 0.8, prcticamente en todos los intervalos de tiempo.
La Discriminacin del pronstico es buena, presentando los Diagramas de Discriminacin
picos en los extremos. El Coeficiente de Discriminacin 1 presenta valores inferiores a 0.15,
mientras que el Coeficiente de Discriminacin 2 se mantiene por encima de 0.70.
pronstico se presentan en la Tabla 8.12 y en la Figura 8.6. Como resumen, la calidad global de
este pronstico es buena, presentando valores por encima del 90 % en los dos primeros intervalos
de tiempo, y por encima del 84 % en el resto de intervalos de tiempo.
PRONSTICO DE NIVEL DE EMBALSE
La estructura de red Bayesiana utilizada para pronosticar el nivel de embalse durante el
proceso de operacin de la presa de El Pardo y los resultados grficos de las diferentes medidas
utilizadas en la cuantificacin de la calidad de la misma quedan incluidas en el Anejo 12,
resumiendo estas medidas de forma analtica en la Tabla 8.13.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0007 -0.0003 0.0007 0.0024 0.0045
Asociacin R
2
0.9565 0.9289 0.9017 0.8693 0.8371
Precisin RPS 0.0049 0.0077 0.0104 0.0138 0.0172
probabilstico. Red Bayesiana de nivel de embalse en la presa de El Pardo
El pronstico tiene una gran compensacin de los errores, consiguiendo valores
prcticamente nulos del sesgo en todos los intervalos de tiempo. El valor del MME est por debajo
de 0.005 en todos los casos. Los dos primeros intervalos de tiempo presentan una ligera desviacin
del sesgo hacia valores negativos, lo que indica que las probabilidades de pronstico estn
ligeramente desviadas hacia valores subestimados. Los tres ltimos intervalos de tiempo presentan
una ligera desviacin hacia probabilidades de pronstico sobreestimadas.
La asociacin del pronstico es buena, adoptando valores del coeficiente de Correlacin
superiores a 0.80 en todos los casos. La precisin es muy buena en todos los intervalos de tiempo,
obteniendo valores del RPS inferiores a 0.02 en todos los casos.

Pgina 228

El pronstico presenta una Habilidad excelente, ya que los valores del rea por debajo de la
curva ROC son siempre superiores a 0.95. Este aspecto se puede observar en los Diagramas ROC,
mediante el acercamiento de la curva ROC a la esquina superior izquierda.
Los diagramas de Fiabilidad presentan distribuciones muy cercanas a la diagonal principal,
lo que indican una fiabilidad muy buena del pronstico. El primer intervalo de tiempo presenta una
distribucin prcticamente coincidente con la diagonal principal, producindose una ligera
desviacin segn se avanza en el tiempo. Este aspecto queda reflejado en el Coeficiente de
Fiabilidad con valores siempre inferiores a 0.05.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9993 0.9997 0.9993 0.9976 0.9955
Asociacin 0.9565 0.9289 0.9017 0.8693 0.8371
Precisin 0.9951 0.9923 0.9896 0.9862 0.9828
Habilidad 0.9680 0.9650 0.9548 0.9398 0.9146
Fiabilidad 0.9775 0.9744 0.9727 0.9608 0.9570
Resolucin 0.4302 0.2687 0.2018 0.1644 0.1397
Refinamiento 0.8499 0.8223 0.8108 0.8130 0.8187
Discriminacin 1 0.9582 0.9309 0.9082 0.8885 0.8719
Discriminacin 2 0.9164 0.8618 0.8164 0.7769 0.7439
CALIDAD
GLOBAL
93.28 91.45 90.19 88.79 87.53
Tabla 8.14. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de nivel
de embalse en la presa de El Pardo
La resolucin del pronstico es muy buena en el primer intervalo de tiempo, con un valor
del Coeficiente de Resolucin cercano a 0.4. El resto de intervalos de tiempo presentan un
empeoramiento de la resolucin con valores comprendidos entre 0.12 y 0.24.

Figura 8.7. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de nivel
de embalse en la presa de El Pardo

Pgina 229

El refinamiento del pronstico es muy bueno, con valores del Coeficiente de Refinamiento
siempre superiores a 0.8. Este aspecto se puede observar en los histogramas de probabilidades
mediante su aspecto en forma de U, con dos picos acentuados en los extremos.
Los Diagramas de Discriminacin presentan dos picos en los extremos, lo que indica una
buena capacidad de Discriminacin por parte del pronstico. El coeficiente de Discriminacin 1 se
mantiene por debajo de 0.1 en los tres primeros intervalos de tiempo, mientras que el coeficiente de
Discriminacin 2, se mantiene por encima de 0.85 en los dos primeros intervalos de tiempo.
pronstico se presentan en la Tabla 8.14 y en la Figura 8.7.Como resumen, el pronstico es muy
bueno en los tres primeros intervalos de tiempo, presentando calidades superiores al 90 %.
Mientras que en los dos ltimos intervalos de tiempo la calidad se ve reducida ligeramente,
adoptando valores del 87 y 88 %.
8.3. REDES BAYESIANAS DE TRANSPORTE DE CAUDAL
8.3.1 RED BAYESIANA DEL TRAMO DE TRANSPORTE SANTILLANA EL PARDO
La estructura de red Bayesiana utilizada para representar el proceso de transporte de caudal
desde la salida del embalse de Santillana hasta la entrada al embalse de El Pardo, as como los
resultados grficos de las diferentes medidas utilizadas en la cuantificacin de la calidad de la
misma quedan incluidas en el Anejo 13, resumiendo estas medidas de forma analtica en la
Tabla 8.15.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0001 0.0015 0.0017 0.0019 0.0021
Asociacin R
2
0.8968 0.8912 0.8894 0.8874 0.8859
Precisin RPS 0.0102 0.0113 0.0115 0.0117 0.0119
probabilstico. Red Bayesiana de transporte de caudal Santillana El Pardo
Este pronstico presenta un sesgo nulo en el primer intervalo de tiempo que indica una
gran compensacin entre los errores de distinto signo. El resto de intervalos de tiempo presentan
una ligera desviacin hacia probabilidades de pronstico sobreestimadas, pero en cualquier caso de
valor muy reducido, adoptando la medida MME valores inferiores a 0.0025.
El pronstico presenta una asociacin fuerte entre probabilidades de pronstico y datos
observados que no presenta variabilidad en el tiempo. Este aspecto se refleja en el valor
prcticamente constante del coeficiente de correlacin, muy cercano a 0.9. El pronstico tambin
presenta una precisin muy buena que no vara segn avanza el intervalo de tiempo de pronstico,
adoptando el RPS unos valores comprendidos entre 0.01 y 0.012.

Pgina 230

La Habilidad es excelente, como se puede observar en los valores del rea por debajo de la
curva ROC, siempre superiores a 0.95. En este caso el pronstico tambin presenta una habilidad
prcticamente constante en el tiempo, indicativo de que no se produce una degradacin del mismo
segn avanza el intervalo de tiempo de pronstico.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9999 0.9985 0.9983 0.9981 0.9979
Asociacin 0.8968 0.8912 0.8894 0.8874 0.8859
Precisin 0.9898 0.9887 0.9885 0.9883 0.9881
Habilidad 0.9370 0.9422 0.9408 0.9402 0.9388
Fiabilidad 0.9791 0.9817 0.9800 0.9827 0.9821
Resolucin 0.2009 0.1647 0.1640 0.1631 0.1626
Refinamiento 0.8239 0.8387 0.8370 0.8368 0.8362
Discriminacin 1 0.9018 0.8989 0.8974 0.8963 0.8955
Discriminacin 2 0.8035 0.7978 0.7948 0.7926 0.7910
CALIDAD
GLOBAL
89.95 90.04 89.89 89.92 89.84
Tabla 8.16. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de
transporte de caudal Santillana El Pardo
Los diagramas de Fiabilidad presentan unas distribuciones cercanas a la lnea diagonal
principal. El primer intervalo de tiempo presenta una distribucin prcticamente coincidente,
mientras que el resto de intervalos de tiempo van presentando ligeras desviaciones que se van
acentuando segn se avanza en el tiempo. El coeficiente de Fiabilidad adopta siempre valores
inferiores a 0.025.

Figura 8.8. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de
transporte de caudal Santillana El Pardo
El primer intervalo de tiempo presenta una Resolucin buena, con un valor del Coeficiente
de Resolucin cercano a 0.2. Estos valores van decreciendo segn avanza el pronstico en el

Pgina 231

tiempo, con lo que la Resolucin va empeorando, aunque en todo caso el valor del coeficiente de
Resolucin se mantiene muy cercano a 0.15.
El pronstico presenta un Refinamiento muy bueno, con histogramas de probabilidades que
presentan una acentuada forma de U. Este aspecto queda reflejado en los valores elevados del
coeficiente de Refinamiento, siempre superiores a 0.80.
La Discriminacin del pronstico es buena, ya que los Diagramas de Discriminacin
presentan dos picos acentuados en los extremos. La Discriminacin del pronstico tambin queda
reflejada en valores del Coeficiente de Discriminacin 1 siempre inferiores a un valor de 0.11 y
valores del Coeficiente de Discriminacin 2 situadas en torno al umbral de 0.80.
Finalmente, los valores de calidad para cada uno de los atributos que influyen en la calidad
del pronstico se presentan en la Tabla 8.16 y en la Figura 8.8. Como resumen de la calidad de los
diferentes atributos, el pronstico presenta calidades globales muy buenas en todos los intervalos
de tiempo, mediante la adopcin de valores de calida situados en torno al 90 %. Hay que destacar
que todos los intervalos de tiempo de pronstico presentan valores de calidad similares, lo que
indica que el pronstico no se va degradando con la propagacin de las probabilidades de
pronstico en el futuro.
8.3.2 RED BAYESIANA DEL TRAMO DE TRANSPORTE EL PARDO RIVAS
La estructura de red Bayesiana utilizada para representar el proceso de transporte de caudal
desde la salida del embalse de El Pardo hasta la estacin de aforos de Rivas Vaciamadrid, as como
los resultados grficos de las diferentes medidas utilizadas en la cuantificacin de la calidad de la
misma quedan incluidas en el Anejo 14, resumiendo estas medidas de forma analtica en la
Tabla 8.17.
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME -0.0002 0.0013 0.0015 0.0019 0.0020
Asociacin R
2
0.8563 0.8500 0.8430 0.8425 0.8416
Precisin RPS 0.0135 0.0141 0.0147 0.0148 0.0149
probabilstico. Red Bayesiana de transporte de caudal El Pardo Rivas.
El primer intervalo de tiempo presenta un sesgo prcticamente nulo. El resto de intervalos
de tiempo presentan un sesgo positivo de valor reducido, con valores del MME inferiores o iguales
a 0.002, indicativo de una ligera desviacin de los pronsticos hacia probabilidades
sobreestimadas.
La asociacin del pronstico es buena y presenta una tendencia constante segn avanza el
intervalo de tiempo de pronstico, adoptando valores del coeficiente de correlacin comprendidos
entre 0.84 y 0.86. En cuanto a la precisin, el pronstico presenta resultados muy buenos que

Pgina 232

tambin tienen una tendencia constante en el tiempo, adoptando valores del RPS comprendidos
entre 0.01 y 0.015.
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo 0.9998 0.9987 0.9985 0.9981 0.9980
Asociacin 0.8563 0.8500 0.8430 0.8425 0.8416
Precisin 0.9865 0.9859 0.9853 0.9852 0.9851
Habilidad 0.8944 0.9142 0.8972 0.9018 0.9012
Fiabilidad 0.9854 0.9152 0.9347 0.9700 0.9672
Resolucin 0.2289 0.1940 0.1883 0.1871 0.1870
Refinamiento 0.6738 0.7059 0.6976 0.6883 0.6863
Discriminacin 1 0.8670 0.8593 0.8548 0.8540 0.8533
Discriminacin 2 0.7339 0.7187 0.7096 0.7080 0.7066
CALIDAD
GLOBAL
86.95 85.33 85.27 86.33 86.19
Tabla 8.18. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de
transporte de caudal El Pardo - Rivas
La habilidad del pronstico es muy buena y constante en el tiempo, adoptando valores del
rea por debajo de la curva ROC muy cercanos a 0.95 en todos los casos. El pronstico presenta
una fiabilidad muy buena en el primer intervalo de pronstico, con una distribucin de valores
prcticamente coincidente con la diagonal principal del diagrama. El resto de intervalos de tiempo
presentan distorsiones de diferente magnitud respecto a la diagonal principal. El coeficiente de
Fiabilidad adopta valores inferiores a 0.10 en todos los casos.
La resolucin del pronstico en el primer intervalo de tiempo es buena con un valor de
Coeficiente de Resolucin de 0.20. El resto de intervalos de tiempo presentan una Resolucin
menos buena, con valores del Coeficiente de Resolucin en torno a un valor de 0.17.

Figura 8.9. Resultados de los coeficientes de calidad que miden la calidad del pronstico. Red Bayesiana de
transporte de caudal El Pardo - Rivas

Pgina 233

Este pronstico presenta un refinamiento aceptable, con histogramas de probabilidades que
tienen un pico en el extremo izquierdo del diagrama, pero que no adoptan una forma de U como en
el resto de los casos, debido a la aparicin de una frecuencia superior de las probabilidades de
pronstico intermedias. Este aspecto se refleja en el coeficiente de Refinamiento, que adopta
valores situados en torno al umbral de 0.70.
Asimismo, la Discriminacin del pronstico es aceptable, ya que a pesar de presentar unos
Diagramas de Discriminacin con picos acentuados en los extremos, tambin presentan picos de
menor de magnitud en la parte central del Diagrama. Esto queda reflejado en el Coeficiente de
Discriminacin 1, mediante la adopcin de valores siempre superiores a 0.10, y en el Coeficiente
de Discriminacin 2, con valores situados en torno a 0.70.
Finalmente, los valores de calidad para cada uno de los atributos que influyen en la calidad
del pronstico se presentan en la Tabla 8.18 y en la Figura 8.9. Los resultados finales de calidad
global presentan unos valores de calidad situados en torno al 85 %. Estos valores presentan una
tendencia constante en el tiempo, que indica que los pronsticos no se degradan con el tiempo. Sin
embargo, estos resultados presentan valores de calidad inferiores a la red de transporte de caudal
Santillana El Pardo, debido principalmente a la peor calidad de los atributos de Refinamiento y
Discriminacin.
8.4. CONCLUSIONES DE LA VALIDACIN ESTADSTICA
Los resultados de calidad global de cada una de las redes Bayesianas utilizadas en el
modelo de pronstico probabilstico de avenidas en la cuenca del ro Manzanares se presentan en la
Tabla 8.19 y grficamente en la Figura 8.10. En dicha Tabla se presentan los resultados de calidad
para cada intervalo de tiempo de pronstico y el valor medio de la calidad sobre todos los
intervalos de tiempo de pronstico.
RED BAYESIANA
t + 1 t + 2 t + 3 t + 4 t + 5 Media
Santillana
90.99 89.44 88.43 86.88 84.26 88.00
Pardo
88.75 87.11 83.15 81.13 79.64 83.95
Lluvia Caudal
(RQ)
Rivas
89.31 87.11 83.75 80.60 78.50 83.85
Caudal Santillana
94.86 92.44 89.20 86.49 84.84 89.57
Nivel Santillana
95.11 93.04 91.63 90.87 90.19 92.17
Caudal El Pardo
92.63 90.42 88.46 86.13 84.24 88.38
Embalses
Nivel El Pardo
93.28 91.45 90.19 88.79 87.53 90.25
Santillana El Pardo
89.95 90.04 89.89 89.92 89.84 89.93 Transporte de
caudal (QQ) El Pardo - Rivas 86.95 85.33 85.27 86.33 86.19 86.02
Tabla 8.19. Resultados finales de calidad global para cada una de las redes Bayesianas consideradas en el modelo
de pronstico probabilstico de avenidas en la cuenca del ro Manzanares
Se puede observar que las redes Bayesianas que obtienen mejores resultados de calidad son
las de operacin de embalses, principalmente las de pronstico de nivel de embalse, con unos
valores de calidad media superiores al 90 %. Dentro de stas, la que mejor resultados obtiene es la
de nivel de embalse en la presa de Santillana, con un valor de calidad media del 92 %. Las redes
Bayesianas de pronstico del caudal vertido por la presa, tanto en Santillana como en El Pardo,

Pgina 234

presentan valores de calidad muy buenos en los primeros intervalos de pronstico, similares a los
de las redes Bayesianas de nivel de embalse. Sin embargo, estos valores se van degradando segn
avanza el pronstico en el tiempo, lo que provoca un empeoramiento del valor medio de calidad
con respecto a las redes Bayesianas de nivel de embalse.

Figura 8.10. Resultados finales de calidad global las redes Bayesianas del modelo de pronstico probabilstico de
avenidas en la cuenca del ro Manzanares.
Las redes Bayesianas de transporte de caudal presentan la cualidad de mantener constante
el valor de la calidad segn avanza el intervalo de pronstico. Por ello, en los primeros intervalos
de tiempo, los valores de calidad son inferiores al resto de redes Bayesianas. Sin embargo, en los
ltimos intervalos de tiempo de pronstico, los valores de calidad son superiores a la mayora del
resto de Redes Bayesianas. Este aspecto lleva a unos resultados finales de la calidad media de las
redes Bayesianas de transporte de caudal, intermedios entre las redes Bayesianas de operacin de
embalses y las redes Bayesianas de lluvia caudal.
Finalmente las redes Bayesianas de lluvia caudal presentan los peores resultados de
calidad, aunque hay que destacar el valor de calidad final del 88 % para el caso de la subcuenca
Santillana, valor similar a las redes Bayesianas de pronstico de caudal vertido por las presas. Las
redes Bayesianas de lluvia caudal presentan buenos resultados en los primeros intervalos de
tiempo, sin embargo, presentan los peores resultados, de todo el conjunto de redes Bayesianas
consideradas, en los ltimos intervalos de tiempo.

Captulo 9. Aplicacin del modelo

Pgina 235

9 APLICACIN DEL MODELO
En este captulo se presenta la aplicacin del modelo probabilstico de pronstico basado
en redes Bayesianas durante el proceso de toma de decisiones en tiempo real de un episodio de
avenida. La aplicacin presentada se centra en la utilizacin de las redes Bayesianas de
lluvia-caudal y operacin de embalses. Estas redes Bayesianas permiten obtener un pronstico
probabilstico de las consecuencias que puede tener la seleccin de diferentes estrategias de
operacin de los rganos de desage de la presa sobre la evolucin temporal del nivel de embalse y
los vertidos de la presa. A partir de los resultados del modelo se podr tomar una decisin acerca de
la estrategia de operacin de los rganos de desage que conduce a una mejor laminacin de la
avenida en funcin de los condicionantes impuestos por las caractersticas de la propia presa y el
cauce situado aguas abajo de la misma.
9.1. INTRODUCCIN
La conjuncin de las redes Bayesianas de lluvia-caudal y operacin de embalses permiten
realizar un pronstico probabilstico durante la gestin de una avenida en tiempo real, a partir de
los datos de lluvia registrados en la cuenca durante las horas previas al instante de la toma de
decisin.
El pronstico probabilstico permite cuantificar la incertidumbre asociada al proceso de
toma de decisiones durante una situacin real de avenidas. Este aspecto tiene una importancia
crucial, ya que la informacin disponible acerca de la respuesta hidrolgica que tiene una cuenca
ante un episodio de lluvia es escasa y el tiempo que se dispone para tomar las decisiones es muy
corto, normalmente menor a unas pocas horas en la mayora de las cuencas hidrolgicas espaolas
de tamao pequeo y mediano.
La eleccin de una estrategia determinada de operacin de las compuertas de un embalse
tiene consecuencias determinantes, tanto sobre la propia presa, como sobre el cauce situado aguas
debajo de la misma. Por tanto, la seleccin de la estrategia de operacin ms efectiva en un
episodio concreto de avenidas, debe estar basada en un criterio de minimizacin de los daos
provocados aguas abajo de la presa, manteniendo la seguridad de la presa e intentando maximizar
el volumen embalsado al final del episodio.
La toma de decisiones se suele realizar a partir de los resultados de modelos muy simples
en la mayora de las cuencas espaolas. En algunos casos se supone que la gestin del embalse en
una situacin de avenidas sigue unas reglas de operacin predeterminadas que dependen de una
serie de parmetros, fijados en funcin de la situacin meteorolgica, el nivel actual del embalse y
los caudales registrados en otras zonas de la cuenca. Los responsables de la gestin del embalse
pueden cambiar los parmetros con el objeto de adaptar la estrategia de gestin de la avenida a la
situacin actual. En otros, la toma de decisiones se fundamenta en los pronsticos hidrolgicos
realizados mediante modelos determinsticos de lluvia-escorrenta. En todos ellos no se tienen en
cuenta las diversas fuentes de incertidumbre que intervienen en el proceso de toma de decisiones.
Sin embargo, un modelo probabilstico basado en redes Bayesianas s que permite la
consideracin de la incertidumbre asociada al proceso de tomas de decisiones y permite ayudar al
responsable de la toma de decisiones, aportando una informacin ms fiable para la evaluacin
rpida de la situacin.

Pgina 236

9.2. DESCRIPCIN DEL CASO DE ESTUDIO
Se ha tomado como caso de aplicacin la presa del Conde de Guadalhorce, ya que por su
localizacin, las caractersticas de los rganos de desage y el volumen del mismo, permiten una
mayor flexibilidad en la operacin de los rganos de desage en relacin a los embalses de la
cuenca del ro Manzanares. La presa de Santillana es de materiales sueltos y no permite una gran
flexibilidad en la operacin de los rganos de desage y el embalse de El Pardo tiene un volumen
muy reducido, con lo que su capacidad de laminacin es pequea.
El embalse del Conde de Guadalhorce est situado en la provincia de Mlaga y pertenece a
la Cuenca Mediterrnea Andaluza. La presa se encuentra sobre el ro Turn, afluente del ro
Guadalhorce, aguas arriba de la ciudad de Mlaga, la cual se encuentra asentada sobre la llanura de
inundacin en la desembocadura del ro (Figura 9.1).

Figura 9.1. Vista general de la presa del Conde de Guadalhorce
La presa del Conde de Guadalhorce es de gravedad con plante en arco (Figura 9.2), tiene
una altura sobre cimientos de 74 metros, una altura sobre el cauce de 53 m y una longitud de
coronacin de 160 m. El volumen de embalse es de 86 hm
3
y ocupa una superficie de 546 ha.
Actualmente tiene un volumen de aterramientos de 22 hm
3
.

Figura 9.2. Seccin de la presa del Conde de Guadalhorce

Pgina 237

La cota de coronacin de la presa est situada a la cota 344,10 m, el NMN (Nivel Mximo
Normal) est situado a la cota 341,30 m, el NAP (Nivel de Avenida de Proyecto) est situado a la
cota 342,90 y la cota mnima de explotacin es la 304,0 m.
La presa dispone de tres rganos de desage:
Un aliviadero de superficie con dos compuertas de sector de 2,9 m de altura por 15 m
de longitud. La cota del labio se sita a la cota 338,40 m y la capacidad del aliviadero a
NAP es de 600 m
3
/s.
Un desage de fondo mediante dos conductos de 1000 mm de dimetro, regulados por
una compuerta deslizante. El eje de los conductos se sita a la cota 304,0 m y tienen
una capacidad de 24 m
3
/s.
Una toma para la central hidroelctrica con vlvulas de mariposa mediante un
conducto de 3 m de dimetro y capacidad de 13 m
3
/s, situado a la cota 319,90 m.
9.3. GENERACIN DE LOS CASOS POR EL MTODO DE
MONTE-CARLO
El modelo de pronstico del embalse del Conde de Guadalhorce est formado por una red
Bayesiana de lluvia-caudal que realiza un pronstico probabilstico de los caudales entrantes al
embalse y una red Bayesiana de operacin de embalses que realiza un pronstico probabilstico del
nivel de embalse y caudales vertidos por la presa para diferentes estrategias de operacin de los
rganos de desage.
La red Bayesiana de lluvia-caudal necesita aprender de un conjunto de episodios sintticos
de avenida generados en la cuenca, que permitan considerar los diferentes tipos de comportamiento
hidrolgico que tiene la cuenca y as considerar la incertidumbre asociada al proceso de toma de
decisiones. Se ha utilizado una simplificacin de la metodologa, para reducir el tiempo de
computacin de este caso de aplicacin del modelo, mediante la utilizacin de un modelo
determinstico de lluvia-escorrenta en lugar de un modelo distribuido y la reduccin del nmero de
episodios sintticos de avenida.
Se han generado 3000 episodios sintticos de lluvia de 72 horas de duracin a intervalos de
tiempo de 1 hora, en la cuenca vertiente al embalse del Conde de Guadalhorce, mediante el
simulador estocstico de lluvia SimTorm (Apartado 3.1.1 y Anejo 1). El proceso lluvia-escorrenta
se ha simulado mediante un modelo determinstico agregado tipo HMS, calibrado con 17 episodios
de lluvia. La distribucin de valores obtenidos como resultado para cada uno de los parmetros
considerados en el conjunto de los episodios utilizado, se ha representado mediante la funcin de
densidad de probabilidad que mejor se ajusta a los mismos. Los parmetros de Nmero de Curva
(CN) y tiempo de desfase (TP) de la cuenca se han representado mediante funciones Normales o
Gaussianas de densidad de probabilidad con los valores de media y desviacin tpica mostrados en
la Tabla 9.1. El parmetro que cuantifica la abstraccin inicial (P
a
) se ha representado mediante una
funcin uniforme de densidad de probabilidad de valores comprendidos entre 0.0 y 0.26 m.
El proceso de lluvia-escorrenta de los 3000 episodios sintticos de lluvia se ha simulado
mediante una simulacin de Monte-Carlo de 3000 casos sobre las funciones de densidad de
probabilidad definidas, utilizando cada uno de los resultados como valores de los parmetros de

Pgina 238

entrada al modelo agregado determinstico de lluvia-escorrenta en cada uno de los episodios de
lluvia.
PARMETROS Nmero de Curva (CN) Tiempo de desfase (TP)
Media (m) 70 600
Desviacin tpica (s) 10 50
Tabla 9.1. Valores de los parmetros que determinan las funciones de densidad de probabilidad del Nmero de
Curva y tiempo de desfase para la cuenca del Conde de Guadalhorce.
Las series temporales de caudales de entrada al embalse del Conde de Guadalhorce
obtenidas, se han laminado mediante la aplicacin del Mtodo de Evaluacin Volumtrica (MEV)
(Apartado 4.2.2.2). Este mtodo utiliza como variables el volumen inicial de embalse y la estrategia
de operacin de los rganos de desage.
Los valores del volumen inicial en el embalse han sido representados mediante una funcin
gamma de densidad de probabilidad, con un valor del parmetro de forma a=1 y un valor del
parmetro de escala b=1. Como el valor del parmetro de forma es igual a la unidad, la funcin
corta el eje vertical en 1/b, es decir, la funcin tiene un umbral superior (Wilks, 1995). Este umbral
superior ha sido fijado a una cota igual a la cota del NMN de la presa. Mediante la utilizacin de
una funcin gamma con estos parmetros, se ha asignado una mayor probabilidad de ocurrencia a
los niveles altos de embalse, para tener en cuenta el hecho de que las operaciones de laminacin
presentan una mayor dificultad cuanto ms cerca del NMN se encuentre el nivel de embalse al
inicio del episodio de avenida.
El MEV requiere la determinacin de la estrategia de operacin de los rganos de desage
mediante dos parmetros: El nivel de activacin (ACT) y el mximo gradiente de caudal (MGD).
Se han definido seis estrategias de operacin de los rganos de desage de la presa del Conde de
Guadalhorce, mediante la combinacin de diferentes valores de estos dos parmetros, que se
muestran en la Tabla 9.2. La probabilidad de ocurrencia de las estrategias de operacin se ha
representado mediante una funcin uniforme de densidad de probabilidad, ya que se ha considerado
que todas las estrategias tienen la misma probabilidad de ocurrencia.
Parmetros Estrategia 1 Estrategia 2 Estrategia 3 Estrategia 4 Estrategia 5 Estrategia 6
ACT (m) 340.3 340.3 340.3 341.3 341.3 341.3
MGD (m
3
/s/h) 50 100 200 50 100 200
Tabla 9.2. Valores de los parmetros que determinan las estrategias de operacin de los rganos de desage de la
presa del Conde de Guadalhorce.
Mediante una simulacin de Monte Carlo de 3000 casos sobre las funciones que
caracterizan a los parmetros utilizados por el MEV, se ha simulado el proceso de laminacin de
las 3000 series temporales de caudal de entrada al embalse, obteniendo como resultado 3000 series
temporales de caudales vertidos por la presa y niveles de embalse.
9.4. CONSTRUCCIN DE LAS REDES BAYESIANAS
El anlisis de dependencia entre las variables de lluvia y caudal en la cuenca ha
determinado que la lluvia medida 9, 8 y 7 intervalos de tiempo, antes del instante de tiempo actual,
tienen una mayor influencia sobre el valor de caudal en el prximo instante de tiempo en el futuro.

Pgina 239

El proceso lluvia-escorrenta ha sido representado mediante una simplificacin de la red
Bayesiana tipo 4 propuesta para el modelo de pronstico de la cuenca del ro Manzanares
(Apartado 7.4.2.1). En este caso se han considerado como variables de la red Bayesiana la lluvia
antecedente, la humedad inicial y el caudal en el instante de tiempo actual, como se puede observar
en la Figura 9.1.
R
t - 9
R
t - 7
Q
t
Q
t + 1
M
t
R
t - 8
R
t - 9
R
t - 7
Q
t
Q
t + 1
M
t
R
t - 8

Figura 9.1. Red Bayesiana de lluvia-caudal en la cuenca del Conde de Guadalhorce
La estructura de red Bayesiana utilizada para pronosticar los resultados de la laminacin en
el embalse del Conde de Guadalhorce, es similar a la utilizada en la cuenca del ro Manzanares
(Figuras 5.7 y 5.8).
Las 3000 series temporales de valores de las variables en diferentes episodios sintticos de
avenida, obtenidos mediante la simulacin repetitiva de los modelos lluvia-escorrenta y de
operacin de embalses, han sido discretizados y convertidos en valores cualitativos de las variables.
Los conjuntos de valores cualitativos de las variables causa y efecto que conforman las dos redes
Bayesianas han sido utilizados en el proceso de aprendizaje de las mismas para obtener los
parmetros o tablas de probabilidades condicionadas para cada una de las relaciones causales que
las conforman.
Los parmetros obtenidos han sido verificados mediante la metodologa descrita en el
Apartado 6. La metodologa ha sido aplicada sobre los resultados de pronsticos probabilsticos
suministrados por los parmetros de las redes Bayesianas obtenidos tras el proceso de aprendizaje.
Los pronsticos han sido realizados sobre otro conjunto de 3000 series temporales de valores
cualitativos de las variables, generados sintticamente siguiendo el mismo proceso utilizado para
obtener el conjunto de valores utilizados en el proceso de aprendizaje. Las redes Bayesianas de
lluvia-caudal aprendidas suministran pronsticos de la distribucin de probabilidad de caudales
futuros condicionados a las observaciones del caudal actual, los registros pasados de lluvia y la
estimacin de la humedad antecedente en la cuenca. Las redes Bayesianas de operacin de
embalses suministran distribuciones de probabilidad de los caudales vertidos por la presa y los
niveles de embalse en el futuro, condicionados a la estrategia de operacin de embalses
seleccionada y las observaciones de nivel de embalse y caudal vertido en el instante de tiempo
actual. La metodologa de verificacin realiza la comparacin entre las distribuciones de
probabilidad de ocurrencia de la variable efecto considerada y los valores simulados tomados como
observaciones.
Los resultados de verificacin son similares a los mostrados en el Apartado 8, por lo que a
modo de resumen se muestran los resultados de las medidas que cuantifican los diferentes atributos

Pgina 240

que influyen en la calidad del pronstico, los resultados de los coeficientes de calidad descritos en
el Apartado 8 y los resultados de calidad global del pronstico aplicando las ponderaciones de la
Tabla 7.4.14 para el caso de la red Bayesiana de lluvia-caudal en la cuenca del Conde de
Guadalhorce (Tablas 9.3 y 9.4).
ATRIBUTO MEDIDA
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo MME
-0.0094 -0.0110 -0.0084 -0.0044 -0.0009
Asociacin R
2
0.9167 0.8652 0.8253 0.7918 0.7668
Precisin RPS
0.0141 0.0226 0.0301 0.0376 0.0442
Habilidad rea de curva ROC
0.8766 0.8517 0.8147 0.7550 0.7275
Fiabilidad Coef. Fiabilidad
0.0427 0.0333 0.0386 0.0436 0.0641
Resolucin Coef. Resolucin
0.2434 0.1370 0.0943 0.0774 0.0670
Refinamiento Coef. Refinamiento
0.8262 0.8182 0.8314 0.8459 0.8545
0.0840 0.1256 0.1499 0.1643 0.1738
0.8320 0.7488 0.7003 0.6714 0.6524
Tabla 9.3. Resultados de las medidas que cuantifican la calidad de los atributos que influyen en el pronstico
probabilstico suministrado por la Red Bayesiana de lluvia caudal en la cuenca del Conde de Guadalhorce
ATRIBUTO
t + 1 t + 2 t + 3 t + 4 t + 5
Sesgo
0.9906 0.9890 0.9916 0.9956 0.9991
Asociacin
0.9167 0.8652 0.8253 0.7918 0.7668
Precisin
0.9859 0.9774 0.9699 0.9624 0.9558
Habilidad
0.7532 0.7034 0.6294 0.5100 0.4550
Fiabilidad
0.9573 0.9667 0.9614 0.9564 0.9359
Resolucin
0.2704 0.1522 0.1048 0.0860 0.0744
Refinamiento
0.8262 0.8182 0.8314 0.8459 0.8545
Discriminacin 1
0.9160 0.8744 0.8501 0.8357 0.8262
Discriminacin 2
0.8320 0.7488 0.7003 0.6714 0.6524
CALIDAD
GLOBAL
85.30 82.69 79.95 76.43 74.15
Tabla 9.4. Resultados de los coeficientes de calidad que miden la calidad del pronstico suministrado por la Red
Bayesiana de lluvia caudal en la cuenca del Conde de Guadalhorce
Para evitar la repeticin de grficos, se muestran nicamente los diagramas de fiabilidad
obtenidos para la misma red Bayesiana de lluvia-caudal en la cuenca del Conde de Guadalhorce,
donde se puede observar, que al igual que en los pronsticos de lluvia caudal en la cuenca del ro
Manzanares, la buena calidad de los pronsticos en los primeros intervalos de tiempo de
pronstico, mientras que la calidad de los resultados se va degradando segn se avanza en el
tiempo (Figura 9.2).

Pgina 241

Figura 9.2. Diagramas de Fiabilidad de la red Bayesiana de lluvia caudal en la cuenca del Conde de
Guadalhorce. a) Intervalo t + 1 hora; b) Intervalo t + 2 horas; c) Intervalo t + 3 horas; d) Intervalo t + 4 horas;
d) Intervalo t + 5 horas
9.5. APLICACIN EN UNA SITUACIN DE OPERACIN EN TIEMPO
REAL
Los pronsticos probabilsticos suministrados por las redes Bayesianas aprendidas y
verificadas con dos conjuntos de datos sintticos, pueden utilizarse como ayuda a la toma de
decisiones durante una situacin de avenidas en tiempo real.
Los datos de partida sern los registros de lluvia en la cuenca durante los ltimos intervalos
de tiempo y el caudal entrante al embalse en el instante de tiempo actual. Estos datos sern
introducidos en la red Bayesiana de lluvia-caudal, para obtener distribuciones de probabilidades de
ocurrencia del caudal entrante al embalse del Conde de Guadalhorce en los prximos intervalos de
tiempo en el futuro.

Pgina 242

Los pronsticos probabilsticos de caudal sern introducidos en la red Bayesiana de
operacin del embalse del Conde de Guadalhorce, dando como resultados las distribuciones de
probabilidad de ocurrencia del caudal vertido y el nivel del embalse en los prximos intervalos de
tiempo, para cada una de las estrategias de operacin de embalses consideradas. A partir de estos
resultados, se puede elegir la mejor estrategia de operacin de los rganos de desage de la presa
para laminar el episodio de avenida actual, en funcin del riesgo de daos aguas abajo del embalse,
mediante los pronsticos de caudal vertido, y del riesgo de daos en la propia presa, mediante los
pronsticos de nivel de embalse.
Esta metodologa ha sido aplicada a un episodio real de avenidas registrado en la cuenca
del Conde de Gudalhorce, mediante los datos de lluvia media en la cuenca y el hidrograma de
entrada al embalse del Conde de Guadalhorce, con un intervalo de tiempo igual a 1 hora
(Figura 9.3).
0
20
40
60
80
100
120
140
160
180
0 10 20 30 40 50 60 70
Tiempo (h)
C
a
u
d
a
l

(
m
3
/
s
)
0.0
5.0
10.0
15.0
20.0
25.0
30.0
35.0
40.0
45.0
50.0
L
l
u
v
i
a

(
m
m
/
h
)

Caudal
Lluvia

Figura 9.3. Datos observados de lluvia media en la cuenca e hidrograma de entrada al embalse del Conde de
Guadalhorce
El pronstico se va a realizar a las 19 horas de comenzar el episodio, por lo que en ese
instante se dispone de los datos registrados de lluvia media y caudal en los primeros 19 intervalos
de tiempo. Sabiendo que el tiempo de desfase de la cuenca es de unas 9 horas y que la red
Bayesiana de lluvia-caudal realiza los pronsticos a partir de los datos de lluvia en las 9, 8 y 7
intervalos de una hora antecedentes, tendremos resultados de distribuciones de probabilidad de
ocurrencia de caudal en las prximas ocho horas, es decir, hasta el intervalo de tiempo de 27 horas.
Los datos registrados de lluvia han sido transformados en valores cualitativos siguiendo la
discretizacin usada en la red Bayesiana de lluvia-caudal. Los resultados probabilsticos de caudal
(Tabla 9.5), en valores cualitativos, suministrados por la red Bayesiana, se han comparado a los
datos registrados en el embalse, como se muestra en la Figura 9.4. En dicho grfico se muestra el
hidrograma medido en la entrada de embalse, en valores cualitativos obtenidos a partir de los
valores cuantitativos (Figura 9.3), mediante la lnea continua gruesa. El instante actual es la hora
19, por lo que el pronstico comienza en la hora 20. A partir de este intervalo de tiempo, la
distribucin de probabilidad del caudal pronosticado por la red Bayesiana en cada intervalo de
tiempo se muestra mediante una lnea vertical sombreada. Se puede observar como las
distribuciones de probabilidad del pronstico de caudal se ajustan a los valores observados.

Pgina 243

OBSERVADO PRONOSTICADO OBSERVADO PRONOSTICADO

Figura 9.4. Resultados del pronstico probabilstico del caudal entrante al embalse del Conde de Guadalhorce
CAUDAL CUALITATIVO
Intervalo
<10 10-25 25-45 45-70 70-100 100-135 135-180 180-250 250-350 >350
t + 1 0 0 0.0035 0.1528 0.6250 0.2171 0.0016 0 0 0
t + 2 0 0 0 0.1461 0.7286 0.1203 0.0050 0 0 0
t + 3 0 0 0 0.0012 0.1642 0.7051 0.1295 0 0 0
t + 4 0 0 0 0 0.1712 0.7224 0.1052 0.0012 0 0
t + 5 0 0 0 0 0.0290 0.1918 0.6829 0.0963 0 0
t + 6 0 0 0 0 0 0.1567 0.7129 0.1304 0 0
t + 7 0 0 0 0 0.1564 0.6951 0.1473 0.0012 0 0
t + 8 0 0 0 0 0.1627 0.7448 0.0925 0 0 0
Tabla 9.5. Resultados del pronstico probabilstico del caudal entrante al embalse del Conde de Guadalhorce
Los resultados probabilsticos de caudal entrante al embalse del Conde de Guadalhorce,
han sido introducidos como dato de entrada en la red Bayesiana de operacin de embalses, junto
con las condiciones iniciales en el embalse, definidas mediante el caudal entrante, el nivel del
embalse y el caudal vertido en el instante de realizacin del pronstico. Como resultado se han
obtenido las distribuciones de probabilidad de ocurrencia del caudal vertido por la presa y del nivel
del embalse en los prximos ocho intervalos de tiempo en el futuro, para cada una de las estrategias
de operacin de los rganos de desage del embalse consideradas.
La seleccin de la mejor estrategia de operacin se realiza mediante la determinacin de un
objetivo de laminacin, en trminos de los riesgos de sobrevertido en la presa y de daos aguas
abajo de la misma que pueden ser asumidos. El objetivo de laminacin se fija mediante la mxima
probabilidad de ocurrencia de un determinado caudal de vertido, de un nivel de embalse, o de
ambos al mismo tiempo, que se considera aceptable en funcin de sus daos asociados.
En el presente caso, se ha definido el objetivo de laminacin mediante una probabilidad
mxima de ocurrencia del 10 % para un caudal de vertido superior a los 150 m
3
/s y una
probabilidad mxima de ocurrencia del 20 % para un nivel de embalse superior al NAP. Las
probabilidades de ocurrencia definidas deben ser calculadas sobre las probabilidades acumuladas
en todos los intervalos de tiempo de pronstico en el futuro.

Pgina 244

Figura 9.5. Resultados de probabilidades acumuladas o de no-excedencia del pronstico de caudal vertido por la
presa del Conde de Guadalhorce para las diferentes estrategias de operacin.
N
I
V
E
L

D
E

A
V
E
N
I
D
A
D
E

P
R
O
Y
E
C
T
O
C
O
R
O
N
A
C
I
N

D
E
L
A

P
R
E
S
A
N
I
V
E
L

D
E

A
V
E
N
I
D
A
D
E

P
R
O
Y
E
C
T
O
C
O
R
O
N
A
C
I
N

D
E
L
A

P
R
E
S
A

Figura 9.6. Resultados de probabilidades acumuladas o de no-excedencia del pronstico de nivel de embalse en la
presa del Conde de Guadalhorce para las diferentes estrategias de operacin.
Se han calculado las probabilidades acumuladas o de no-excedencia de las distribuciones
de probabilidad de pronstico obtenidas para el caudal vertido y el nivel de embalse, sobre todos
los intervalos de tiempo de pronstico (Figuras 9.5 y 9.6). Si observamos el grfico de
probabilidades acumuladas de caudal vertido (Figura 9.5), se puede determinar que las nicas
estrategias de operacin que permiten cumplir el objetivo de laminacin de caudal vertido
(probabilidad mxima de ocurrencia del 10 % o de no-excedencia del 90 % de un caudal vertido
superior a 150 m
3
/s), son las estrategias 4, 5 y 6. Por otra parte, las nicas estrategias que cumplen
el objetivo de laminacin relativo al nivel de embalse (probabilidad mxima de ocurrencia del
20 % o de no-excedencia del 80 % de un nivel de embalse superior al NAP), son las estrategias 1,
2, 3 y 4 (Figura 9.6). La nica estrategia de operacin que cumple las dos condiciones impuestas
por el objetivo de laminacin, y por tanto la mejor estrategia de laminacin para el episodio de

Pgina 245

avenida estudiado, es la estrategia 4. Esta estrategia de operacin de los rganos de desage, ser la
nica que permite asumir unos riesgos inferiores a los mximos aceptables, relativos a los daos
que se pueden producir aguas abajo de la presa y en la propia misma.
9.6. CONCLUSIONES
Los resultados suministrados por el modelo de pronstico descrito en la presente tesis,
pueden ser utilizados de modo satisfactorio, por los responsables de la gestin del embalse, en la
seleccin de la mejor estrategia de operacin de los rganos de desage de una presa durante una
situacin de avenida. La utilizacin conjunta de diferentes estructuras de redes Bayesianas, permite
unir diferentes tipos de pronsticos desde un punto de vista probabilstico, utilizando los resultados
de una de ellas como datos de entrada en otra. En el presente caso de aplicacin se ha combinado
una red Bayesiana de lluvia-caudal con una red Bayesiana de operacin de embalses.
Las redes Bayesianas de operacin de embalses permiten ayudar en la seleccin de la mejor
estrategia de operacin de los rganos de desage, teniendo en cuenta los riesgos de daos en el
cauce situados aguas abajo de la presa y de daos en la propia presa, ya sean estructurales o por
sobrevertido. La determinacin de un objetivo de laminacin permite fijar los umbrales de las
probabilidades de ocurrencia de un determinado caudal vertido, nivel de embalse, o ambos a la vez,
que no deben ser superados durante el proceso de laminacin. Los umbrales debern ser fijados en
funcin de los riesgos asociados que pueden ser asumidos.
Los pronsticos realizados por las redes Bayesianas permiten una descripcin del
funcionamiento esperado en el futuro de cada una de las estrategias de operacin durante el proceso
de laminacin, utilizando un tiempo de computacin reducido. Por ello, esta herramienta suministra
una estimacin rpida al responsable de la gestin del embalse, acerca de las implicaciones de cada
una de las posibles decisiones de operacin, y de las distribuciones de probabilidad de los vertidos
y niveles esperados en el futuro.
Como conclusin, la aplicacin presentada en este captulo puede ser introducida como
herramienta de ayuda a la toma de decisiones en tiempo real durante la ocurrencia de un episodio
de avenida, pronosticando los hidrogramas de entrada a cualquier embalse y realizando la seleccin
de la mejor estrategia de operacin de los rganos de desage.


Pgina 246

Captulo 10. Conclusiones

Pgina 247

10 CONCLUSIONES
En el presente apartado, en primer lugar, se muestran las conclusiones de la tesis, a
continuacin, se describen las aportaciones originales realizadas durante el desarrollo de la misma
y, por ltimo, se describen las futuras lneas de investigacin derivadas de su realizacin.
10.1. CONCLUSIONES
A continuacin se presentan las conclusiones resultado a las que se llegado tras la completa
realizacin de la presente tesis:
1) Desarrollo de un modelo probabilstico de pronstico
Se ha presentado un modelo de pronstico que permite la realizacin de predicciones
probabilsticas a corto plazo acerca del comportamiento hidrolgico de una cuenca, a partir de las
condiciones iniciales en la cuenca, la lluvia antecedente y, en su caso, los pronsticos de lluvia en
el futuro, tanto determinsticos como probabilsticos. La realizacin de un pronstico de tipo
probabilstico supone un avance sobre los pronsticos determinsticos normalmente utilizados por
los organismos encargados de la gestin de una situacin de avenidas. Un pronstico probabilstico
permite la consideracin de la incertidumbre asociada a cualquier pronstico de un evento en el
futuro, facilita la toma de decisiones en trminos del riesgo asumido a partir de las distribuciones
de probabilidad suministradas y conlleva la realizacin de un pronstico ms relista con una mayor
fiabilidad y credibilidad, ya que es imposible conocer con total certeza lo que va a ocurrir
exactamente en el futuro.
El modelo de pronstico de avenidas de tipo probabilstico ha sido desarrollado a partir de
la cuantificacin de los diferentes tipos de incertidumbre epistmica asociados al mismo. Esta
cuantificacin permite la utilizacin de los resultados del modelo en el proceso de toma de
decisiones en una situacin real de avenidas, ya que se pueden tomar decisiones en trminos de la
probabilidad asociada de riesgo de daos asumida a partir de los resultados probabilsticos del
modelo de pronstico en forma de distribuciones de probabilidad de ocurrencia del caudal.
La cuantificacin de la incertidumbre se ha basado en el anlisis de dos conjuntos de
episodios sintticos de avenida, obtenidos mediante la realizacin de simulaciones repetitivas del
modelo estocstico de generacin de lluvia SimTorm y el modelo hidrolgico de tipo distribuido
RIBS. El modelo estocstico de generacin de lluvia ha permitido considerar los posibles episodios
de lluvia que pueden aparecer en la cuenca. El modelo hidrolgico distribuido ha permitido la
simulacin de la transformacin de los diferentes episodios de lluvia en episodios de escorrenta,
considerando los diferentes tipos de comportamiento hidrolgico que puede presentar la cuenca,
mediante el desarrollo de una metodologa de calibracin del modelo RIBS con aplicacin a la
simulacin de episodios de avenidas.
2) Metodologa de calibracin del modelo RIBS
Se ha propuesto una metodologa de calibracin del modelo hidrolgico RIBS basada en un
mtodo hbrido, combinando una calibracin manual y automtica, mediante la utilizacin de un
algoritmo de obtencin de los ptimos de Pareto a partir de una serie de funciones objetivo que
estiman diferentes tipos de error cometido entre los hidrogramas simulados y los hidrogramas
observados. Cada funcin objetivo obtiene el error cometido en un aspecto diferente del

Pgina 248

hidrograma. El algoritmo de Pareto da como resultado las soluciones que llevan a una
minimizacin de las funciones objetivo en conjunto, permitiendo tener en cuenta los aspectos del
hidrograma ms importantes desde el punto de vista del tipo de aplicacin del modelo. Sobre estas
soluciones se han obtenido las funciones de densidad de probabilidad que mejor caracterizan la
variabilidad de cada parmetro en la cuenca de estudio, cuantificando de esta forma la
incertidumbre del modelo.
Las simulaciones realizadas mediante el modelo RIBS se han aplicado al desarrollo de un
pronstico de avenidas, por lo que la metodologa de calibracin ha dado mayor importancia a los
siguientes aspectos: Forma de la punta del hidrograma, tiempo de ocurrencia de la punta del
hidrograma y utilidad del hidrograma simulado como pronstico. Para tener en cuenta estos
aspectos se han seleccionado 4 funciones objetivo: RMSE Peak, MAE low-flow, NSE y TP.
Se ha realizado un anlisis de sensibilidad de los parmetros del modelo mediante el
mtodo GSA (Anlisis de Sensibilidad Generalizado), que ha permitido evaluar la importancia de
cada uno de ellos sobre el hidrograma final simulado. Como resultado del anlisis, se ha concluido
que las caractersticas del suelo no influyen de forma determinante sobre la forma final del
hidrograma y que los parmetros ms importantes son: El parmetro de variacin de la
conductividad hidrulica en profundidad (f ), el coeficiente de la ley que representa la relacin
entre velocidades en cauce y ladera (Cv) y el estado de humedad inicial en la cuenca. El
parmetro de relacin entre las velocidades en el cauce y en ladera (Kv) tiene una influencia
apreciable en los resultados del modelo RIBS, aunque mucho menores que en el caso de los
parmetros anteriores.
El mtodo hbrido de calibracin propuesto parte de una calibracin manual del modelo
para determinar los valores de los parmetros que representan las caractersticas de los tipos de
suelo presentes en la cuenca de estudio: K
0n
o conductividad hidrulica en superficie, Q
s
o
humedad de saturacin, Q
r
o humedad residual y e o ndice de porosidad.
Una vez determinados los parmetros de los suelos, el mtodo de calibracin propuesto
realiza una calibracin automtica en dos pasos del resto de parmetros del modelo, a partir de los
resultados de un nmero suficientemente extenso de ejecuciones del modelo RIBS en modo
repetitivo. La ejecucin repetitiva toma como datos de partida un conjunto de combinaciones de
valores de los parmetros, obtenidos mediante una simulacin de Monte Carlo sobre las
distribuciones uniformes de probabilidad de los posibles rangos los mismos, y calculando los
valores de las funciones objetivo seleccionadas para cada combinacin de parmetros. El primer
paso de la calibracin automtica consiste en la obtencin del rango de validez del parmetro C
v
,
con el objetivo de que el tiempo de punta de los hidrogramas simulados coincida con el intervalo
de punta del caudal observado. La obtencin del conjunto de soluciones de Pareto que minimiza las
cuatro funciones objetivo seleccionadas, lleva a la determinacin del rango de validez del
parmetro C
v
. El segundo paso consiste en la obtencin de los ptimos de Pareto a partir de las
funciones objetivo que no tienen en cuenta el tiempo de ocurrencia de la punta del hidrograma:
RMSE Peak, MAE low-flow y NSE. Las soluciones finales de la metodologa de calibracin
propuesta son aquellas incluidas en el segundo conjunto de Pareto y que, a la vez, presentan un
valor del parmetro C
v
perteneciente al rango obtenido a partir del primer conjunto de soluciones
de Pareto.


Pgina 249

3) Desarrollo de un entorno de simulacin probabilstica mediante la aplicacin de redes
Bayesianas
Se ha construido un modelo probabilstico de pronstico mediante la generacin de un gran
nmero de datos sintticos de episodios de avenida y su tratamiento con redes Bayesianas. Las
redes Bayesianas pertenecen al campo de la Inteligencia Artificial y han tenido una reciente
aplicacin de forma satisfactoria en diferentes campos, permitiendo la consideracin de la
incertidumbre asociada al pronstico mediante la obtencin de resultados probabilsticos. Sin
embargo, dentro del campo de la hidrologa su aplicacin hoy en da ha sido reducida. Las pocas
aplicaciones de las redes Bayesianas realizadas dentro de este campo consisten en la utilizacin de
modelos agregados de lluvia-escorrenta que realizan una simplificacin de los procesos
hidrolgicos que ocurren en una cuenca mediante un nmero reducido de parmetros. Se ha
presentado su utilizacin sobre los resultados de un modelo hidrolgico de tipo distribuido, que
permite una simulacin ms realista del comportamiento hidrolgico de una cuenca. La dificultad
que presenta la aplicacin de las redes Bayesianas sobre los resultados de un modelo hidrolgico de
tipo distribuido, es el gran nmero de parmetros y variables que utiliza un modelo de este tipo.
Se ha propuesto una metodologa para realizar el anlisis de dependencia entre el gran
nmero de variables que utiliza un modelo distribuido, mediante la aplicacin de un conjunto de
medidas que cuantifican diferentes tipos de dependencia, identificando las relaciones causales que
existen entre las variables. Se ha comparado la validez de las topologas de redes Bayesianas
construidas a partir de los resultados de este anlisis de dependencia, con la validez de las
topologas creadas como resultado de la aplicacin de algoritmos de aprendizaje estructural. Se ha
concluido que las topologas generadas a partir del estudio de dependencia entre variables son ms
eficientes que los algoritmos de aprendizaje estructural.
4) Aplicacin del modelo probabilstico de pronstico
El modelo de pronstico ha considerado un estado hidrolgico de la cuenca alterado por la
presencia de embalses, considerando la influencia de la laminacin de las avenidas en los embalses
sobre los hidrogramas que se presentan en los diferentes puntos de la cuenca. El proceso de
laminacin de los embalses durante un episodio de avenida ha sido considerado mediante la
creacin de un mdulo de embalses, basado en la utilizacin del mtodo de Girn, que permite
obtener las series temporales de niveles de embalse y caudales vertidos mediante la aplicacin de
diferentes estrategias de operacin de los rganos de desage de la presa. Los resultados de la
conjuncin del mdulo de embalses y las redes Bayesianas como aplicacin a la seleccin de la
estrategia de operacin ms efectiva en un determinado episodio de avenida han sido muy
satisfactorios, permitiendo la toma de decisiones en trminos del riesgo asumido de daos en la
propia presa y en el cauce aguas abajo, a partir de las probabilidades de no excedencia de
determinados caudales y niveles de embalse, como se muestra en el Apartado 9.
5) Verificacin de la calidad de un pronstico probabilstico
La validacin de los modelos determinsticos consiste en comparar valores fijos con datos
observados, existiendo diferentes medidas de los errores cometidos en las simulaciones. Sin
embargo, en el caso de los modelos probabilsticas no existe ninguna medida que sea capaz de
captar todos los aspectos o tipos de error que existen entre una distribucin de probabilidad y unos
datos observados de tipo determinstico. Se ha desarrollado una metodologa de validacin de
pronsticos probabilsticos multicategricos mediante la cuantificacin de la calidad de cada uno

Pgina 250

de los atributos que influyen en la calidad de un pronstico probabilstico. La metodologa
propuesta permite obtener y comparar la calidad de cada uno de los atributos, obteniendo las
debilidades y puntos fuertes del pronstico, a la vez que permite la obtencin de un valor global de
calidad del pronstico mediante la ponderacin de los atributos en funcin de su importancia. La
metodologa de validacin propuesta ha permitido cuantificar la utilidad del pronstico en un caso
real, en trminos de fiabilidad y aplicacin a los procesos de toma de decisiones.
6) Verificacin de la calidad del modelo de pronstico probabilstico desarrollado en la
cuenca del ro Manzanares
La metodologa de validacin ha sido aplicada sobre los resultados del modelo
probabilstico de pronstico desarrollado en la cuenca del ro Manzanares. Se han obtenidos los
resultados de calidad de cada uno de los atributos que influyen sobre un pronstico probabilstico y
se han obtenido los valores de calidad global de cada estructura de red Bayesiana, tanto para cada
intervalo de tiempo de pronstico, como para el conjunto del pronstico. Todas las estructuras de
redes Bayesianas han obtenido unos resultados de calidad global del pronstico de valor superior al
80 %, mientras que la mayora obtienen resultados superiores al 85 %.
Las redes Bayesianas que han obtenido mejores resultados de calidad son las de operacin
de embalses, principalmente las de pronstico de nivel de embalse, con unos valores de calidad
superiores al 90 %. Dentro de stas, la que mejor resultados obtiene es la de nivel de embalse en la
presa de Santillana, con un valor de calidad media del 92 %. Las redes Bayesianas de pronstico
del caudal vertido por la presa, tanto en Santillana como en El Pardo, presentan valores de calidad
muy buenos en los primeros intervalos de pronstico, similares a los de las redes Bayesianas de
nivel de embalse.
Las redes Bayesianas de transporte de caudal presentan la cualidad de mantener constante
el valor de la calidad segn avanza el intervalo de pronstico. Por ello, en los primeros intervalos
de tiempo, los valores de calidad son inferiores al resto de redes Bayesianas. Sin embargo, en los
ltimos intervalos de tiempo de pronstico, los valores de calidad son superiores a la mayora del
resto de Redes Bayesianas. Este aspecto lleva a unos resultados finales de la calidad media de las
redes Bayesianas de transporte de caudal, intermedios entre las redes Bayesianas de operacin de
embalses y las redes Bayesianas de lluvia caudal.
Finalmente las redes Bayesianas de lluvia caudal presentan los peores resultados de
calidad, aunque hay que destacar el valor de calidad final del 88 % para el caso de la subcuenca
Santillana, valor similar a las redes Bayesianas de pronstico de caudal vertido por las presas. En
todo caso, las redes Bayesianas de lluvia caudal presentan buenos resultados en los primeros
intervalos de tiempo.
Los valores de calidad obtenidos para el conjunto de pronsticos como resultado de la
aplicacin de la metodologa de validacin propuesta, hacen que el modelo probabilstico de
pronstico de avenidas basado en redes Bayesianas sea una herramienta de gran utilidad durante la
gestin de una situacin real de avenidas y tenga una gran aplicacin en el proceso de toma de
decisiones en tiempo real.
10.2. APORTACIONES ORIGINALES A LA TESIS
Las aportaciones originales incluidas en el presente trabajo se han clasificado en un
conjunto de apartados que se exponen a continuacin:

Pgina 251

1) Principales aportaciones originales realizadas
- Cuantificacin de la incertidumbre epistmica asociada a un pronstico de avenidas,
mediante su clasificacin segn los diferentes procesos que lo constituyen: Medicin de
los datos de lluvia, pronstico de la lluvia futura, simulacin del proceso lluvia-
escorrenta y simulacin de la laminacin en los embalses.
- Conjuncin de un generador estocstico de episodios de lluvia con un modelo
hidrolgico distribuido para generar un conjunto de episodios sintticos que cubra los
posibles episodios de avenida que pueden aparecer en una cuenca hidrolgica.
- Aplicacin de las redes Bayesianas sobre los resultados de un modelo hidrolgico de tipo
distribuido, abordando las dificultades asociadas al gran nmero de parmetros y
variables utilizadas por el modelo y a la identificacin de las dependencias entre los
mismos, presentadas en la seleccin de las variables que forman los nodos y las
dependencias que forman los arcos que constituyen en conjunto las estructuras de redes
Bayesianas.
- Obtencin de las topologas de redes Bayesianas que mejor representan cada uno de los
procesos que forman parte del modelo probabilstico de pronstico: red Bayesiana de
lluvia-caudal, red Bayesiana de operacin de embalses, red Bayesiana de transporte de
caudal y red Bayesiana de confluencias, mediante el anlisis de dependencia de las
variables que intervienen en cada uno de los procesos a partir de un conjunto de medidas
que cuantifican diferentes tipos de dependencia.
- Desarrollo de una metodologa de validacin cuantitativa de pronsticos probabilsticos
multicategricos basada en la cuantificacin de los atributos que influyen en la calidad de
un pronstico de este tipo. La metodologa desarrollada cuantifica cada uno de los
atributos de forma independiente, a la vez que permite la obtencin de un valor global de
calidad para el pronstico. La metodologa desarrollada cuantifica todos los atributos que
influyen en la calidad de un pronstico probabilstico, permitiendo identificar fcilmente
las debilidades y puntos fuertes del mismo.
- Desarrollo de un modelo de seleccin de la estrategia de operacin de embalses que lleva
asociada una mejor gestin de la laminacin de una avenida en un embalse a partir de
unos criterios objetivo determinados, mediante la aplicacin de redes Bayesianas a los
resultados de un simulador de la laminacin en embalses, permitiendo la toma de
decisiones en tiempo real a partir de los riesgos asumidos.
2) Metodologa de calibracin de modelos hidrolgicos distribuidos
- Determinacin de una metodologa de calibracin hbrida para el modelo RIBS con
aplicacin a la simulacin de episodios de avenida, mediante una combinacin de una
calibracin manual de los parmetros que caracterizan los diferentes tipos de suelo
presentes en la cuenca de estudio y una calibracin automtica en dos pasos del resto de
parmetros.
- Identificacin de la sensibilidad de cada uno de los parmetros del modelo RIBS sobre la
variabilidad de los resultados finales de caudal, mediante la aplicacin de un Anlisis de
Sensibilidad Generalizado (GSA), mediante la aplicacin de un conjunto de funciones
objetivo que miden el error entre el hidrograma simulado y el hidrograma observado,

Pgina 252

obteniendo que los parmetros que presentan una mayor influencia sobre los resultados
finales del modelo son: El parmetro de variacin de la conductividad hidrulica en
profundidad (f ), el coeficiente de la ley que representa la relacin entre velocidades en
cauce y ladera (Cv) y el estado de humedad inicial en la cuenca. El parmetro de
relacin entre las velocidades en el cauce y en ladera (Kv) tiene una influencia
apreciable en los resultados del modelo RIBS, aunque mucho menores que en el caso de
los parmetros anteriores.
- Seleccin de las funciones objetivo que mejor captan la influencia de los parmetros del
modelo sobre la variabilidad de los resultados finales de caudal, seleccionado las
siguientes funciones objetivo: RMSE (Raz del error cuadrtico medio), MAE (Error
medio absoluto), NSE (Coeficiente de eficiencia de Nash-Sutcliffe) y TP (Error en el
tiempo de punta del hidrograma).
- Identificacin de la dependencia entre las funciones objetivo mediante el estudio de la
correlacin entre las mismas y observando una gran correlacin entre las funciones
objetivo RMSE, MAE y NSE que indica que todas ellas analizan los mismos aspectos
del hidrograma.
- Aplicacin de las diferentes funciones objetivo sobre diferentes partes del hidrograma
para mejorar la identificacin de la influencia de cada uno de los parmetros sobre los
diferentes aspectos del mismo y optimizar las propiedades de cada una de las funciones
objetivo, creando dos nuevas funciones objetivo: RMSE Peak (Aplicacin del RMSE
sobre la punta del hidrograma) y MAE Low-flow (Aplicacin del MAE sobre la parte del
hidrograma que no constituye la punta). De esta forma se ha reducido las correlaciones
entre TP, NSE, RMSE Peak y MAE Low-flow.
- Realizacin de una calibracin automtica de los parmetros del modelo mediante un
proceso en dos pasos. El primero consiste en la obtencin del rango de valores del
parmetro Cv que lleva a un tiempo de punta igual al observado a partir de los ptimos
de Pareto con las 4 funciones objetivo seleccionadas. El segundo consiste en la obtencin
de los ptimos de Pareto a partir de las funciones objetivo RMSE Peak, MAE low-flow y
NSE, eliminando las soluciones que se salgan del rango de valores obtenido
anteriormente para Cv. Mediante este proceso se reduce el nmero de soluciones
obtenidas y se llega a unos resultados de calibracin ms satisfactorios.
- Obtencin de distribuciones de probabilidad para cada parmetro del modelo, en lugar de
valores constantes, a partir de los resultados de la calibracin para el conjunto de
episodios registrados. Este aspecto permite tener en cuenta los diferentes
comportamientos hidrolgicos de la cuenca y la incertidumbre asociada a los errores
cometidos en la modelizacin.
3) Metodologa de generacin de casos para aprendizaje
- Identificacin de las tipologas de lluvia que se pueden dar en una cuenca mediante la
aplicacin de dos medidas ya existentes: ndice de localizacin de la lluvia e ndice de
variabilidad espacial de la lluvia, e identificacin de episodios de lluvia similares
mediante la aplicacin de las 2 medidas anteriores y otras 2 ms creadas para la
realizacin de la presente tesis: ndice de desplazamiento de la lluvia e ndice de
variabilidad temporal de la lluvia.

Pgina 253

- Creacin de una metodologa de generacin de casos sintticos mediante la aplicacin
del modelo hidrolgico distribuido RIBS. A partir de los episodios sintticos de lluvia y
una simulacin de Monte Carlo sobre las funciones de densidad de probabilidad que
caracterizan los parmetros del modelo RIBS, se ha realizado la simulacin repetitiva del
modelo mediante la extensin generada a tal efecto. Como resultado se han obtenido los
hidrogramas de caudal en puntos determinados y valores medios de las distintas variables
utilizadas por el modelo RIBS para cada una de las subcuencas consideradas.
- Obtencin de los episodios sintticos de avenida en rgimen alterado mediante la
utilizacin del mdulo de embalses.
4) Aportaciones instrumentales
a) Modelo estocstico de generacin de lluvias SimTorm:
- Creacin de una opcin dentro del modelo que permita guardar los mapas
distribuidos en el espacio de valores de lluvia para cada instante de tiempo del
episodio sinttico generado, en distintos formatos de salida. Se han considerado
dos formatos de archivos que presentan la matriz de valores de lluvia: Formato
rster de ArcView y formato de texto RIBS, y un formato de archivo que presenta
los valores de lluvia en los pluvimetros previamente determinados mediante sus
coordenadas: Formato SAIH.
- Modificacin del modelo SimTorm para permitir la simulacin repetitiva del
mismo mediante la definicin del nmero requerido de simulaciones y un archivo
en el que se incluyan los valores de los parmetros para cada una de las
simulaciones. Asimismo, se ha realizado la exportacin de los resultados mediante
la creacin de un archivo en formato rster de ArcView, donde se guarda la matriz
de los valores de lluvia en cada una de las celdas para cada intervalo de tiempo,
mediante una clasificacin en directorios por episodios de lluvia generados.
- Modificacin de los parmetros de la funcin de distribucin que define el ruido o
distorsin sobre los valores de intensidad de lluvia calculados a partir de las
funciones de distribucin de la lluvia en el espacio y en el tiempo, con el objeto de
obtener unos resultados de lluvia espacial ms cercanos a la realidad
b) Modelo hidrolgico distribuido RIBS
- Creacin de una extensin del modelo RIBS para permitir la simulacin repetitiva
del mismo. Mediante la introduccin del nmero de simulaciones requerida, el
modelo toma los valores de los parmetros del mismo, para cada una de las
simulaciones, a partir de un archivo donde se han guardado previamente, as como
toma los datos de lluvia, en formato de texto de RIBS, del directorio
correspondiente a la simulacin realizada. Los resultados del modelo para cada
simulacin se toman de los ficheros generados por el modelo, creando un nuevo
fichero para cada uno de los puntos de control considerados en la cuenca, donde se
guardan los hidrogramas de caudal.
- Creacin de un mdulo de embalses, que permite la simulacin de una cuenca en
rgimen alterado. El mdulo lee los hidrogramas de caudal en los archivos
generados por el modelo RIBS, obtiene los hidrogramas producto de la escorrenta

Pgina 254

en cada una de las subcuencas consideradas y realiza la simulacin de la
laminacin en los embalses a partir de las caractersticas de las presas y sus
rganos de desage, dando como resultado las series temporales de nivel de
embalse y los hidrogramas de caudal vertido para cada uno de los embalses
situados en la cuenca y los hidrogramas de caudal en cada uno de los puntos de
control de la cuenca en rgimen alterado.
- Creacin de una funcin que permite la transformacin de ficheros rster de
ArcView en formato de texto a ficheros de texto de RIBS y viceversa.
- Creacin de un mdulo de generacin de los ficheros que describen las
caractersticas geomorfolgicas de la cuenca y que conforman los datos iniciales
del modelo. Este mdulo parte de un archivo rster de ArcView en formato de
texto del MDT (Modelo Digital del Terreno) de la cuenca, calculando los mapas de
direcciones de drenaje, nmero acumulado de celdas, reas de drenaje, etc.,
requiriendo nicamente la determinacin del pxel en el que se encuentra el punto
de salida de la cuenca. Este mdulo reduce en gran medida el tiempo requerido
para generar este conjunto de ficheros cada vez que se aplica el modelo en una
cuenca nueva.
10.3. FUTURAS LNEAS DE INVESTIGACIN
A continuacin se describen las futuras lneas de investigacin derivadas de la presente
tesis:
- Aplicacin de la metodologa a otras cuencas para comprobar la validez de un
pronstico probabilstico de avenidas basado en redes Bayesianas.
- Evaluacin in situ de la capacidad de aplicacin del modelo probabilstico de
pronstico basado en redes Bayesianas al proceso de toma de decisiones en una
situacin de avenidas, a partir de los datos suministrados por el SAIH en tiempo real.
- Estudio de la aplicabilidad del enfoque de las redes Bayesianas dinmicas (DBN) para
la representacin de la evolucin de los procesos hidrolgicos en el tiempo y del de las
redes Bayesianas de variables continuas, en lugar de discretas o multinomiales, para la
representacin de las probabilidades condicionadas entre las diferentes variables, ya
que las redes Bayesianas componen un campo de investigacin en el que se producen
avances continuamente, principalmente en relacin a mtodos de inferencia y
aprendizaje y formas de representacin de procesos.
- Estimacin de los daos provocados por una determinada situacin de avenidas, a
partir de los distribuciones de probabilidad de caudal dadas por el modelo
probabilstico de pronstico basado en redes Bayesianas.
- Evaluacin de la aplicacin en los procesos de toma de decisiones ante una situacin
de avenidas en tiempo real, a partir de la estimacin de los riesgos de daos con los
resultados del modelo de pronstico presentado.
- Zonificacin de las zonas de riesgo en el cauce ante diferentes situaciones de avenida
mediante la conjuncin de los resultados del modelo probabilstico con un modelo
hidrulico de inundaciones.
Captulo 11. Bibliografa

Pgina 255

11 BIBLIOGRAFA
Abbot M.B., J .C. Bathurst, J .A. Cunge, P.E. OConnell y J . Rasmussen (1986a). An
introduction to the European Hydrological System Systeme Hydrologique Europeen, SHE,
1: History and philosophy of a physically-based distributed modelling system. J ournal of
Hydrology, 87, pp. 45-69.
Abbot M.B., J .C. Bathurst, J .A. Cunge, P.E. OConnell y J . Rasmussen (1986b). An
introduction to the European Hydrological System Systeme Hydrologique Europeen, SHE,
2: Structure of a physically-based distributed modelling system. J ournal of Hydrology, 87,
pp. 61-77.
Ajami, N.K., H. Gupta, T. Wagener y S. Sorooshian (2004). Calibration of a semi-
distributed hydrologic model for streamflow estimation along a river system. J ournal of Hydrology,
298, pp. 112-135.
Akaike, H. (1974). New look at statistical model identification. IEEE Transactions on
Automatic Control, AC-19 (6), pp. 716-723.
Aldana, A.L., A. Mestre y J . Mora (2003). Modelos de previsin hidrolgica basados en
previsiones meteorolgicas. Ingeniera Civil, 131, pp. 33-38.
Arduino, G., P. Reggiani y E. Todini (2005). Recent advances in flood forecasting and
flood risk assesment. Hydrology and Earth System Sciences, 9 (4), pp. 280-284.
Ames, D.P. y T.N. Bethany (2001). A Bayesian Decision Network Engine for Internet-
Based Stakeholder Decision-Making. ASCE World Water and Environmental Resources Congress.
Apel, H., A.H. Thieken, B. Merz y G. Blschl (2005). Flood risk assessment and associated
uncertainty. Natural Hazards and Earth System Sciences, 4, pp. 295-308.
Arduino, G., P. Reggiani y E. Todini (2005). Recent adavances in flood forecasting and
flood risk assessment. Hydrology and Earth System Sciences, 9 (4), pp. 280-284.
Arnaud P., C. Bouvier, L. Cisneros, R. Domnguez (2002). Influence of rainfall spatial
variability on flood prediction. J ournal of Hydrology 260, pp. 216-230.
Bandaragoda, C., D.G. Tarboton y R. Woods (2004). Application of TOPNET in the
distributed intercomparison project. J ournal of Hydrology, 298, pp. 178-201.
Bartholmes, J . y E. Todini (2005). Coupling meteorological and hydrological models for
flood forecasting. Hydrology and Earth System Sciences, 9 (4), pp. 333-346.
Batchelor, C. y J . Cain (1999). Application of belief networks to water management
studies. Agricultural Water Managemet, 40 (1), pp. 51-57.
Bathurst, J .C. (1986). Physically-based distributed modelling of an upland catchment
using the Systeme Hydrologique Europeen. J ournal of Hydrology, 87, pp. 79-102.
Beck, M.B. (1991). Forecasting environmental change. J ournal of Forecasting, 10 (1-2),
pp. 3-19.
Bell, V.A. y R.J . Moore (2000). The sensitivity of catchment runoff models to rainfall data
at different spatial scales. Hydrology and Earth System Sciences, 4 (4), pp. 653-667.

Pgina 256

Bergstrm, S. (1995). The HBV model. En V.P. Singh: Computers Models of Watershed
Hydrology Water Resource Publications, Highlands Ranch, pp. 443-476.
Beven, K.J . (2006). A manifesto for the equifinality thesis. J ournal of Hydrology 320,
pp. 18-36.
Beven, K.J . (2001). How far can we go in distributed hydrological modelling? Hydrology
and Earth System Sciences, 5 (1), pp. 1-12.
Beven, K.J . (2001). Rainfall-runoff modelling: The primer. Ed. Wiley. Chichester.
Beven, K.J . (1993). Prophecy, reality and uncertainty in distributed hydrological
modelling. Advances in Water Resources, 16 (1), pp. 41-51.
Beven, K.J . (1989). Changing ideas in hydrology The case of physically-based models.
J ournal of Hydrology, 105, pp. 157-172.
Beven K., R. Lamb, P. Quinn, R. Romanowicz y J . Freer (1995): Topmodel. En V.P.
Singh: Computers Models of Watershed Hydrology Water Resource Publications, Highlands
Ranch, pp. 627-668.
Beven, K.J . y G.M. Hornberger (1982). Assessing the effect of spatial pattern of
precipitation in modelling stream flow hydrographs. Water Resources Bulletin, 18 (5), pp. 823-829.
Borsuk, M.E., C.A. Stow y K.H. Reckhow (2004). A Bayesian network of eutrophication
models for synthesis, prediction and uncertainty analysis. Ecological Modelling, 173 (2-3),
pp. 219-239.
Borsuk, M.E., C.A. Stow y K.H. Reckhow (2003). Integrated Approach to Total Maximum
Daily Development for Neuse River Estuary using Bayesian Probability Network Model
(Neu-BERN). J ournal of Water Resources Planning and Management, 129 (4), pp. 271-282.
Bouckaert, R.R. (1995). Bayesian belief networks: From construction to inference. Ph. D.
Thesis. Department of Computer Science. Utrecht University, Holanda.
Bouvier C., L. Cisneros, R. Domnguez, J .P. Laborde, T. Lebel (2003). Generating rainfall
fields using principal components (PC) descomposition of the covariance matrix: a case study in
Mexico City. J ournal of Hydrology 278, pp. 107-120.
Box, G.E.P. y G.M. J enkins (1970). Time series analysis: Forecasting and control.
Ed. Holden Day, San Francisco, California.
Boyle, D.P., H.V. Gupta, S. Sorooshian, V. Koren, Z. Zhang, M. Smith (2001). Toward
improved streamflow forecasts: Value of semidistributed modelling. Water Resources Research, 37
(11), pp. 2749-2759.
Boyle, D.P., H.V. Gupta, S. Sorooshian (2000). Toward improved calibration of hydrologic
models: Combining the strengths of manual and automatic methods. Water Resources Research
36 (12), pp. 3663-3674.
Bradley, A.A., S.S. Schwartz y T. Hashino (2004). Distributions-oriented verification of
ensemble streamflow predictions. J ournal of Hydrometeorology, 5 (3), pp. 532-545.

Pgina 257

Brath, A., A. Montanari y E. Toth (2002). Neural networks and non-parametric methods
for improving real-time flood forecasting trough conceptual hydrological models. Hydrology and
Earth System Sciences, 6 (4), pp. 627-640.
Brier, G.W. (1950). Verification of forecasts expressed in terms of probability. Monthly
Weather Review, 78 (1), pp. 1-3.
Bromley, J ., N.A. J ackson, O.J . Clymer, A.M. Giacomello y F.V. J ensen (2005). The use of
Hugin to develop Bayesian networks as an aid to integrated water resource planning.
Environmental Modelling & Software, 20 (2), pp. 231-242.
Brooks, H.E. y C.A. Doswell (1996). A comparison of measures-oriented and distributions-
oriented approaches to forecast verification. Weather and Forecasting, 11, pp. 288-303.
Brown, B.G. (2001). Verification of Precipitation Forecasts: A Survey of Methodology.
Part II: Verification of Probability Forecasts at Points. WWRP/WMO Workshop on the
Verification of Quantitative Precipitation Forecasts, Praga.
Buntine, W. (1996). A guide to the literature on learning probabilistic networks from data.
IEEE Transactions on knowledge and data engineering, 8 (2), pp. 195-210.
Burnash, R.J .C. (1995). The NWS river forecast system Catchment modeling. En V.P.
Singh: Computers Models of Watershed Hydrology Water Resource Publications, Highlands
Ranch, pp. 311-366.
Burnash, R.J .C., R.L. Ferral y R.A. McGuire (1973). A general streamflow simulation
system Conceptual modelling for digital computers. J oint Federal State River Forecasts Center,
Technical Report, Sacramento, California.
Butts, M.B., J.T. Payne, M. Kristensen y H. Madsen (2004). An evaluation of the impact of
model structure on hydrological modelling uncertainty for streamflow simulation. J ournal of
Hydrology, 298, pp. 242-266.
Cameron, D.S., K.J . Beven, J . Tawn, S. Blazkova, P. Naden (1999). Flood frequency
estimation by continuous simulation for a gauged upland catchment (with uncertainty). J ournal of
Hydrology 219, pp. 169-187.
Castillo, E., J .M. Gutirrez y A.S. Hadi (1996). Sistemas expertos y modelos de redes
probabilsticas. Ed. Academia de Ingeniera.
Charba, J .P., D.W. Reynolds, B.E. McDonald y G.M. Carter (2003). Comparative
verification of recent quantitative precipitation forecasts in the National Weather Service: A simple
approach for scoring forecast accuracy. Weather and Forecasting, 18, pp. 161-183.
Charnniak, E. (1991). Bayesian networks without tear. AI Magazine, 12 (4), pp. 50-63.
Chaubey, I., C.T. Haan, S. Grunwald y J .M. Salisbury (1999). Uncertainty in the model
parameters due to spatial variability of rainfall. J ournal of Hydrology, 220, pp. 48-61.
Chessa, P.A. y F. Lalaurette (2001). Verification of the ECMWF Ensemble Prediction
System Forecasts : A study of large-scale patterns. Weather and Forecasting, 16, pp. 611-619.
Chickering, D.M. (2002). Optimal structure identification with greedy search. J ournal of
Machine Learning Research, 3, pp. 507-554.

Pgina 258

Chiew, F. y T. McMahon (1994). Application of the daily rainfall runoff model
MODHYDROLOG to 28 Australian catchments. J ournal of Hydrology, 153, pp. 383-416.
Ciarapica, L. y E. Todini (2002). TOPKAPI: A model for the representation of the rainfall-
runoff process at different scales. Hydrological Processes, 16 (2), pp. 207-229.
Collier, C.G. y R. Krzysztofowicz (2000). Quantitative precipitation forecasting. J ournal of
Hydrology, 239.
Cooper, G.F. y Herskovits, E. (1992). A Bayesian method for the induction of probabilistic
networks form data. Machine Learning, 9, pp. 309-347.
Crawford, N.H. y R.K. Linsley (1966). Digital simulation in hydrology: Stanford
watershed model IV. Technical Report 39, Department of Civil Engineering, Stanford University.
De Lannoy, G.J .M., N.E.C. Verhoest y F.P. De Troch (2005). J ournal of Hydrology, 307,
pp. 126-144.
Daan, H. (1985). Sensitivity of verification scores to the classification of the predictand.
Monthly Weather Review, 113, pp. 1384-1392.
Dai, H.H., G. Li y Z.H. Zhou (2004). Ensembling MML causal discovery. Advances in
Knowledge Discovery and Data Mining, Proceedings Lecture Notes in Artificial Intelligence, 3056,
pp. 260-271.
De Roo, A.P.J ., C.G. Wesseling y W.P.A. Van Deursen (2000). Physically based river
basin modelling within GIS: The LISFLOOD model. Hydrological Processes, 14 (11-12), pp.
1981-1992.
Duan, Q. (2003). Global optimization for watershed model calibration. En Calibration of
Watershed Models. Water Science and Aplication 6. Ed. American Geophysical Union.
Evans, D.L. (2003). A Core Suite of AHPS Graphical Hydrologic Products and
Information. Report of the AHPS Products and Information Team. U.S. Department of Commerce.
Evans, J .P. y A.J . J akeman (1998). Development of a simple, catchment-scale rainfall-
evapotranspiration-runoff model. Environmental Modelling & Software, 13 (3-4), pp. 385-393.
Ferraris, L., R. Rudari y F. Siccardi (2002). The uncertainty in the prediction of flash
floods in the Northern Mediterranean Environment. J ournal of Hydrometeorology, 3 (6),
pp. 714-727.
Ferson, S. y L.R. Ginzburg (1996). Different methods are needed to propagate ignorante
and variability. Reliability Engineering and System Safety, 54, pp. 133-144.
Francs, F. (1996). Modelacin distribuida frente a modelacin agregada. En: Mtodos
para el clculo hidrolgico de crecidas. Centro de Estudios Hidrogrficos del CEDEX, MOPTMA,
Madrid.
Francs, F., J .I. Vlez y J .J . Vlez (2007). Split-parameter structure for the automatic
calibration of distributed hydrological models. J ournal of Hydrology, 332, pp. 226.-240.
Francs, F y J . Vlez (2006). Automatic calibration using the SCE-UA algorithm for a
hydrological distributed model. Application to a regional water resources estimation study.
Geophysical Research Abstracts, 8, 06466.

Pgina 259

Franz, K.J . y S. Sorooshian (2002). Verification of National Weather Service Probabilistic
Hydrologic Forecasts. Final Report. Department of Hydrology and Water Resources of the
University of Arizona. Tucson, Arizona.
Freer, J ., Beven K.J ., Ambroise, B. (1996). Bayesian estimation of uncertainty in runoff
prediction and the value of data: An application of the GLUE approach. Water Resources Research,
32 (7), pp. 2161-2173.
Freeze, R.A. (1972). Role of subsurface flow in generating surface runoff. 2. Upstream
source areas. Water Resources Research, 8 (5), pp. 1272-1283.
Friedman, N., M. Ninio, I. Peer y T. Pupko (2002). A structural EM algorithm for
Phylogenetic inference. J ournal of Computational Biology, 9 (2), pp. 331-353.
Friedman, N., M. Linial, I. Nachman y D. Peer (2000). Using Bayesian networks to
analyze expression data. J ournal of Computational Biology, 7 (3-4), pp. 601-620.
Friedman, N., M. Goldszmidt y A. Wyner (1999). Data analysis with Bayesian networks: A
bootstrap approach. Proceedings of the Fifteenth conference on Uncertainty in Artificial
Intelligence.
Gabald, O., A. Molina, F. Briz y F. Villalba (2004). Acceso a la informacin en los SAIH.
J ornadas sobre Sistemas de ayuda a la decisin ante problemas hidrulicos e hidrolgicos en
tiempo real. CEDEX.
Garca, S.G., F. Francs y J . Andreu (2003). Simulacin hidrolgica basada en SIG:
Sensibilidad a factores de escala. Ingeniera del Agua, 9 (3).
Garrote, L., M. Molina y L. Mediero (2005). Calibration of data-driven models using
Monte-Carlo simulation: The case of Bayesian networks. Geophysical Research Abstracts, 7,
07696.
Garrote, L. y M. Molina (2003). A Framework for making probabilistic forecasts using
deterministic rainfall-runoff models. Hydrological risk: Recent advances in peak river flow
modelling, prediction and real-time forecasting, Bolonia, Italia.
Garrote, L. y R.L. Bras (1995a). A distributed model for real-time forecasting using digital
elevation models. J ournal of Hydrology, 167, pp. 279-306.
Garrote, L. y R.L. Bras (1995b). An integrated software environment for real-time use of a
distributed hydrologic model. J ournal of Hydrology, 167, pp. 307-326.
Geiger, D. y Heckerman, D. (1995). A characterization of the Dirichlet distribution with
application to learning Bayesian networks. Proceedings of the 11
th
Conference on Uncertainty in
Artificial Intelligence. Morgan Kaufmann Publishers, San Francisco.
Georgakakos, K.P. y R. Krzysztofowicz (2001). Probabilistic and ensemble forecasting.
J ournal of Hydrology, 249.
Giron, F. (1988). The evacuation of floods during the operation of reservoirs. Transactions
of the Sixteenth International Congress on Large Dams, Volume IV, Report 25, pp. 403-417.
Beijing.
Goldberg, D.E. (1989). Genetic algorithms in search, optimization and machine learning.
Addison-Wesley Publishing Company, Inc., USA.

Pgina 260

Grayson, R.B., I.D. Moore y T.A. McMahon (1992). Physically based hydrologic
modelling. 2 Is the concept realistic? Water Resources Research, 26 (10), pp. 2659-2666.
Guichard, D. (2005). Influencia de la variabilidad espacio-temporal de la intensidad de
lluvia en la respuesta hidrolgica durante episodios de crecida. Tesis Doctoral. Departamento de
Ingeniera Hidrulica y Medio Ambiente. Universidad Politcnica de Valencia.
Gupta, H.V., S. Sorooshian, P.O. Yapo (1999). Status of automatic calibration for
hydrologic models: Comparison with multilevel expert calibration. J ournal of Hydrologic
Engineering 4 (2), pp. 135-143.
Gupta, H.V., S. Sorooshian, P.O. Yapo (1998). Toward improvement calibration of
hydrologic models: Multiple and noncommensurable measures of information. Water Resources
Research, 34 (4), pp. 751-763.
Gutirrez, J .M., R. Cano, A.S. Cofio y C.M. Sordo (2004). Redes probabilsticas y
neuronales en las ciencias atmosfricas. Serie monografas del Ministerio de Medio Ambiente.
Hamill, T.M. (2001). Interpretation of Rank Histograms for Verifying Ensemble Forecasts.
Monthly Weather Review, 129 (3), pp. 550-560.
Han, D., I.D. Cluckie, D. Karbassioun, J . Lawry, B. Krauskopf (2002). River flow
modelling using fuzzy decision trees. Water Resources Management, 16 (6), pp. 431-445.
Hashino, T., A.A. Bradley y S. Schwartz (2002). Verification of probabilistic streamflow
forecasts. IIHR Report 427. Department of Civil and Environmental Engineering. The University
of Iowa.
Havno, K., M.N. Madsen y J . Dorge (1995). Mike 11 A generalized river modelling
package. En V.P. Singh: Computers Models of Watershed Hydrology Water Resource
Publications, Highlands Ranch, pp. 733-761.
Heckerman, D. (1995). A tutorial on learning with Bayesian Networks. Technical Report,
MSR-TR-95-06. Microsoft Research, Redmond,
Heckerman, D., D. Geiger y D.M. Chickering (1995). Learning Bayesian networks: The
combination of knowledge and statistical data. Machine Learning, 20, pp. 197-243.
Heckerman, D., E. Horvitz y B. Nathwani (1992). Towards normative expert systems:
Part I. The Pathfinder project. Methods for information in Medicine, 31, pp. 90-105.
Helsel, D.R. y R.M. Hirsch (1992). Statistical methods in water resources. Studies in
Environmental Science 49. Elservier Sciences Publishers. Amsterdam, Holanda.
Herskovitz, E.H. y G.F. Cooper (1990). Kutat: An entropy-driven system for the
construction of probabilistic expert systems from data. Proceedings of the Sixth Conference on
Uncertainty in Artificial Intelligence, pp. 54-62.
Hossain, F. y E.N. Anagnostou (2005). Assessment of a probabilistic scheme for flood
prediction. J ournal of Hydrologic Engineering, 10 (2), pp. 141-150.
Hou, D., E. Kalnay y K.K. Droegemeier (2001). Objective verification of the SAMEX98
ensemble forecasts. Monthly Weather Review, 129 (1), pp. 73-91.

Pgina 261

Huang, T., D. Koller, J . Malik, G. Ogasawara, B. Rao, S. Russell y J . Weber (1994).
Automatic symbolic traffic scene analysis using belief networks. Proceedings of the Twelfth
National Conference on Artificial Intelligence (AAAI94). AAAI Press, Seattle.
Ingram J .J y Q. Duan (2003). The National Weather Service Implements New Science into
Operational Forecasts. World Water and Environmental Resources Congress. Philadelphia,
Pennsylvania.
J irouvsek, R. y S. Pvreuvcil (1995). On the effective implementation of the iterative
proportional fitting procedure. Computational statistics and data analysis, 19 (2), pp. 177-189.
J oliffe, I.T. y D.B. Stephenson (2003). Forecast Verification: A Practitioners Guide in
Atmospheric Science. Ed. J ohn Wiley & Sons.
Kavetski, D., G. Kuczera, S.W. Franks (2006). Calibration of conceptual hydrological
models revisited: 1. Overcoming numerical artefacts. J ournal of Hydrology, 320, pp. 173-186.
Kendall, M.G. (1938). A new measure of rank correlation. Biometrika, 30, pp. 81-93.
Khan, M.S. y P. Coulibaly (2006). Bayesian Neural Network for rainfall-runoff modelling.
Water Resources Research, 42, W07409.
Khu, S.T., H. Madsen (2005). Multiobjective calibration with Pareto preference ordering:
An application to rainfall-runoff model calibration. Water Resources Research, 41, W03004.
Kokkonen, T.S. y A.J . J akeman (2001). A comparison of metric and conceptual approaches
in rainfall-runoff modeling and its applications. Water Resources Research, 37 (9), pp. 2345-2352.
Krajewski, W.F., G.J . Ciach y E. Habib (2003). An analysis of small-scale rainfall
variability in different climatic regimes. Hydrological Sciences-J ournal-des Sciences
Hydrologiques 48 (2), pp. 151-162.
Krajewski, W.F., V. Lakshmi, K.P. Georgakakos y S.C. J ain (1991). A Monte-Carlo study
of rainfall sampling effect on a distributed cathcment model. Water Resources Research, 27 (1),
pp. 119-228.
Krzysztofowicz, R. y C.J . Maranzano (2004). Hydrological uncertainty processor for
probabilistic stage transition forecasting. J ournal of Hydrology, 293, pp. 57-73.
Krzysztofowicz, R. (2001). The case for probabilistic forecasting in hydrology. J ournal of
Hydrology, 249, pp. 2-9.
Krzysztofowicz, R. (1999). Bayesian Forecasting via Deterministic Model. Risk Analysis,
19 (4), pp. 739-749.
Krzysztofowicz, R. (1998). Probabilistic hydro-meteorological forecasts: Toward a new era
in operational forecasting. Bulletin of the American Meteorological Society, 79 (2), pp. 243-251.
Kuczera G. y E. Parent (1998). Monte Carlo assessment of parameter uncertainty in
conceptual catchment models: the Metropolis algorithm. J ournal of Hydrology, 211, pp. 69-85.
Kullback, S. y R. Leibler (1951). Information and sufficiency. Annals of Mathematic
Statistics, 22, pp. 79-86.

Pgina 262

Lalaurette, F. (2001). Development of Standard Verification Measures for EPS I.
Commission for Basic System OPAG on DPFS Meeting of Expert Team on Ensemble Prediction
Systems, WMO. Tokyo.
Lauritzen, S.L. y D.J . Spiegelhalter (1988). Local computations with probabilities on
graphical structures and their application to expert systems. J ournal of the Royal Statistical Society,
vol. B, 50 (2), pp. 157-224.
Llasat, M.C. (2001). An objective classification of rainfall events on the basis of their
convective features: Application to rainfall intensity in the northeast of Spain. International J ournal
of Climatology, 21 (11), pp. 1385-1400.
Llasat, M.C., C. Ramis y L. Lanza (1999). Store tracking and monitoring using objective
synoptic diagnosis and cluster identification from infrared Meteosat imagery: A case study.
Meteorology and Atmospheric Physics, 71 (3-4), pp. 139-155.
Lefaivre, L. (2001). Development of Standard Verification Measures for EPS II.
Commission for Basic System OPAG on DPFS Meeting of Expert Team on Ensemble Prediction
Systems, WMO. Tokyo.
Lopez, V., F. Napolitano y F. Russo (2005). Calibration of a rainfall-runoff model using
radar and raingauge data. Advances in Geosciences, 2, pp. 41-46.
Madsen, H. (2000). Automatic calibration of a conceptual rainfall-runoff model using
multiple objectives. J ournal of Hydrology, 235, pp. 276-288.
Margaritis, D. (2003). Learning Bayesian networks model structure from data. Ph. D.
Thesis. School of Computer Science, Pittsburgh.
Markowetz, F., S. Grossmann y R. Spang (2005). Probabilistic soft interventions in
conditional Gaussian networks. Proceedings of the Tenth International Workshop on Artificial
Intelligence and Statistics (AISTATS).
Martn-Carrasco, F.J ., L. Garrote y L. Mediero (2007). Gestin de conflictos de
compatibilidad de usos en embalses multipropsito. Ingeniera Hidrulica en Mxico, 22 (1),
pp. 81-90.
Maskey, S., V. Guinot y R.K. Price (2004). Treatment of precipitation uncertainty in
rainfall-runoff modelling: a fuzzy set approach. Advances in Water Resources, 27, pp. 889-898.
Mason, S.J . y N.E. Graham (1999). Conditional Probabilities, Relative Operating
Characteristics and Relative Operating Levels. Weather and Forecasting, 14 (5), pp. 713-725.
Mathworks (2004). Statistics Toolbox for use with Matlab Users guide. Version 5. The
Mathworks Inc., Natick, EEUU.
McCabe, B., M.A. Simaan y R. Goebel (1998). Belief Networks for Construction
Performance Diagnostics. J ournal of Computing in Civil Engineering, 12 (2), pp. 93-100.
McCarthy, G.T. (1938). The Unit Hydrograph and flood routing. Texto no publicado,
presentado en: Conference of the North Atlantic Division. U.S. Army Corps of Engineers, 24 de
junio.

Pgina 263

Mediero, L. (2005). Aplicacin de tcnicas de verificacin probabilstica a la validacin de
un modelo hidrolgico basado en redes Bayesianas. Trabajo Tutelado de Investigacin.
Departamento de Ingeniera Civil: Hidrulica y Energtica. Universidad Politcnica de Madrid.
Mediero, L. y L. Garrote (2004). Cuantificacin de la capacidad de prediccin de modelos
hidrolgicos basados en redes Bayesianas. J ornadas sobres Sistemas de ayuda a la decisin ante
problemas hidrulicos e hidrolgicos en tiempo real. CEDEX.
Mediero, L. y L. Garrote (2005). Verification of probabilistic forecasts applied to the
validation of a hydrological model. Geophysical Research Abstracts, 7, n 07583.
Mediero L. y L. Garrote (2006). Water management optimization by a probabilistic
forecast model based on Bayesian Networks. In: Young Researchers 2006. Eds. R. Stuetz y
L. Teik-Thye. Water and Environmental Management Series. IWA Publishing, Londres.
Mediero L., L. Garrote y M. Molina (2006). Probabilistic modelling of reservoirs during
floods. Geophysical Research Abstracts, 8, n 05716.
Molina M., Fuentetaja, R. y L. Garrote (2005). Hydrologic models for emergency decision
support using Bayesian networks. Symbolic and Quantitative Approaches to Reasoning with
Uncertainty, Proceedings Lecture Notes in Computer Science, 3571, pp. 88-99.
Molina, M., L. Garrote y R.Fuentetaja (2002). Sistemas inteligentes para ayuda a la
decisin en avenidas. J ornadas sobre sistemas de ayuda a la decisin ante problemas hidrulicos en
tiempo real, Madrid.
Molnar, P. y P. Burlando (2005). Preservation of rainfall properties in stochastic
disaggregation by a simple random cascade model. Atmospheric Research, 77, pp. 137-151.
Molteni, F., R. Buizza, T.N. Palmer y T. Petroliagis (1996). The ECMWF Ensemble
Prediction System: Methodology and validation. Quarterly J ournal of the Royal Meteorological
Society, 122, (529), pp. 73-119.
Montanari, A. (2005). Large simple behaviours of the Generalized Likelihood Uncertainty
Estimation (GLUE) in assessing the uncertainty of rainfall-runoff simulations. Water Resources
Research, 41 (8), W08406.
Montanari, A. y A. Brath (2004). A stochastic approach for assessing the uncertainty of
rainfall-runoff simulations. Water Resources Research, 40 (1), W01106.
Mureau, R., F. Molteni y T.N. Palmer (1993). Ensemble prediction using dynamically
conditioned perturbations. Quarterly J ournal of the Royal Meteorological Society, 119 (510),
pp. 299-323.
Murphy, A.H. (1996). The Finely affair: a signal event in the history of weather
forecasting. Weather and Forecasting, 11, pp. 3-20.
Murphy, A.H. (1993). What is a good forecast? An essay on the nature of goodness in
weather forecasting. Weather and Forecasting, 8 (2), pp. 281-293.
Murphy, A.H. (1973). A new vector partition of the Probability Score. J ournal of Applied
Meteorology, 12, pp. 595-600.
Murphy, A.H. y R.L. Winkler (1987). A General Framework for Forecast Verification.
Monthly Weather Review, 115, pp. 1330-1338.

Pgina 264

Murphy, A.H. y R.L. Winkler (1971). Forecasters and probability forecasts: some current
problems. Bulletin of the American Meteorological Society, 52 (4), pp. 239-247.
Murphy, K.P. (2003). Active learning of causal Bayes net structure. Proceedings of the
Ninth ACM SIGKDD International Conference.
Murphy, K.P. (2001). The Bayes Net Toolbox for Matlab. Computing Science and
Statistics, 33, pp. 331-350.
Nash, J .E. (1957). The form of the instantaneous unit hydrograph. Hydrological Sciences
Bulletin, 3, pp. 114-121.
Nasir, D., B. McCabe y L. Hartono (2003). Evaluating Risk in Construction-Schedule
Model (ERIC-S): Construction Schedule Risk Model. J ournal of Construction Engineering and
Management, 129, pp. 518-527.
Neapolitan, R.E. (2004). Learning Bayesian Networks. Ed. Pearson Prentice Hall. Upper
Saddle River, New J ersey.
Niemczynowicz, J . (1991). On storm movement and its applications. Atmospheric
Research, 27 (1-3), pp. 109-127.
Norman, S.L. y D. Tritchler (1992). Parameter updating in a Bayes network. J ournal of the
American Statistical Association, 87, pp. 1109-1115.
Obled, C., J . Wendling y K.J . Beven (1994). The sensitivity of hydrological models to
spatial rainfall patterns: An evaluation using observed data. J ournal of Hydrology, 159,
pp. 305-333.
Pappenberger, F., K.J . Beven, N.M. Hunter, P.D. Bates, B.T. Gouweleeuw, J . Thielen y
A.P.J . de Roo (2005). Cascading model uncertainty from medium range weather forecasts (10
days) through a rainfall-runoff model to flood inundation predictions within the European Flood
Forecasting System (EFFS). Hydrology and Earth System Sciences, 9 (4), pp. 381-393.
Pearl, J . (1988). Probabilistic reasoning in Intelligent Systems: Networks of plausible
inference. Morgan Kaufman. San Mateo, California.
Pearl J . y T.S. Verma (1991). A theory of inferred causation. En Principles of knowledge
representation and reasoning, pp. 441-452. Editores: J .F. Allen, R. Fikes y E. Sandewall. Morgan
Kaufman, San Mateo, California.
Pike, W.A. (2004). Modeling drinking water quality violations with Bayesian networks.
J ournal of the American Water Resources Association, 40 (6), pp. 1563-1578.
Ponce, V.M. (1989). Engineering hydrology. Principles and practices. Ed. Prentice Hall.
Englewood Cliffs, New J ersey.
Reckhow, K.H. (1999). Water quality prediction and probability networks models.
Canadian J ournal of Fisheries and Aquatic Sciences, 56 (7), pp. 1150-1158.
Reed, S.M., V. Koren, M. Smith, Z. Zhang, F. Moreda y D.J . Seo (2004). Overall
distributed model intercomparison project results. J ournal of Hydrology, 298 (1-4), pp. 27-60.
RMS (2004a) U.K. River Flood Brochure. Risk Management Solutions, Inc. Risk
Assessment Models. Disponible en: http://www.rms.com/Publications/UK_River_Flood.pdf

Pgina 265

RMS (2004b) Belgium River Flood Brochure. Risk Management Solutions, Inc. Risk
Assessment Models. Disponible en: http://www.rms.com/Publications/BelgiumRiverFlood.pdf
Roberts, M.C. y P. Klingeman (1970). The influence of landform and precipitation
parameters on flood hydrographs. J ournal of Hydrology, 11 (4), pp. 393-411.
Romeo, R., A. Linares y E. Garca (2004). Control de avenidas en la cuenca del Ebro.
J ornadas sobres Sistemas de ayuda a la decisin ante problemas hidrulicos e hidrolgicos en
tiempo real, pp. 259-278. CEDEX.
Ruiz, J .M. (1999). Modelo distribuido para la evaluacin de recursos hdricos.
Monografas, M67. CEDEX.
Russell, S. y P. Norvig (2003). Artificial Intelligence: A modern approach. Segunda
edicin. Ed. Pearson Prentice Hall. Upper Saddle River, New J ersey.
Sahely, B. y D.M. Bagley (2001). Diagnosing Upset in Anaerobic Wastewater Treatment
using Bayesian Belief Networks. J ournal of Environmental Engineering, 127 (4), pp. 302-310.
Said, A. (2006). The implementation of a Bayesian network for watershed management
decisions. Water Resources Management, 20 (4), pp. 591-605.
Sangesa, R. y P. Burrell (2000). Application of Bayesian network learning methods to
Waste Water Treatment Plants. Applied Intelligence, 13 (1), pp. 19-40.
Schwarz, G. (1978). Estimating dimension of a model. Annals of Statisitics, 6 (2), pp.
461-464.
Sempere, D. (1996). Los modelos distribuidos en la modelizacin hidrolgica de crecidas.
En: Mtodos para el clculo hidrolgico de crecidas. Centro de Estudios Hidrogrficos del
CEDEX, MOPTMA, Madrid.
Sherman, L.K. (1932). Streamflow from rainfall by the unit hydrograph method.
Engineering News-Record, 108, pp. 501-505.
Siccardi, F., G. Boni, L. Ferraris y R. Rudari (2005). A hydrometeorological approach for
probabilistic flood forecast. J ournal of Geophysical Research, 110 (5), D05101.
Singh, V.P. (1997). Effect of spatial and temporal variability in rainfall and watershed
characteristics on stream flow hydrograph. Hydrological Processes, 11, pp. 1649-1669.
Smith M.B., V.I. Koren, Z. Zhang, S.M. Reed, J .J . Pan, F. Moreda (2004). Runoff response
to spatial variability in precipitation: an analysis of observed data. J ournal of Hydrology 298,
pp. 267-286.
Soong, T.T. (1999). Fundamentals of probability and statistics for engineers. J ohn Wiley &
Sons, Ltd.
Spear, R.C., G.M. Hornberger (1980). Eutrophication in Peel Inlet II. Identification of
critical uncertainties via generalized sensitivity analysis. Water Research, 14, pp. 43-49.
Spirtes, P., C. Glymour y R. Scheines (1993). Causation, prediction and search. Ed.
Springer-Verlag, Nueva York.
Stanski, H.R., L.J . Wilson y W.R. Burrows (1989). Survey of common verification
methods in meteorology. World Meterological Organization, World Weather Watch Report n 8.

Pgina 266

Stow. C.A., C. Roessler, M.E. Borsuk, J .D. Bowen y K.H. Reckhow (2003). Comparison
of Estuarine Water Quality Models for Total Maximum Daily Load Development in Neuse River
Estuary. J ournal of Water Resources Planning and Management, 129 (4), pp. 307-314.
Surkan, A.J . (1974). Simulation of storm velocity effects on flow from distributed channel
networks. Water Resources Research, 10 (6), pp, 1149-1160.
Tamea, S., F. Laio y L. Ridolfi (2005). Probabilistic nonlinear prediction of river flows.
Water Resources Research, 41, W09421.
Taramasso, A.C., S. Gabellani y A. Parodi (2005). An operational flash-flood forecasting
chain applied to the test cases of the EU Project HYDROPTIMET. Natural Hazards and Earth
System Sciences, 5, pp. 703-710.
Thiriez, H. (1996). BestFit. European J ournal of Operational Research, 92 (1), pp. 217-218.
Thompson, J .C. y G.W. Brier (1955). The economic utility of weather forecasts. Monthly
Weather Review, 83 (11), pp. 249-254.
Thornton, J .A. (2005). Approximate inference of Bayesian networks through edge deletion.
Ph. D. Thesis. Department of Computing and Information Sciences. Kansas State University,
Estados Unidos.
Todini, E. (1988). Rainfall-runoff modelling Past, present and future. J ournal of
Hydrology, 100, pp. 341-352.
Toothill, J . y N. Catford (2004). Flood management in Central Europe. Risk Transfer,
2 (5), pp. 20-21.
Vaes, G., P. Willems y J . Berlamont (2001). Rainfall input requirements for hydrological
calculations. Urban Water, 3, pp. 107-112.
Varis, O. y S. Kuikka (1997). Bene-Eia: A Bayesian approach to expert judgement
elicitation with case studies on climate change impacts on surface waters. Climatic Change, 37 (3),
pp. 539-563.
Vlez, J .J ., F. Lpez, M. Puricelli y F. Francs (2007). Parameter extrapolation to
ungauged basins with a hydrological distributed model in a regional framework. Hydrological
Earth System Sciences, Discussion 4, pp. 909-956.
Vlez, J ., F. Francs y J .I. Vlez (2005). TETIS: A catchment hydrological distributed
conceptual model. Geophysical Research Abstracts, 7, 03503.
Vieux, B.E. (2004). Distributed hyrological modeling using GIS. Ed. Kluwer Academic
Publishers. Dordrecht, Holanda.
Villalba, F. (2000). Formulacin de un modelo estocstico de generacin de lluvia sinttica
y construccin de un simulador de tormentas. Trabajo tutelado de investigacin. Departamento de
Ingeniera Civil: Hidrulica y Energtica. Universidad Politcnica de Madrid.
Vrugt, J .A., H.V. Gupta, W. Bouten, S. Sorooshian (2003a). A Shuffled Complex
Evolution Metropolis algorithm for optimization and uncertainty assessment of hydrologic model
parameters. Water Resources Research, 39 (8), 1201, pp. SWC 1-1 a SWC 1-15.

Pgina 267

Vrugt, J .A., H.V. Gupta, L.A. Bastidas, W. Bouten, S. Sorooshian (2003b). Effective and
efficient algorithm for multiobjective optimization of hydrologic models. Water Resources
Research, 39 (8), 1214, pp. SWC 5-1 a SWC 5-19.
Vrugt J .A., W. Bouten, H.V. Gupta, S. Sorooshian (2002). Toward improved identifiability
of hydrologic model parameters: The information content of experimental data. Water Resources
Research, 38 (12), pp. 48-1 a 48-13.
Wagener, T, D.P. Boyle, M.J . Lees, H.S. Wheater, H.V. Gupta, S. Sorooshian (2001). A
framework for development and application of hydrological models. Hydrology and Earth System
Sciences, 5 (1), pp. 13-26.
Wagener, T., H.S. Wheater, H.V. Gupta (2004). Rainfall-Runoff modelling in gauged and
ungauged catchments. Imperial College Press.
Wagener, T., D.P. Boyle, M.J . Lees, H.S. Wheater, H.V. Gupta, S. Sorooshian (2001). A
framework for development and application of hydrological models. Hydrology and Earth System
Sciences 5 (1), pp. 13-26.
Walser, A. y C. Schr (2004). Convection-resolving precipitation forecasting and its
predictability in Alpine river catchments. J ournal of Hydrology, 288, pp. 57-73.
Wheater, H.S., V.S. Isham, D.R. Cox, R.E. Chandler, A. Kakou, P.J . Northrop, L. Oh,
C. Onof, I. Rodriguez-Iturbe (2000). Spatial-temporal rainfall fields: modelling and statistical
aspects. Hydrology and Earth System Sciences 4 (4), pp. 581-601.
Wheater, H.S., A.J . J akeman y K.J . Beven (1993). Progress and directions in rainfall-runoff
modelling. En: Modelling change in environmental systems, pp. 101-132. Editores: A.J . J akeman,
M.B. Beck y M.J . McAleer. Editorial Wiley.
Wilks, D.S. (2000). Diagnostic Verification of the Climate Prediction Center Long-Lead
Outlooks, 1995-98. J ournal of Climate, 13 (13), pp. 2389-2403.
Wilks, D.S. (1995). Statistical Methods in Atmospheric Sciences. Academic Press.
San Diego, CA.
Wilson, L.J . (2001). Verification of Precipitation Forecasts: A Survey of Methodology.
Part I: General Framework and Verification of Continuous Variables. WWRP/WMO Workshop on
the Verification of Quantitative Precipitation Forecasts, Praga.
Wilson, L.J ., W.R. Burrows y A. Lanzinger (1999). A strategy for verification of weather
element forecasts from an ensemble prediction system. Monthly Weather Review, 127,
pp. 956-970.
Winchell, M., V.H. Gupta y S. Sorooshian (1998). On the simulation of infiltration and
saturation excess runoff using radar-based rainfall estimates: Effects of algorithm uncertainty and
pixel aggregation. Water Resources Research, 34 (10), pp. 2655-2670.
Wjcik, R. y T.A. Buishand (2003). Simulation of 6-hourly rainfall and temperature by two
resampling schemes. J ournal of Hydrology, 273, pp. 69-80.
Wong, T.S.W. (2006). Physically based approach in Hydrology What is the benefit?.
J ournal of Hydrologic Engineering, 11 (4), pp. 293-295.

Pgina 268

Yapo P.O., H.V. Gupta, S. Sorooshian (1998). Multi-objective global optimization for
hydrologic models. J ournal of Hydrology, 204, pp. 83-97.
Yapo P.O., H.V. Gupta, S. Sorooshian (1996). Automatic calibration of conceptual rainfall-
runoff models: sensitivity to calibration data. J ournal of Hydrology, 181, pp. 23-48.
Young, P.C. (2002). Advances in real-time flood forecasting. Philosophical Transactions of
the Royal Society of London Series. A) Mathematical, physical and engineering sciences, 360,
pp. 1433-1450.
Zhang, H. y T. Casey (2000). Verification of categorical probability forecasts. Weather and
Forecasting, 15, pp. 80-89.
ANEJO 1. DESCRIPCIN DEL
MODELO SIMTORM
Anejo 1. Descripcin del modelo SimTorm

Pgina 271

1 INTRODUCCIN
El Simulador de Tormentas es una aplicacin cuyo objetivo es la generacin automtica
de episodios de lluvia artificiales. La base del funcionamiento interno del Simulador de
Tormentas se encuentra en el modelo de realidad artificial descrito a continuacin. En primer
lugar, se describe la estructura propuesta para el modelo de precipitacin como modelo estocstico
de generacin de tormentas, as como los mtodos de clculo que se pueden asociar a los
componentes, para luego explicar cmo se utiliza el programa.
2 DESCRIPCIN DEL MODELO DE PRECIPITACIN
El modelo se organiza como un conjunto de entidades espaciales generadoras de lluvia
(celdas o frentes) que se mueven sobre la topografa de la zona de acuerdo con la situacin
meteorolgica general. Cada entidad generadora de lluvia crea un campo de precipitacin en su
zona de influencia geogrfica, que se considera referido a un sistema de referencia local que se
mueve con el objeto. El campo de precipitacin general es la suma de las contribuciones de los
objetos generadores de lluvia.
El sistema tendr como entrada una lista de descriptores de la situacin meteorolgica
general (estado de humedad, energa potencial de conveccin disponible, etc.) y un mecanismo
sencillo para generar el campo de velocidades de la tormenta (desplazamiento, rotacin,
divergencia, etc.).
El modelo de generacin de precipitacin estar formado por una o varias entidades que
describen la situacin meteorolgica general (rea grande de mesoscala) y un conjunto de entidades
que generan lluvia (generadores de lluvia).
La tormenta mantiene una coleccin de entidades generadoras de lluvia, creadas
aleatoriamente, que siguen unas ecuaciones locales de evolucin. Cada intervalo de tiempo se
aplica un vector de avance (u, v, ) sobre dichas entidades para actualizar su posicin. Dichas
entidades generadoras de lluvia son de dos tipos:
- Elemento tipo celda (asociado a un punto).
- Elemento tipo frente (asociado a una lnea).
Las entidades generadoras de lluvia deben tener variantes en los que se introduzca
irregularidad y aleatoriedad, en dos vertientes:
- En su movimiento, mediante un movimiento browniano aadido al del marco general
de la tormenta.
- En la intensidad de lluvia, mediante la adicin de un ruido sin correlacin de
distribucin normal o uniforme (ruido blanco) .
Ambos ruidos se describen mediante la media y la varianza del proceso.
2.1. ELEMENTOS DESCRIPTIVOS DE LA TORMENTA
Los elementos descriptivos de la tormenta son las reas grandes de mesoscala (AGM), que
mantienen informacin sobre la situacin meteorolgica general. Contienen una serie de
parmetros descriptivos de la situacin meteorolgica general (descripcin del movimiento y

Pgina 272

parmetros de creacin de los objetos generadores de lluvia) y una coleccin de objetos
generadores de lluvia.
El objeto AGM debe crear los objetos generadores de lluvia y mandarles parmetros
correspondientes a la situacin meteorolgica para que ajusten su evolucin en consecuencia. En la
creacin se realiza un muestreo aleatorio de las funciones de distribucin de las variables que
intervienen, creando elementos generadores de lluvia de una poblacin de caractersticas
determinadas.
Las variables que describen la situacin meteorolgica son de cuatro tipos:
- Constantes: Valores uniformes en el espacio y constantes en el tiempo.
- Variables: Valores uniformes en el espacio, pero variables en el tiempo.
- Campos estticos: Valores distribuidos en el espacio, pero constantes en el tiempo.
- Campos dinmicos: Valores distribuidos en el espacio y variables en el tiempo.
El objeto AGM debe mantener la representacin de estas variables y obtener su evolucin
en el tiempo mediante las ecuaciones de estado o mediante lectura de ficheros de datos.
El rea grande de mesoscala se describe en un sistema de coordenadas locales, en un
mbito relativamente grande (por ejemplo, 100 x 100 km
2
). Los objetos generadores de lluvia se
desplazan en el sistema de coordenadas locales. Adems, el sistema de referencia se mueve de
acuerdo con la circulacin sinptica (con una velocidad constante de desplazamiento o giro, o con
un campo de velocidades tomado de un fichero).
En cada intervalo de tiempo, el objeto tormenta realiza tres actividades:
1. Actualizacin de las variables de estado meteorolgico, segn las ecuaciones de
evolucin de la tormenta.
2. Actualizacin del contenido de la lista de elementos generadores de lluvia y
actualizacin del estado de cada uno de ellos.
3. Actualizacin de las posiciones de los elementos generadores de lluvia.
2.2. CIRCULACIN SINPTICA
El objeto circulacin sinptica contiene las variables que describen el movimiento general
de la atmsfera. Su contenido consiste en la estructura de datos que permite calcular el movimiento
sinptico de los componentes de la fase atmosfrica. La circulacin sinptica obedece las
ecuaciones generales del movimiento de fluidos, que mediante la aproximacin geostrfica en dos
dimensiones resulta:
x
P
fv
y
1

y
P
fv
x
1

dnde:
f : parmetro de Coriolis (f = 2sen())
: velocidad de rotacin de la tierra
: latitud (a 45 de latitud es aproximadamente igual a 10
-4
s
-1
)

Pgina 273

v
x
y v
y
: componentes de la velocidad
: densidad del aire
P: presin atmosfrica.
A partir de estas ecuaciones, el viento geostrfico g V se puede definir como el producto
vectorial del gradiente de presiones por el vector unidad en la vertical y divido por el producto del
parmetro de Coriolis y la densidad del aire.
P
f
k V g =
1

El gradiente de presiones se obtiene a partir de las isobaras del mapa sinptico.
Esta relacin es aproximada y slo tiene carcter descriptivo del viento que puede
esperarse dado un mapa de isobaras determinado. La ecuacin no tiene carcter predictivo y, en
consecuencia, nicamente funcionar correctamente en situaciones sinpticas estacionarias.
Por ejemplo, en el caso ms sencillo se puede suponer que la circulacin consiste en un
giro a velocidad constante en torno a un centro de bajas presiones. En este caso, los parmetros del
movimiento son:
- Origen X de giro: Coordenada x
G
(UTM) del centro de giro del movimiento de la
tormenta.
- Origen Y de giro: Coordenada y
G
(UTM) del centro de giro del movimiento de la
tormenta.
- Velocidad de giro: Velocidad
G
de giro de la tormenta, que se obtiene a partir de la
expresin del viento geostrfico.
Sobre este giro ciclnico bsico se pueden superponer otros movimientos locales, que se
definen como velocidades radiales o tangenciales suplementarias.
COMPORTAMIENTO
- Variables de entrada:
Incremento de tiempo de clculo t (s)
- Variables de salida (para cada componente):
Orientacin de giro (rad)
Posicin del centro en el eje x (m en coordenadas utm)
Posicin del centro en el eje y (m en coordenadas utm)
- Inferencia:
Evolucin de posicin, que actualiza la posicin y orientacin de cada
componente.

Pgina 274

2.3. REA GRANDE DE MESOSCALA
El rea grande de mesoscala es una estructura espacial en la que se desarrolla una tormenta.
El mnimo contenido del objeto AGM es la lista de objetos generadores de lluvia y la descripcin
del movimiento general. Las distintas subclases de tormenta tendrn adems listas de variables de
estado, que definen la situacin meteorolgica general.
- Celdas: lista de objetos generadores de lluvia.
- Origen X de giro: Coordenada x (UTM) del centro de giro del movimiento de la
tormenta.
- Origen Y de giro: Coordenada y (UTM) del centro de giro del movimiento de la
tormenta.
- Velocidad de giro: Velocidad inicial de giro de la tormenta.
2.4. TORMENTA DE TIPO CONVECTIVO
La tormenta de tipo convectivo est compuesta por celdas de lluvia que se crean segn un
proceso aleatorio y se mueven describiendo un movimiento browniano (random walk). Las celdas
estn estructuradas en agrupaciones (clusters).
La tormenta de tipo convectivo ms sencilla es la compuesta por un grupo de celdas que se
van generando aleatoriamente a medida que avanza el episodio. El nacimiento de celdas sigue un
proceso espacial de Poisson de densidad celdas/km
2
con una distribucin exponencial en el
tiempo de parmetro celdas/h. El valor medio del nmero de celdas creadas en el intervalo t en
la regin xy viene dado por la expresin:
( ) t y x n = exp
Segn avanza la tormenta con el tiempo se van creando celdas. En cada t se crea un
nmero de celdas igual a
( ) t L L n
y x
= exp
dnde L
x
y L
y
son el tamao del rea grande de mesoscala donde se desarrolla la tormenta.
Si el emplazamiento de las celdas es aleatorio (no hay fenmenos de agrupacin), las
coordenadas del centro de cada celda referidas al sistema local del AGM se obtienen como
y c x c
L U Y L U X ) 5 . 0 , 5 . 0 ( ; ) 5 . 0 , 5 . 0 ( = =
dnde U(-0.5,0.5) es una muestra de una variable aleatoria distribuida uniformemente en el
intervalo [-0.5,0.5]. Se supone que el centro del AGM ocupa coordenadas locales (0,0).
Las caractersticas de cada celda creada se obtienen a partir de las variables de estado de la
tormenta, que evolucionan siguiendo su ciclo vital. Las variables de una tormenta de tipo
convectivo pueden ser, por ejemplo:
- Tamao caracterstico de las celdas R
0
: medida cualitativa de la zona de influencia de
la celda.

Pgina 275

- Intensidad caracterstica de las celdas I
0
: Valor de la intensidad en el centro de la celda
al comienzo de su ciclo de vida.
- Duracin caracterstica de las celdas T
0
: medida cualitativa de la vida media de las
celdas, puesto que la lluvia total depositada en el centro de la celda es de I
0
T
0
.
Los valores concretos de cada variable, para cada una de las celdas, se obtienen suponiendo
que siguen una distribucin determinada y realizando un muestreo de cada variable. Hay algunos
argumentos tericos que soportan la hiptesis de que el inverso del tamao caracterstico de las
celdas elevado al cuadrado (1/R
0
2
) se comporta como una distribucin gamma y que la intensidad
caracterstica I
0
se comporta como una exponencial. Desde el punto de vista de la construccin del
modelo, lo ms prctico es dejar abierto el tipo de distribucin desde el que se muestrea,
proporcionando varias opciones al usuario. La funcin de distribucin gamma es excesivamente
compleja (depende de dos parmetros), por lo que conviene ceirse a la funcin exponencial (1
parmetro: la media).
CONTENIDO
El contenido del objeto tormenta de tipo convectivo es:
Variables de estado:
- Celdas: una lista de celdas. Las celdas son entidades que evolucionan segn sus
ecuaciones propias. Todas ellas tienen el mismo comportamiento externo (devuelven la
intensidad de lluvia generada en cada punto del plano).
- Tamao caracterstico: tamao de las celdas, R
0
(km).
- Intensidad caracterstica: valor medio del mximo de intensidad de lluvia de las celdas,
I
0
(mm/h).
- Duracin caracterstica: valor medio de la escala de tiempos de disminucin de la
intensidad de lluvia de las celdas, T
0
(h).
- Intensidad de base : intensidad de lluvia en la zona no ocupada por celdas i
b
(mm/h).
Parmetros:
- Tasa: tasa de creacin de celdas por unidad de tiempo, en celdas/h (valor por omisin,
10 celdas/h).
- Densidad: tasa de creacin de celdas por unidad de superficie, en celdas/km
2
(valor por
omisin, 0,010 celdas/km
2
).
- Tamao caracterstico medio: valor medio del tamao de las celdas, R
0
(valor por
omisin, 20 km).
- Intensidad caracterstica media: valor medio del mximo de intensidad de lluvia de las
celdas, I
0
(Valor por omisin, 50 mm/h).
- Duracin caracterstica media: valor medio de la escala de tiempos de disminucin de
la intensidad de lluvia de las celdas, T
0
(Valor por omisin, 4 h).
- Intensidad de base media: intensidad de lluvia en la zona no ocupada por celdas i
b

(Valor por omisin, 0.2 mm/h).


Pgina 276

COMPORTAMIENTO
La funcin del objeto tormenta de tipo convectivo es:
- Evolucin de Estado( t), que actualiza las variables de estado del objeto. Realiza tres
actividades:
Evolucin de estado de los indicadores de la tormenta.
Creacin de celdas.
Evolucin de estado de cada una de las celdas componentes de la tormenta.
- Creacin Celda, que crea celdas segn distintas funciones de distribucin. Las
funciones ms utilizadas son la exponencial para la creacin en el tiempo y la de
Poisson.
2.5. AREA PEQUEA DE MESOSCALA
El modelo de reas pequeas de mesoscala es muy similar al modelo global descrito hasta
ahora, con la diferencia de que permite a las celdas agruparse en cmulos (clusters), que son zonas
en las que la probabilidad de nacimiento de celdas es mayor. El rea grande de mesoscala contiene,
en lugar de celdas, cmulos de celdas, denominados reas pequeas de mesoscala (APM). Estas
reas estn distribuidas en el territorio del AGM segn un proceso espacial de Poisson de parmetro
C
(clusters/km
2
). Cada una de las reas pequeas de mesoscala se comporta como un rea grande,
con la nica diferencia de que la creacin de celdas se realiza concentrada en torno al centro del
APM.
El punto de creacin (x,y) sigue una distribucin normal en dos dimensiones:
f x y
x y
x y x y
2
2
2
2
2
1
2
1
2 2
( , ) exp =

CONTENIDO
El contenido del objeto tormenta de tipo convectivo es:
- Celdas: una lista de celdas. Las celdas son entidades que evolucionan segn sus
ecuaciones propias. Todas ellas deben tener el mismo comportamiento externo.
- Tasa: tasa de creacin de celdas por unidad de tiempo, b (valor por omisin, 0.4
celdas/hora).
- Tamao x del cluster: valor medio del tamao caracterstico del cluster de celdas en la
direccin x,
x
(valor por omisin, 20.0 km) .
- Tamao y del cluster: valor medio del tamao caracterstico del cluster de celdas en la
direccin y,
y
(valor por omisin, 20.0 km).
- Densidad de celdas: valor medio del nmero de celdas por km2,
L
(valor por
omisin, 0.005 celdas/km
2
).

Pgina 277

- Tamao caracterstico: valor medio de tamao de las celdas, R
0
(valor por omisin,
2.0 km).
- Intensidad caracterstica: valor medio del mximo de intensidad de lluvia de las celdas,
I
0
(Valor por omisin, 50 mm/h).
- Duracin caracterstica: valor medio de la escala de tiempos de disminucin de la
intensidad de lluvia de las celdas, T
0
(Valor por omisin, 0,5 h).
- Intensidad de base : intensidad de lluvia en la zona no ocupada por celdas i
b
(Valor por
omisin, 0.4 mm/h).
2.6. TORMENTA DE TIPO FRONTAL
La tormenta de tipo frontal est compuesta por un sistema frontal que se desplaza dejando
precipitacin en su camino.
CONTENIDO
El contenido del objeto Tormenta de tipo frontal es:
- Frente: El sistema frontal evoluciona segn sus ecuaciones propias. La tormenta
mantiene informacin acerca de su posicin y movimiento.
COMPORTAMIENTO
La funcin del objeto tormenta de tipo convectivo es:
- Evolucin de Estado (argumento: doble t), que actualiza las variables de estado del
objeto.
2.7. ELEMENTOS DE GENERACIN DE LLUVIA
Los elementos de generacin de lluvia son objetos a los que se asocia una distribucin de
intensidad de precipitacin que vara en el tiempo. Se puede plantear una jerarqua de objetos en la
que los componentes en distintos niveles tengan propiedades variables. Los objetos ms complejos
estarn situados al final de la jerarqua.
GENERADOR DE LLUVIA
Contenido
El mnimo contenido del objeto es su punto de referencia
- Doble X
c
: coordenada x del punto de referencia.
- Doble Y
c
: coordenada y del punto de referencia.
- Doble : ngulo de orientacin del objeto.
Comportamiento
El mnimo comportamiento externo que debe tener el objeto generador de lluvia consiste
en las siguientes funciones:
- Evolucin de Estado (t), que actualiza las variables de estado del objeto. Por omisin
actualiza la posicin del centro del objeto.

Pgina 278

- Intensidad de Lluvia (x, y, t), que devuelve la intensidad de lluvia para un punto de
coordenadas (x,y) en el sistema del rea de mesoscala en el instante de tiempo t. Por
omisin devuelve cero.
LLUVIA UNIFORME CONSTANTE
El objeto lluvia uniforme genera una intensidad de lluvia I
0
uniformemente distribuida en
el espacio y en el tiempo. La lluvia uniforme abarca desde el instante de creacin hasta la duracin
de la celda y desde el centro de la celda hasta su radio. Para representar mejor la variabilidad
espacial de la lluvia se aade un ruido no correlado, mediante un valor medio , expresado en tanto
por uno respecto de la intensidad de lluvia I
0
. El valor del ruido multiplicando una muestra tomada
de una distribucin uniforme en el intervalo [-0.5, 0.5] por el valor medio del ruido .
La celda se mueve siguiendo un paseo aleatorio, con un desplazamiento medio D en cada
direccin. La nueva posicin de la celda en cada incremento de tiempo se obtiene aadiendo un
desplazamiento aleatorio a la posicin en cada coordenada, que se obtiene multiplicando una
muestra tomada de una distribucin uniforme en el intervalo [-0.5, 0.5] por el valor medio del
desplazamiento D.
- Posicin del centro de la celda en el eje x, X
c
, en coordenadas locales.
- Posicin del centro de la celda en el eje y, Yc, en coordenadas locales.
Parmetros:
- Creacin
0
: instante de creacin.
- Tamao R
0
: radio de la celda.
- Intensidad I
0
: intensidad de referencia.
- Duracin T
0
: duracin de la celda.
- Valor medio del ruido aleatorio , expresado en tanto por uno de I
0
.
- Valor medio del desplazamiento browniano, D.
Evolucin Estado(t):
- X
Ci
= X
Ci-1
+ U(-0.5,0.5) * D
- Y
Ci
= Y
Ci-1
+ U(-0.5,0.5) * D
Intensidad de lluvia(x, y):
- ( ) ( )
2 2
C C
Y y X x r + =
- I = I
0
+ U(-0.5,0.5) * si
0
< t <
0
+T
0
y r < R
0

- I = 0 en caso contrario
CELDA EXPONENCIAL
La celda exponencial es un objeto circular de tamao constante. La intensidad de lluvia
vara en el espacio y el tiempo. La variacin de la intensidad de lluvia es funcin de la distancia al

Pgina 279

centro r y del instante de creacin de la celda
0
, segn una curva Gaussiana de media 0 y
desviacin tpica R
0
(el tamao de referencia).
( ) ) , , (
0
) , (
2
2
1
max
t y x
R
r
t
I
t r I
e
+
=

dnde:
- r: Distancia del punto de referencia al centro de la celda.
-
0
: Instante de creacin de la celda.
- I
max
: Intensidad de lluvia en el centro.
- (x,y,t): Ruido aleatorio sin correlacin, que se obtiene de manera anloga al caso
anterior.
La intensidad de lluvia en el centro se calcula segn una ecuacin de evolucin local. Se
puede adoptar, por ejemplo, la distribucin exponencial:
( )
e
T
t
I
t
I
0
0
0 max

= si t>
I
max
(t) = 0 si t<
dnde T
0
es la escala de tiempos de la duracin de la celda.
- Intensidad central I
max
: Intensidad de lluvia en el punto central, que es funcin del
tiempo (mm/h).
- Posicin del centro de la celda en el eje x, X
C
- Posicin del centro de la celda en el eje y, Y
C
Parmetros:
- Creacin
0
: instante de creacin .
- Tamao R
0
: tamao de la celda.
- Intensidad I
0
: intensidad de lluvia mxima en el centro de la celda en el instante de la
creacin.
- Duracin T
0
: escala de tiempos de duracin de la celda.
- Valor medio del ruido aleatorio , expresado en tanto por uno de I
max
.
- Valor medio del desplazamiento browniano, D.
Evolucin Estado(t):
- ( ) ( )
0
1 max max
T
t
i i
e I I
=
- X
Ci
= X
Ci-1
+ U(-0.5,0.5) * D
- Y
Ci
= Y
Ci-1
+ U(-0.5,0.5) * D

Pgina 280

Intensidad de lluvia(x, y):
- ( ) ( )
2 2
C C
Y y X x r + =
- ( ) + =

5 . 0 , 5 . 0
2
0
2
1
max
U e I I
R
r

3 VARIACIONES DEL MODELO TERICO PARA
OBTENER UN MEJOR AJUSTE A LA REALIDAD
El modelo introduce una serie de variaciones sobre el modelo terico para conseguir
episodios sintticos de lluvia con caractersticas similares a una lluvia real.
3.1. NMERO DE CELDAS CREADAS EN UNIDAD DE TIEMPO.
La funcin que da en cada paso de tiempo del modelo el nmero de celdas nuevas que se
crearn, sigue una distribucin de Poisson de probabilidad decreciente exponencialmente con el
tiempo, segn el modelo terico. En la programacin del modelo se ha aadido o cambiado el
modelo terico dando al valor medio de celdas creadas una distribucin con mayor aleatoriedad en
el tiempo. Esta funcin de filtro es una variacin de la Normal que depende de un nmero aleatorio
uniforme y del valor medio dado por la exponencial de origen, el cambio de una a otra puede verse
mejor en las Figuras 1 y 2, que muestran la comparacin entre la frmula del modelo y dos posibles
resultados del filtro.
Comparacin serie original y filtrada
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 10 20 30 40 50 60
Duracin
v
a
l
o
r

m
e
d
i
o

d
e
l

n

d
e

c
e
l
d
a
s

c
r
e
a
d
a
s
Filtrada
Original exp

Figura 1. Comparacin entre la funcin del modelo y la programada (filtrada) para el nmero medio de celdas
creadas en cada paso de tiempo.
Sobre el valor medio de celdas creadas en cada instante, dado por la funcin representada
en las grficas, se genera una distribucin de Poisson sobre la que finalmente se muestrea un valor
final del nmero de celdas creadas en ese instante.

Pgina 281

Comparacin serie original y filtrada
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 10 20 30 40 50 60
Duracin
v
a
l
o
r

m
e
d
i
o

d
e
l

n

d
e

c
e
l
d
a
s

c
r
e
a
d
a
s
Filtrada
Original exp

Figura 2. Comparacin entre la funcin del modelo y la programada (filtrada) para el nmero medio de celdas
creadas en cada paso de tiempo.
El cambio o filtro aadido aporta mucha ms verosimilitud a los episodios generados que
pueden tener varias crestas o puntas de creacin de celdas en vez del decrecimiento exponencial
que generaba la funcin original.
4 ESQUEMA DE FUNCIONAMIENTO DEL MODELO

Figura 3. Esquema de funcionamiento del generador estocstico de lluvia.


Pgina 282

Figura 4. Esquema de los tipos de funciones de generacin de lluvia utilizadas por el simulador.
5 DESCRIPCIN DEL FUNCIONAMIENTO DEL MODELO
DE GENERACIN DE LLUVIA SIMTORM
5.1. VENTANAS
El programa es de muy fcil uso. Existe una ventana contenedor o principal, que contiene a
la aplicacin en s, dentro de este contenedor existen slo 3 posibles ventanas:
1) La ventana principal del programa que, en realidad, est formada por dos subventanas.
Una que de ellas hace de contenedor y es la que contiene el men General y
Acerca_de. La otra ventana est contenida en la anterior y en ella se encuentran los
parmetros de ajuste de la tormenta, as como los botones de inicio y pausa y la
presentacin grfica del movimiento de las celdas. A la derecha tiene unas pestaas
que permiten el ajuste de los valores del modelo. Pueden realizarse varias simulaciones
seguidas en esta misma ventana.

Pgina 283

En la ventana principal, se encuentra un gran cuadro blanco, que es donde se
representan las celdas de lluvia en tiempo de ejecucin siempre que este activada una
de las dos opciones grficas. En esta ventana es donde se pueden ajustar los parmetros
del modelo de generacin de lluvias como se explicar mas adelante.

Figura 5. Vista de la ventana principal
2) La ventana de caractersticas de celda. En ella se muestran las caractersticas de una
celda seleccionada. Para seleccionar una celda se debe pulsar el botn derecho del
ratn cuando el puntero est sobre dicha celda, adems debe estar activada la opcin de
grficos (VECTORIAL o EN MALLA).

Figura 4. Ventana de ajuste de celdas

Pgina 284

Los dos grficos que aparecen en la ventana de celdas son, uno con la forma de la
celda en planta y otro con un corte transversal por el eje mximo de la funcin de
intensidad de lluvia.
3) La ventana Guardar como, para guardar en disco el fichero de lluvias generado. Debe
prestarse mucha atencin en este apartado, ya que si se guarda con el mismo nombre
que otro fichero existente lo sustituir.

Figura 5. Ventana para guardar el episodio generado
La aplicacin Simtorm necesita, para la introduccin de los datos X e Y coordenadas de
los pluvimetros, que se instale en el disco duro el programa Visor Central, para la visualizacin
y manejo del entorno SAIH.

Figura 6. Ventana de seleccin del episodio origen de datos de pluvimetros

Pgina 285

Esta aplicacin es arrancada automticamente al ejecutar el SimTorm, pero la ventana
estar minimizada. Al pulsar el botn Selecciona episodio, se pasar directamente a esta ventana
y adems aparecer otra ventana de seleccin de archivos (figura 6), en la que se debe escoger un
fichero de tipo episodio, que servir para introducir las coordenadas y nombres de los
pluvimetros.
5.2. EJECUCIN DEL SIMULADOR DE TORMENTAS
La forma ms sencilla de aprender el manejo del programa es realizando un ejemplo de
simulacin paso por paso, ya que de est forma se da un repaso completo a las operaciones que son
necesarias para poner en marcha el modelo.
Paso 1. Ejecutar programa
Ejecutar el simulador de tormentas, que a su vez arranca automticamente el Visor Central
de episodios que queda minimizado en la barra de estado. Aparece entonces la siguiente pantalla:

Figura 7. Ventana principal
Paso 2. Ajuste de parmetros de tormenta
Se ajustan los parmetros de la tormenta, escribiendo los valores deseados directamente en
las zonas de texto de la lengeta Tormenta. Todos los valores menos dos, que son, la duracin
total de la tormenta y el intervalo de tiempo de muestreo, pueden cambiarse en tiempo de ejecucin
del programa.
- n de celdas activas: Campo activo nicamente durante la ejecucin de un episodio
sinttico. Indica el nmero de celdas que se encuentran activas en el intervalo de
clculo actual.
- Duracin tormenta (h): Duracin total del episodio sinttico de lluvia, a partir de la
cual no se crearn ms celdas nuevas.
- Tasa de celdas/km
2
y Tasa de celdas/h: Parmetros que determinan el nmero
medio de celdas que se crean en cada intervalo de clculo.

Pgina 286

- Intervalo de muestreo de datos (h): Duracin del intervalo de clculo. En el caso de
la Figura 8, 30 minutos.
- Intensidad de base: Intensidad de lluvia que se aplicar aleatoriamente a los puntos
que no caigan dentro de una celda.
- Coordenadas extremas: Son los dos puntos opuestos del rectngulo que engloba la
cuenca de estudio. En la siguiente tabla se dan los valores seleccionados para algunas
cuencas, en coordenadas UTM.

Figura 8. Pestaa de parmetros de la tormenta
Cuenca Xmin Xmax Ymin Ymax
Jcar 499.900 838.900 4.205.900 4.546.900
Sur 296.900 450.700 4.011.900 4.151.700
Segura 499.900 714.100 4.149.900 4.318.100
Manzanares 412.140 456.140 4.453.646 4.519.646
Tabla 1. Coordenadas extremas
- El ltimo campo de la pestaa Tormenta, permite seleccionar el tipo de presentacin
de los datos en pantalla.
Paso 3. Ajuste de parmetros de borrasca
El programa da unos valores por defecto a las coordenadas del centro de la borrasca y giro
de la borrasca, pero si se desea poner otros deben introducirse escribindolos directamente en la
lengeta de Borrasca (Figura 9). Estos cambios tambin se podran hacer en tiempo de ejecucin.

Pgina 287

Estos parmetros sirven para definir el movimiento general de las celdas durante un
episodio de lluvia. Para dar ms realismo a la simulacin, este movimiento est afectado por una
variable aleatoria.
Paso 4. Ajuste de parmetros de celdas
La tercera lengeta, Celdas, recoge las caractersticas generales de las celdas nuevas que
se crearn durante la ejecucin del programa, al igual que en los pasos anteriores, por defecto
vienen todos los campos con unos valores, que se pueden cambiar antes de empezar, o durante la
ejecucin (Figura 10).
Una de las variables ms importantes es la intensidad de celda que viene dada en
milmetros de lluvia partido por la unidad de tiempo seleccionada en la lengeta Tormenta. Hay
que tener en cuenta que la distribucin de intensidades mximas de las celdas sigue una
distribucin exponencial, por lo que este valor ser el mximo y no la media. Adems, en la
simulacin las celdas pueden sobreponerse, por lo que los valores de intensidad que resultan de la
suma de los individuales en cada celda, pueden ser mayores.

Figura 9. Pestaa de introduccin de datos de borrasca
Los campos que se encuentran en la pestaa Celdas son los siguientes:
- Ruido activo/desactivo: Determina si se aplica o no un ruido blanco aleatorio al valor
de lluvia. Este ruido tiene una magnitud media dada en porcentaje respecto al valor
mximo de la intensidad de cada celda.
- Intensidad Celda: Indica el valor mximo que puede tomar la intensidad de lluvia de
una nueva celda creada (mm / intervalo de clculo).
- Duracin Celda (h): Indica la duracin media o tiempo de vida medio de las nuevas
celdas creadas.

Pgina 288

- Distribucin de lluvia espacial: Permite seleccionar el tipo de funcin que determina
la intensidad de lluvia en un punto (x,y) localizado en el interior de una celda, a partir
de la intensidad mxima en el centro de dicha celda.
- Distribucin de lluvia temporal: Permite seleccionar el tipo de funcin que determina
la variacin de la intensidad mxima de la celda en funcin del paso del tiempo.
- Tamao de celda: Determina el tamao caracterstico del semieje mayor de las celdas
(km).

Figura 10. Pestaa de parmetros de las celdas creadas
Paso 5. Seleccin de pluvimetros de muestreo
Una vez que hemos seleccionado los parmetros del modelo con los valores deseados
pulsamos el botn Seleccionar puntos de dato de un episodio (arriba a la izquierda de la ventana
principal): Se abre entonces la ventana (que estaba minimizada) del Visor Central y dentro de
esta ventana otra ms de seleccin de ficheros, en la que debemos buscar un fichero de episodio
que contenga los pluvimetros de la cuenca de trabajo (Figura 11).
El visor Central reconoce si se trata de un fichero vlido o no, por lo que solamente se
podr seleccionar un fichero de episodio con formato SAIH.
Cuando se haya seleccionado hay que pulsar en Aceptar y despus maximizar o restaurar la
ventana del Simulador de Tormentas que se encuentra minimizada en la lengeta de la barra de
estado de Windows (normalmente en la parte baja de la pantalla).

Pgina 289

Figura 11. Vista de la ventana de pluvimetros de muestreo
Paso 6. Comienza la simulacin
En este momento ya podemos ejecutar una simulacin de tormenta dando al botn Avance:

Paso 7. Cambios en tiempo de ejecucin
En tiempo de ejecucin podemos cambiar la forma de presentacin de las celdas tal como
se ve en las Figuras 12 y 13. En la Figura 12 puede verse la presentacin de la tormenta en forma
de malla y en la Figura 13 en forma vectorial.

Figura 12. Vista de una simulacin con representacin tipo MALLA

Pgina 290

Existe la posibilidad de ver la poligonal de la cuenca sobre el visor durante el tiempo de
ejecucin, para ello basta con pulsar el botn Dibuja Cuenca y seleccionar el archivo que
contiene los datos de la poligonal de la cuenca. Esta opcin est desaconsejada en todos los casos
pues ralentiza muchsimo el tiempo de renovacin de la pantalla y por lo tanto el tiempo total para
la simulacin del episodio.
A este respecto conviene saber que la mejor opcin es la de ejecutar el simulador es en la
opcin SIN DIBUJO, que es mucho ms rpida que ninguna otra. La visin de las celdas bien en
formato vectorial o en malla, supone mayor esfuerzo computacional y no aporta mayores ventajas
al resultado final.

Figura 13. Vista de una simulacin con representacin tipo VECTORIAL
Por otra parte si queremos ver o modificar las caractersticas de una determinada celda
hacemos un click de ratn cuando el puntero est situado encima de ella: Aparece entonces la
ventana de caractersticas de celda. En este caso debemos estar en uno de los dos tipos de
presentacin en tiempo real bien VECTORIAL o EN MALLA.
Paso 8. Guardar episodio simulado
Cuando sobre la parte alta del contenedor aparece la frase: FIN DE TORMENTA el
programa ha terminado la simulacin y pulsando el botn Salir, aparece una ventana en la que
debemos guardar, con un nombre, el fichero de episodio generado.
Si durante la ejecucin de la simulacin, es decir, en tiempo de ejecucin, le damos al
botn Salir, tambin nos aparecer la misma ventana de Guardar como, pero el numero de
intervalos de la serie ser el que tenga en el momento de la cancelacin.
Es muy importante tener en cuenta que el nombre del fichero que utilicemos debe ser nico
y no estar repetido en el directorio destino, ya que, en caso de coincidir se borrarn los datos
anteriores y almacenar el nuevo fichero con los datos actuales

Pgina 291

Figura 14. Ventana Guardar como


Pgina 292

ANEJO 2. DESCRIPCIN DEL
MODELO HIDROLGICO
DISTRIBUIDO RIBS
Anejo 2. Descripcin del modelo hidrolgico distribuido RIBS

Pgina 295

1 INTRODUCCIN
En el presente apndice se describe el entorno de simulacin utilizado para evaluar la
respuesta de la cuenca ante un determinado episodio de lluvia, ya sea real o simulado. El entorno
de simulacin se denomina RIBS (Real-time Interactive Basin Simulator). RIBS consiste en una
coleccin de clases predefinidas que se utilizan para implementar modelos hidrolgicos
distribuidos de distintos tipos.
RIBS se ha utilizado para implementar el modelo DBSIM (Distributed Basin Simulator).
DBSIM es un modelo de respuesta de cuenca en avenidas que opera de forma distribuida sobre una
representacin en cuadrcula de la cuenca, basada en un modelo digital del terreno de estructura
matricial. DBSIM aplica un modelo cinemtico de infiltracin y un modelo de propagacin de la
escorrenta basado en el concepto de hidrograma unitario distribuido.
En este apndice se presenta la formulacin del modelo DBSIM. En la presentacin se sigue
un ejemplo de ejecucin, para facilitar la comprensin y poder percibir con ms claridad el
funcionamiento del modelo.
2 MODELO DE SIMULACIN DBSIM
DBSIM (Distributed Basin Simulator) es un modelo distribuido de respuesta de cuenca
concebido para su aplicacin en tiempo real en cuencas de tamao mediano. El modelo sigue la
estructura de la cuadrcula de un modelo digital del terreno en forma matricial. Los datos se
almacenan en capas de informacin de tipo rster, que se combinan adecuadamente para obtener
los parmetros de clculo del modelo.
DBSIM incorpora una parametrizacin fsicamente basada del proceso de generacin de
escorrenta, a la vez que mantiene una eficiencia de clculo que permite su uso para previsin de
avenidas en tiempo real en cuencas representadas mediante un gran nmero de elementos.
El modelo DBSIM est compuesto de dos mdulos fundamentales:
- Mdulo de generacin de escorrenta.
- Mdulo de propagacin de escorrenta.
A continuacin se presentan los fundamentos bsicos de estos dos componentes.
2.1. MDULO DE GENERACIN DE ESCORRENTA
La finalidad del mdulo de generacin de escorrenta de DBSIM es obtener la distribucin
espacial de la capacidad de infiltracin en la cuenca para representar la evolucin de las superficies
saturadas durante un episodio lluvioso. La saturacin se desarrolla fundamentalmente en dos zonas:
- En las inmediaciones de las corrientes de agua y en las zonas de convergencia del flujo
subsuperficial.
- En las zonas donde la intensidad de precipitacin excede la capacidad de infiltracin
del terreno.

Pgina 296

La formulacin del modelo de generacin de escorrenta de DBSIM incorpora estas dos
modalidades de generacin de escorrenta: por retorno del flujo subsuperficial y por superacin de
la capacidad de infiltracin.
2.1.1 EL MODELO CINEMTICO DE INFILTRACIN
El modelo de infiltracin de DBSIM est basado en la aproximacin cinemtica de la
infiltracin.
Representacin del terreno
La cuenca se representa siguiendo la cuadrcula rectangular del modelo digital del terreno.
Cada nudo de la cuadrcula representa a una columna de suelo de pendiente uniforme . En la
Figura 1 se presenta la distribucin de pendientes en la zona de ejemplo, mediante un cdigo de
colores que se aplica a la representacin tridimensional de la topografa de la cuenca.

Figura 1. Distribucin de pendientes en la cuenca (en tanto por uno)
El flujo de la humedad en cada elemento de la cuadrcula se analiza en un plano
perpendicular a la superficie del terreno, siguiendo la lnea de mxima pendiente. El sistema de
coordenadas de referencia sigue la lnea de mxima pendiente (eje p, paralelo al terreno, con la
direccin positiva hacia abajo) y su perpendicular (eje n, normal al terreno, con la direccin
positiva hacia adentro).
Se considera que el suelo es anistropo, con un coeficiente de anisotropa a
r
. Las
direcciones principales de anisotropa son paralelas a los ejes del sistema local de coordenadas, de
manera que K
p
=a
r
K, donde K
p
es la conductividad hidrulica en la direccin paralela al terreno y
K en la direccin normal. Se supone que el suelo se puede representar adecuadamente mediante la
parametrizacin de Brooks-Corey. Se supone tambin que la conductividad hidrulica saturada
disminuye en profundidad siguiendo una ley exponencial con parmetro f, desde un valor K
0
sat
en

Pgina 297

la superficie. Mediante esta parametrizacin se puede representar una gran variedad de suelos,
especialmente aqullos en los que los efectos de la compactacin en capas sean importantes.
Los frentes de infiltracin
En la aproximacin cinemtica se desprecia el gradiente de presiones capilares, por lo que
el movimiento del agua est dominado por las fuerzas gravitacionales, sin efectos de difusin de la
humedad. En estas condiciones, el frente de humedad es una discontinuidad brusca que separa dos
reas con distinto contenido de humedad. En la superior se encuentra la onda de humedad de la
tormenta, mientras que en la inferior se mantiene la humedad inicial del suelo.
Por encima del frente, para una intensidad de lluvia constante R inferior a la capacidad de
infiltracin del suelo, el flujo de humedad en la direccin normal, q
n
, es Rcos(). Aplicando la ley
de Darcy, y teniendo en cuenta que nicamente acta el gradiente gravitacional, (cos()):
q
n
= K(,n)cos()= Rcos()

Por tanto, K(,n), la conductividad hidrulica normal a la profundidad n correspondiente a
un contenido de humedad , es igual a la intensidad de lluvia R. Esta relacin define el perfil de
humedad por encima del frente de infiltracin, como se aprecia en la Figura 2.

Figura 2. Perfil de humedad en la columna de suelo
La disminucin de la conductividad hidrulica en profundidad puede conducir al desarrollo
de una zona colgada de saturacin, dado que el contenido de humedad (n) debe crecer en
profundidad para mantener conductividad hidrulica uniforme y permitir que se mantenga un flujo
de humedad constante a lo largo del perfil. A medida que el frente de infiltracin progresa hacia
abajo, puede alcanzar el nivel al cual el flujo de humedad iguala a la conductividad hidrulica
saturada, (n)=
sat
, donde
sat
es el contenido de humedad en saturacin. A partir de ese punto, se
desarrolla una zona colgada de saturacin, delimitada por el frente de infiltracin en la parte
inferior y por un frente superior, que marca otra discontinuidad brusca en el perfil de humedad del
suelo. El contenido total de humedad del suelo por encima del frente de infiltracin (M
t
), se divide

Pgina 298

en un rea saturada, con contenido de humedad M
s
y un rea no saturada, con contenido de
humedad M
u
. La Figura 3 presenta un ejemplo de columna de suelo con saturacin colgada.

Figura 3. Perfil de humedad con saturacin colgada
Por encima del frente superior, la infiltracin no saturada evoluciona de acuerdo con la
ecuacin anterior. Entre los dos frentes, el perfil de humedad est saturado, y el flujo q
nSat
es igual
a la media armnica entre las conductividades hidrulicas saturadas en ambos frentes, multiplicado
por el factor cos(). Por debajo del frente de infiltracin el perfil de humedad
i
(n) es igual al del
estado inicial antes del comienzo de la tormenta. Segn la aproximacin cinemtica, este perfil de
humedad es equivalente a una recarga constante de valor R
i
cos(), donde R
i
es un parmetro que
caracteriza el perfil de humedad inicial.
El modelo cinemtico se define para una intensidad de lluvia constante. Las intensidades de
lluvia variables que se presentan en la realidad se tratan suponiendo que la humedad se redistribuye
en el perfil para establecer un flujo de infiltracin uniforme. En consecuencia, slo se propaga una
onda de humedad en cada tormenta. Para representarla se utiliza una intensidad de lluvia
equivalente (Re), que se define como la intensidad de lluvia uniforme que conducira al mismo
contenido de humedad en la parte no saturada del perfil.
Ecuaciones de evolucin
El perfil de humedad se define mediante tres variables de estado: la profundidad del frente
de infiltracin (N
f
), la profundidad del frente superior (N
t
) y el contenido de humedad por encima
del frente de infiltracin (M
t
). La evolucin de la columna de suelo est gobernada por un sistema
de ecuaciones diferenciales de primer orden en estas tres variables. En condiciones no saturadas, la
posicin del frente de infiltracin y el frente superior coinciden, y su evolucin est descrita por:
dN
f
dt
=
dN
t
dt
=
R
e
R
i
( )
cos()
(R
e
,N
f
) (R
i
, N
f
)


Pgina 299

Una vez que se ha desarrollado la saturacin colgada, los frentes se separan, y su evolucin
est descrita por ecuaciones separadas:
dN
f
dt
=
q
nSat
R
i
cos()
s
(R
i
, N
f
)

dN
t
dt
=
q
nSat
R
e
cos()
s
(R
e
, N
f
)

Figura 4. Profundidad del frente de infiltracin
La ecuacin de evolucin de la tercera variable de estado (M
t
), se obtiene aplicando un
balance global de masa en la columna de suelo:
dM
t
dt
=
dN
f
dt
(R
i
, N
f
)+ I +
Q
in
Q
out
A

El primer trmino de la ecuacin corresponde al incremento de humedad debido al
desplazamiento vertical del frente de infiltracin. El segundo trmino representa la infiltracin en la
superficie (I), que se describe ms adelante. El ltimo trmino corresponde al balance neto del flujo
lateral entre elementos de la cuadrcula, normalizado por el rea del elemento (A), que se describe a
continuacin.
Como ejemplo de funcionamiento del modelo, se presenta la situacin del frente de
infiltracin en un paso intermedio de la simulacin en la Figura 4. En la Figura 5 puede apreciarse
la distribucin en el espacio de la zona saturada.


Pgina 300

Figura 5. Espesor de la zona saturada
2.1.2 TRANSFERENCIA LATERAL DE HUMEDAD ENTRE ELEMENTOS
En el modelo DBSIM se consideran dos tipos de transferencias laterales de humedad entre
elementos:
- Flujo local: el flujo lateral que resulta del modelo cinemtico de infiltracin para un
terreno homogneo y uniforme.
- Flujo de interaccin: el flujo lateral que resulta de los gradientes de humedad que se
establecen entre elementos heterogneos en condiciones diferentes.
Estos dos tipos de flujo se tienen en cuenta de manera simplificada.
Flujo local
El flujo local a travs del extremo de aguas abajo del elemento (Q
loc
), se obtiene integrando
el componente horizontal del flujo de infiltracin a lo largo del perfil. La expresin que resulta se
aplica para evaluar el flujo lateral que sale de todos los elementos de la cuenca en la direccin de
mxima pendiente. Los flujos de entrada a un elemento determinado se obtienen sumando los
flujos de salida de los elementos situados directamente aguas arriba de l. Este mecanismo tiene en
cuenta de manera explcita el papel que juega la topografa en la generacin de escorrenta, puesto
que va concentrando el flujo en las zonas de convergencia topogrfica, acumulando la humedad en
dichas zonas y facilitando la aparicin de zonas saturadas en los puntos de mayor convergencia de
flujo.
Flujo de interaccin
Al flujo local se superpone un mecanismo difusivo que extiende lateralmente la humedad
desde las zonas que estn saturadas a aqullas que no lo estn. Estos flujos laterales estn

Pgina 301

controlados por los gradientes laterales de presiones, que se tienen en cuenta en DBSIM mediante
un procedimiento simplificado. Se considera que las ecuaciones que describen la infiltracin y el
perfil de humedad son vlidas para el punto central de cada celda de la cuadrcula. En
consecuencia, el modelo de infiltracin proporciona una estimacin de la distribucin de presiones
intersticiales a lo largo del eje de la celda. Los flujos de interaccin se calculan a partir de los
gradientes de presiones entre celdas contiguas.
Para ello se considera una pendiente media entre cada dos celdas adyacentes. El gradiente
lateral J
x
(z) entre dos celdas contiguas viene dado por:
J
x
(z) =
(z)
x
=
2
(z)
1
(z)
x
2
x
1

donde representa la presin intersticial, z es la profundidad en vertical y x la distancia en
horizontal. El flujo lateral se obtiene aplicando la ley de Darcy:
q
x
(z) = K
eq
(z) J
x
(z)

La conductividad hidrulica equivalente (K
eq
),se obtiene teniendo que cuenta que las celdas
adyacentes se asocian en serie, por lo que K
eq
viene dada por:
1
K
eq
(z)
=
1
K
pSat 1
(z)
+
1
K
pSat 2
(z)

Integrando a lo largo de toda la superficie de contacto, y separando los trminos, se obtiene
la expresin final:
Q
x
= K
eq
(z)
1
(z)
x
N
t1
cos()
Nf 1
cos()
dz K
eq
(z)
2
(z)
x
N
t 2
cos()
Nf 2
cos()
dz

Esta expresin se puede integrar si sustituimos trminos por sus valores de acuerdo con el
modelo de suelo adoptado y la aproximacin cinemtica. La expresin que resulta es:
Q
p
= K
0eq
W
x
(N
f
N
t
)
N
t
e
fN
f
N
f
e
fN
t
e
fN
f
e
fN
t
+
1
f
N
f
+ N
t
4

2.1.3 FORMULACIN DE LA GENERACIN DE ESCORRENTA
El modelo DBSIM reproduce dos modos de generacin de escorrenta: por superacin de la
capacidad de infiltracin y por retorno de flujo subsuperficial. Ambos se obtienen a partir de las
ecuaciones ya descritas del modelo de infiltracin. La escorrenta generada por superacin de la
capacidad de infiltracin es una consecuencia directa de la capacidad de infiltracin en superficie,
designada por I
max
, que es a su vez consecuencia de la posicin de los frentes. El flujo de retorno es
consecuencia de los flujos subsuperficiales que entran en una columna ya saturada.
Escorrenta por superacin de la capacidad de infiltracin
Segn la posicin de los frentes superior e inferior, la columna de suelo puede estar en
cuatro estados distintos, que tienen diferente propensin a generar escorrenta. Los estados son los
siguientes:

Pgina 302

- No saturado: El frente de infiltracin est a cierta distancia del nivel fretico, pero no
se ha alcanzado la saturacin todava (N
f
= N
t
). La columna de suelo slo puede
generar escorrenta por exceso de capacidad de infiltracin. La capacidad de
infiltracin I
max
est controlada por la conductividad hidrulica en la superficie:
I
max
= K
0
n
cos()

- Saturacin colgada: El frente de infiltracin ha alcanzado el nivel de saturacin, pero
el frente superior todava no ha llegado a la superficie del terreno (0 < N
t
< N
f
). La
columna de suelo genera escorrenta con la misma capacidad de infiltracin que en el
caso anterior. El comportamiento externo es similar que en el caso no saturado, pero, a
medida que el frente superior se aproxima a la superficie, la columna se aproxima a la
saturacin y el potencial para generar escorrenta crece considerablemente.
- Saturacin superficial: El frente de infiltracin no ha alcanzado el nivel fretico, pero
el frente superior ya est en la superficie (N
t
= 0, N
f
< N
wt
). Cuando el frente superior
alcanza la superficie, la capacidad de infiltracin se reduce bruscamente al valor del
flujo de humedad en el perfil saturado:
I
max
= K
0
n
fN
f
e
fN
f
1
cos()

Las propiedades de generacin de escorrenta de la columna no son ya funcin de la
capacidad de infiltracin en superficie, sino que dependen del conjunto de la zona
saturada. En terrenos estratificados en los que la capacidad de infiltracin disminuye en
profundidad este efecto puede ser muy importante. En general, la capacidad de
infiltracin ser significativamente inferior que en la situacin no saturada. Adems, si
el flujo lateral es importante, se producir exfiltracin, generando flujo de retorno.
- Saturacin completa: El frente de infiltracin ha llegado a la profundidad del nivel
fretico N
wt
y el frente superior est en la superficie (N
t
=0, N
f
=N
wt
). La zona saturada
se extiende desde la superficie al nivel fretico, por lo que ste, en la prctica, llega
hasta la superficie. La capacidad de infiltracin se ha reducido a cero:
I
max
= 0

En estas condiciones, el potencial para generar escorrenta es mximo.
La infiltracin real se obtiene comparando la capacidad de infiltracin del suelo con la
intensidad de lluvia. Si la intensidad de lluvia es superior a la capacidad de infiltracin,
la infiltracin real es igual a la capacidad de infiltracin y se genera escorrenta igual a
la diferencia. La infiltracin real I viene dada por:
I = R if R I
max
I = I
max
if R > I
max

Escorrenta por flujo de retorno
El flujo de retorno se produce como consecuencia del balance de masas cuando la celda
est saturada. En DBSIM se supone que la humedad se acumula en la zona de la columna de suelo
afectada por la tormenta; es decir, por encima del frente de infiltracin. En consecuencia, el

Pgina 303

contenido de humedad de la celda tiene un mximo, marcado por N
f
sat
, que corresponde a la
saturacin en superficie. Cuando la suma del contenido previo de humedad de la celda ms la
entrada neta de humedad por infiltracin y flujo lateral supera el volumen de saturacin se genera
exfiltracin por flujo de retorno. Si la celda no est saturada en superficie, queda una reserva de
almacenamiento por encima del frente superior que normalmente es suficiente para acomodar el
flujo neto de humedad. Sin embargo, si se pasa al estado de saturacin en superficie, el lmite de
flujo neto de humedad que puede asimilar la celda viene marcado por la velocidad a la que puede
penetrar el frente de infiltracin, y el potencial para generar exfiltracin es muy grande. En este
caso, de acuerdo con el balance de humedad, se producir exfiltracin siempre que:
I +
Q
in
Q
out
A
dN
f
dt
s
R
i
, N
f
( ) [ ]

En estas condiciones, el flujo de retorno R
r
ser:
R
r
= I +
Q
in
Q
out
A
dN
f
dt
s
R
i
,N
f
( ) [ ]
A continuacin se presenta un ejemplo de funcionamiento del modelo de generacin de
escorrenta. En l se considera un instante intermedio en la simulacin, en la que la lluvia se
distribuye segn se representa en la Figura 6.

Figura 6. Intensidad de lluvia
La escorrenta generada por el modelo es la representada en la Figura 7. Se pueden apreciar
con claridad los dos modos de generacin de escorrenta del modelo. En la zona de las laderas se
produce una pequea escorrenta por superacin de la capacidad de infiltracin. En la zona prxima
al cauce se produce generacin de escorrenta por exfiltracin, ya que el flujo lateral llega a una
zona saturada y debe salir a la superficie.

Pgina 304

Figura 7. Generacin de escorrenta
La Figura 8 presenta el coeficiente de escorrenta que se obtiene en el intervalo de tiempo
dividiendo la escorrenta por la lluvia. Los valores superiores a la unidad muestran claramente la
zona en la que se ha producido escorrenta por exfiltracin.

Figura 8. Coeficiente de escorrenta

Pgina 305

2.2. MDULO DE TRANSPORTE DE ESCORRENTA
La formulacin ms general para la respuesta distribuida de una cuenca es la ecuacin de
convolucin distribuida:
Q(t) = R
f
(x, y, )h(x,y,t )ddA
0
t

donde Q(t) es el hidrograma resultante, R
f
(x,y,t) es una funcin que describe la distribucin
de la generacin de escorrenta por unidad de rea y h(x,y,t) es la funcin de respuesta instantnea
del elemento de rea dA, situado en el punto de coordenadas (x,y). En un sistema lineal e invariante
en el tiempo, la funcin de respuesta instantnea es constante durante todo el episodio. En caso
contrario, la funcin de respuesta instantnea puede variar durante el episodio, de acuerdo con las
condiciones variables de transporte a lo largo de la red de drenaje.
En el modelo DBSIM se supone que la funcin de respuesta instantnea de cada elemento
es un pulso instantneo (delta de Dirac), con un retraso igual al tiempo de viaje desde el
emplazamiento del elemento generador de escorrenta al punto de desage de la cuenca. Para un
elemento cualquiera, el recorrido total l
T
hasta el punto de desage consta de dos partes:
- Un recorrido de longitud l
h
a lo largo de la ladera, correspondiente a flujo superficial
uniforme o concentrado en irregularidades del terreno.
- Un recorrido de longitud l
s
a lo largo de cauces, correspondiente a cursos de agua bien
establecidos.
Para obtener el tiempo de viaje se definen velocidades de recorrido en la ladera y en el
cauce. La primera dificultad prctica estriba en discernir dnde comienzan los cauces a partir del
modelo digital del terreno. A falta de otra informacin mejor, puede aplicarse un procedimiento
basado en la cuenca vertiente, que suele funcionar correctamente en la mayora de los casos
prcticos. Por ejemplo, la Figura 9 presenta la cuenca vertiente en la zona tomada como ejemplo,
donde se aprecia que un umbral de unos 2 km
2
identifica bien el posible emplazamiento de los
cauces.
A partir de la definicin de cauce, el modelo digital del terreno permite identificar
fcilmente le recorrido seguido por el agua desde el punto de generacin de la escorrenta hasta el
punto de desage final de la cuenca. La Figura 10 presenta el resultado del clculo de la distancia al
cauce para cada uno de los puntos de la cuadrcula de la cuenca.
Una vez identificados los recorridos del agua, el tiempo de viaje se obtiene a partir de la
estimacin de las velocidades del agua. En primera aproximacin, se supone que las velocidades en
la ladera y en el cauce son iguales para todos los elementos de la cuenca, aunque sus valores
pueden variar a medida que la tormenta progresa. Llamando v
h
() a la velocidad en ladera y v
s
()
a la velocidad en cauce en el instante , el tiempo de viaje (t
), para un elemento cualquiera viene

dado por:
t
=
l
h
v
h
( )
+
l
s
v
s
( )


Pgina 306

Figura 9. Cuenca vertiente

Figura 10. Distancia al ro
Esta formulacin basada en el tiempo de viaje permite calcular de manera sencilla el
hidrograma de respuesta en el punto de desage de la cuenca. La funcin de respuesta instantnea
de un elemento de rea situado en el punto (x,y) en el instante sera la funcin delta de Dirac,
dada por:

Pgina 307

h
(x, y,t) =
l
h
(x, y)
v
h
( )
+
l
s
(x, y)
v
s
()

En cada ciclo de clculo se estima una respuesta incremental de la cuenca, sumando la
respuesta elemental generada por cada celda de la cuenca:
q
(t) = R
f
(x,y)h
(x,y,t)xy
(x,y)Basin

donde R
f
(x,y) es la escorrenta generada en el elemento de coordenadas (x,y) en el
instante ; y xy es el rea del elemento. La respuesta total de la cuenca en el instante t se obtiene
sumando todas las respuestas incrementales desde el comienzo del episodio.
Q(t) = q
(t)
=0
=t

Este mtodo de clculo utiliza eficazmente la informacin topogrfica incluida en el
modelo digital del terreno, que permite calcular con gran precisin y simplicidad la longitud del
recorrido desde cualquier punto de la cuenca al punto de desage. Las velocidades del agua deben
estimarse mediante calibracin. Se supone que las velocidades de ladera y cauce son uniformes a lo
largo de la cuenca, y que entre ellas existe una relacin (K
v
). Por tanto:
v
s
h
K
v
v
) (
) (
=
donde K
v
es la relacin entre las velocidades de cauce y ladera. Esta parametrizacin
sencilla ha dado buenos resultados en la mayor parte de los juegos de datos ensayados.


Pgina 308

ANEJO 3. RESULTADOS DEL
ESTUDIO DE CORRELACIN ENTRE
PLUVIMETROS
Anejo 3. Resultados del estudio de correlacin entre pluvimetros

Pgina 311

1 GRFICOS DE CORRELACIN-DISTANCIA ENTRE
PLUVIMETROS PARA TODOS LOS EPISODIOS

Figura 1.1 Grfico de correlacin-distancia para un intervalo de tiempo de 15 minutos. El grfico incluye los
resultados para los 10 episodios observados de lluvia.


Pgina 312


2 GRFICOS DE CORRELACIN-DISTANCIA ENTRE
PLUVIMETROS PARA CADA EPISODIO. INTERVALO
DE TIEMPO DE 30 MINUTOS

Figura 2.1. Grfico de correlacin-distancia para un intervalo de tiempo de 30 minutos. Episodio 1. La expresin
de la recta de regresin representa el valor x de la distancia en metros.

Pgina 313



Figura 2.4 Grfico de correlacin-distancia para un intervalo de tiempo de 30 minutos. Episodio 4 La expresin de
la recta de regresin representa el valor x de la distancia en metros.

Pgina 314




Pgina 315



Figura 2.10. Grfico de correlacin-distancia para un intervalo de tiempo de 30 minutos. Episodio 10. La
expresin de la recta de regresin representa el valor x de la distancia en metros.

Pgina 316

ANEJO 4. RESULTADOS DEL
ANLISIS DE SENSIBILIDAD DE LOS
PARMETROS DEL MODELO RIBS
Anejo 4. Resultados del anlisis de sensibilidad de los parmetros del modelo RIBS

Pgina 319

1 RESULTADOS DEL ANLISIS DE SENSIBILIDAD DE
LOS PARMETROS DEL MODELO RIBS MEDIANTE EL
MTODO GSA

Figura 1.1. Resultados para la funcin objetivo ME. De izquierda a derecha y de arriba abajo: a) Humedad
inicial; b) Parmetro f ; c) Parmetro a ; d) Parmetro K
v
; e) Parmetro C
v
; f) K
0n
para suelo tipo 1; g) K
0n
para
suelo tipo 2; h) K
0n
para suelo tipo 3; i) K
0n
para suelo tipo 4; j) K
0n
para suelo tipo 5; k) K
0n
para suelo tipo 6;

Figura 1.2. Resultados para la funcin objetivo MAE. De izquierda a derecha y de arriba abajo: a) Humedad
v
; e) Parmetro C
v
; f) K
0n
0n
para
suelo tipo 2; h) K
0n
0n
0n
0n
para suelo tipo 6;

Pgina 320

Figura 1.3. Resultados para la funcin objetivo RMSE. De izquierda a derecha y de arriba abajo: a) Humedad
v
; e) Parmetro C
v
; f) K
0n
0n
para
suelo tipo 2; h) K
0n
0n
0n
0n
para suelo tipo 6;

Figura 1.4. Resultados para la funcin objetivo NSE. De izquierda a derecha y de arriba abajo: a) Humedad
v
; e) Parmetro C
v
; f) K
0n
0n
para
suelo tipo 2; h) K
0n
0n
0n
0n
para suelo tipo 6;

Pgina 321

Figura 1.5. Resultados para la funcin objetivo DV. De izquierda a derecha y de arriba abajo: a) Humedad inicial;
b) Parmetro f ; c) Parmetro a ; d) Parmetro K
v
; e) Parmetro C
v
; f) K
0n
0n
para suelo
tipo 2; h) K
0n
0n
0n
0n
para suelo tipo 6;

Figura 1.6. Resultados para la funcin objetivo TP. De izquierda a derecha y de arriba abajo: a) Humedad inicial;
b) Parmetro f ; c) Parmetro a ; d) Parmetro K
v
; e) Parmetro C
v
; f) K
0n
0n
para suelo
tipo 2; h) K
0n
0n
0n
0n
para suelo tipo 6;

Pgina 322

Figura 1.7. Resultados para la funcin objetivo QPSE De izquierda a derecha y de arriba abajo: a) Humedad
v
; e) Parmetro C
v
; f) K
0n
0n
para
suelo tipo 2; h) K
0n
0n
0n
0n
para suelo tipo 6;
ANEJO 5. RESULTADOS INICIALES
DEL RANGO DE VALIDEZ DE LOS
VALORES DEL PARMETRO C
V

Anejo 5. Resultados iniciales del rango de validez de los valores del parmetro C
V

Pgina 325

1 RESULTADO DE VALORES DEL PARMETRO C
V

Figura A5.1. Rango de valores del Parmetro C
V
para el Episodio 1

Figura A5.2. Rango de valores del Parmetro C
V
para el Episodio 2

A5.3. Rango de valores del Parmetro C
V
para el Episodio 3
V

Pgina 326

V
para el Episodio 4

V
para el Episodio 5

V
para el Episodio 6
V

Pgina 327

V
para el Episodio 7

V
para el Episodio 8

V
para el Episodio 9

V

Pgina 328

ANEJO 6. RESULTADOS FINALES DE
CALIBRACIN DEL MODELO RIBS
EN LA CUENCA DEL RO
MANZANARES
Anejo 6. Resultados finales de calibracin del modelo RIBS en la cuenca del ro Manzanares

Pgina 331

1 RESULTADOS DE CALIBRACIN DEL EPISODIO 1

Figura A6.1. Resultados de valores del Parmetro a para el Episodio 1

Figura A6.2. Resultados de valores del Parmetro f para el Episodio 1

Figura A6.3. Resultados de valores del Parmetro C
V
para el Episodio 1

Pgina 332

Figura A6.4. Resultados de valores del Parmetro K
V
para el Episodio 1

Figura A6.5. Resultados de valores de la Humedad inicial para el Episodio 1


Pgina 333


V
para el Episodio 2

V
para el Episodio 2

Pgina 334

Figura A6.10. Resultados de valores de la Humedad Inicial para el Episodio 2



Pgina 335

V
para el Episodio 3

V
para el Episodio 3


Pgina 336




V
para el Episodio 5

Pgina 337

V
para el Episodio 5



Pgina 338


V
para el Episodio 6

V
para el Episodio 6

Pgina 339




Pgina 340

V
para el Episodio 7

V
para el Episodio 7


Pgina 341




V
para el Episodio 8

Pgina 342

V
para el Episodio 8



Pgina 343


V
para el Episodio 9

V
para el Episodio 9

Pgina 344


ANEJO 7. RESULTADOS DE
RELACIONES DE DEPENDENCIA
ENTRE VARIABLES
Anejo 7. Resultados de relaciones de dependencia entre variables

Pgina 347

1 INTRODUCCIN
En el presente Anejo se incluyen los resultados del anlisis de dependencia entre las
variables que influyen en el proceso de generacin de la escorrenta a partir de la lluvia, mediante
el clculo de los coeficientes de correlacin lineal (R
2
), Kendall (t ), Spearman (r ) e informacin
mutua (I).
Los coeficientes han sido calculados sobre un conjunto de 2000 episodios sintticos de
lluvia-escorrenta, que suponen un total de unos 300.000 valores para cada una de las variables
consideradas, mediante la ayuda de la herramienta informtica Matlab.
El Anejo se ha estructurado por subcuencas, mostrando, en primer lugar, los resultados de
los cuatro coeficientes en la subcuenca Santillana, en segundo lugar, los resultados de la subcuenca
Pardo y finalmente, los resultados de la subcuenca Rivas.
Las tablas se muestran en formato horizontal para mejorar la presentacin de los resultados,
dado la gran dimensin de las mismas.


Pgina 348

2 SUBCUENCA SANTILLANA
R_acum H_ini R t-5 R t-4 R t-3 N t-5 N t-4 N t-3 M t-5 M t-4 M t-3 F t-5 F t-4 F t-3 Qt Qt+1
H_ini 0.016
R t-5 0.153 0.008
R t-4 0.134 0.008 0.975
R t-3 0.116 0.008 0.942 0.976
N t-5 0.159 0.018 0.998 0.972 0.939
N t-4 0.140 0.018 0.974 0.998 0.973 0.974
N t-3 0.121 0.018 0.941 0.974 0.998 0.941 0.975
M t-5 0.501 -0.237 -0.097 -0.110 -0.122 -0.101 -0.114 -0.125
M t-4 0.500 -0.239 -0.087 -0.099 -0.111 -0.092 -0.104 -0.115 1.000
M t-3 0.500 -0.241 -0.077 -0.089 -0.101 -0.083 -0.095 -0.106 0.999 1.000
F t-5 0.255 0.057 -0.061 -0.069 -0.076 -0.059 -0.067 -0.074 0.458 0.457 0.456
F t-4 0.253 0.058 -0.054 -0.062 -0.069 -0.053 -0.060 -0.067 0.454 0.454 0.453 1.000
F t-3 0.251 0.058 -0.048 -0.055 -0.063 -0.047 -0.054 -0.061 0.451 0.451 0.450 0.999 1.000
Qt 0.174 0.020 0.975 0.972 0.959 0.976 0.973 0.960 -0.103 -0.094 -0.085 -0.061 -0.055 -0.049
Qt+1 0.155 0.020 0.969 0.975 0.972 0.969 0.976 0.973 -0.115 -0.105 -0.096 -0.068 -0.062 -0.056 0.996
Inc_Q -0.208 0.000 0.037 0.146 0.251 0.032 0.144 0.250 -0.131 -0.129 -0.126 -0.082 -0.079 -0.076 0.047 0.132
Tabla A7.1. Resultados del coeficiente de correlacin lineal (R
2
) en la subcuenca Santillana

Pgina 349

H_ini -0.193
R t-5 -0.396 -0.006
R t-4 -0.419 -0.003 0.928
R t-3 -0.434 -0.001 0.887 0.928
N t-5 -0.233 -0.076 0.741 0.706 0.673
N t-4 -0.249 -0.074 0.716 0.737 0.703 0.948
N t-3 -0.264 -0.072 0.686 0.713 0.734 0.912 0.948
M t-5 0.547 -0.418 -0.304 -0.323 -0.342 -0.048 -0.062 -0.075
M t-4 0.544 -0.425 -0.288 -0.307 -0.326 -0.037 -0.050 -0.063 0.988
M t-3 0.541 -0.432 -0.273 -0.291 -0.310 -0.025 -0.038 -0.051 0.975 0.988
F t-5 0.367 -0.154 -0.226 -0.245 -0.265 0.097 0.085 0.073 0.612 0.609 0.604
F t-4 0.362 -0.155 -0.209 -0.228 -0.247 0.109 0.098 0.086 0.605 0.605 0.602 0.982
F t-3 0.355 -0.157 -0.194 -0.211 -0.230 0.121 0.111 0.099 0.595 0.598 0.598 0.967 0.982
Qt -0.299 -0.060 0.706 0.706 0.701 0.876 0.880 0.879 -0.123 -0.111 -0.099 0.030 0.043 0.055
Qt+1 -0.316 -0.058 0.698 0.703 0.704 0.864 0.875 0.879 -0.138 -0.126 -0.114 0.017 0.030 0.043 0.966
Inc_Q -0.053 0.028 -0.183 -0.147 -0.107 -0.142 -0.110 -0.075 -0.113 -0.113 -0.112 -0.119 -0.115 -0.111 -0.100 -0.073
Tabla A7.2. Resultados del coeficiente de Kendall (t) en la subcuenca Santillana

Pgina 350

H_ini 0.008
R t-5 -0.224 0.030
R t-4 -0.252 0.032 0.978
R t-3 -0.274 0.034 0.961 0.981
N t-5 -0.117 0.126 0.905 0.883 0.862
N t-4 -0.147 0.130 0.891 0.904 0.885 0.979
N t-3 -0.172 0.134 0.873 0.891 0.902 0.958 0.983
M t-5 0.487 -0.325 -0.291 -0.316 -0.337 -0.169 -0.197 -0.219
M t-4 0.482 -0.330 -0.275 -0.300 -0.320 -0.155 -0.182 -0.204 1.000
M t-3 0.477 -0.335 -0.259 -0.284 -0.304 -0.140 -0.167 -0.189 0.999 1.000
F t-5 0.430 0.064 -0.152 -0.177 -0.198 0.086 0.061 0.042 0.670 0.670 0.669
F t-4 0.421 0.065 -0.134 -0.159 -0.180 0.103 0.079 0.060 0.662 0.662 0.662 0.998
F t-3 0.411 0.066 -0.120 -0.141 -0.162 0.118 0.097 0.078 0.654 0.654 0.654 0.995 0.998
Qt -0.177 0.132 0.886 0.893 0.895 0.942 0.955 0.961 -0.263 -0.248 -0.233 -0.005 0.013 0.030
Qt+1 -0.196 0.135 0.878 0.888 0.892 0.933 0.949 0.958 -0.279 -0.264 -0.249 -0.018 0.000 0.017 0.997
Inc_Q -0.251 0.014 -0.248 -0.206 -0.166 -0.229 -0.184 -0.143 -0.151 -0.153 -0.154 -0.158 -0.153 -0.147 -0.188 -0.157
Tabla A7.3. Resultados del coeficiente de Spearman (r) en la subcuenca Santillana

Pgina 351

H_ini 0.024
R t-5 0.087 -0.004
R t-4 0.084 -0.004 0.937
R t-3 0.084 -0.004 0.806 0.937
N t-5 0.070 -0.004 1.135 0.838 0.726
N t-4 0.067 -0.004 0.848 1.134 0.840 0.856
N t-3 0.066 -0.004 0.731 0.849 1.128 0.731 0.858
M t-5 0.437 0.086 0.024 0.026 0.029 0.023 0.025 0.027
M t-4 0.433 0.087 0.024 0.024 0.026 0.023 0.023 0.025 2.839
M t-3 0.428 0.088 0.025 0.024 0.024 0.024 0.023 0.023 2.610 2.837
F t-5 0.321 0.064 0.008 0.010 0.014 0.006 0.009 0.012 0.960 0.969 0.966
F t-4 0.315 0.064 0.006 0.008 0.011 0.005 0.007 0.009 0.935 0.951 0.961 2.390
F t-3 0.308 0.065 0.005 0.006 0.008 0.004 0.005 0.007 0.907 0.928 0.944 2.259 2.394
Qt 0.078 -0.004 0.854 0.843 0.791 0.860 0.847 0.790 0.031 0.029 0.027 0.012 0.009 0.007
Qt+1 0.075 -0.004 0.828 0.858 0.845 0.830 0.863 0.849 0.033 0.030 0.028 0.014 0.011 0.009 1.140
Inc_Q 0.092 -0.005 0.332 0.331 0.339 0.305 0.305 0.312 0.072 0.066 0.060 0.051 0.045 0.040 0.384 0.385
Tabla A7.4. Resultados de la medida de Informacin Mutua (I) en la subcuenca Santillana


Pgina 352

3 SUBCUENCA PARDO
R_acum H_ini R t-5 R t-4 R t-3 N t-5 N t-4 N t-3 M t-5 M t-4 M t-3 F t-5 F t-4 F t-3 Qt
H_ini -0.016
R t-5 0.038 -0.013
R t-4 -0.001 -0.013 0.976
R t-3 -0.038 -0.013 0.954 0.977
N t-5 0.069 0.006 0.963 0.945 0.922
N t-4 0.028 0.006 0.950 0.963 0.946 0.977
N t-3 -0.010 0.006 0.931 0.951 0.962 0.954 0.979
M t-5 0.622 -0.257 -0.137 -0.160 -0.181 -0.082 -0.106 -0.128
M t-4 0.618 -0.262 -0.122 -0.142 -0.163 -0.069 -0.089 -0.110 0.997
M t-3 0.614 -0.266 -0.107 -0.127 -0.145 -0.055 -0.075 -0.093 0.993 0.997
F t-5 0.649 0.004 -0.091 -0.120 -0.146 -0.017 -0.049 -0.076 0.758 0.756 0.754
F t-4 0.640 0.004 -0.068 -0.096 -0.122 0.006 -0.023 -0.050 0.753 0.752 0.750 0.994
F t-3 0.630 0.004 -0.052 -0.074 -0.099 0.022 -0.001 -0.027 0.746 0.747 0.746 0.988 0.995
Qt -0.003 0.011 0.915 0.917 0.914 0.935 0.940 0.938 -0.144 -0.127 -0.110 -0.086 -0.062 -0.041
Qt+1 -0.028 0.012 0.913 0.918 0.919 0.932 0.940 0.942 -0.159 -0.142 -0.124 -0.105 -0.081 -0.059 0.995
2
) en la subcuenca Pardo

Pgina 353

H_ini -0.228
R t-5 -0.119 -0.007
R t-4 -0.145 -0.005 0.953
R t-3 -0.168 -0.002 0.922 0.953
N t-5 0.117 -0.174 0.699 0.672 0.646
N t-4 0.093 -0.174 0.685 0.695 0.668 0.953
N t-3 0.075 -0.173 0.669 0.681 0.691 0.918 0.953
M t-5 0.540 -0.482 -0.305 -0.326 -0.348 0.063 0.049 0.036
M t-4 0.544 -0.491 -0.289 -0.309 -0.330 0.076 0.063 0.049 0.990
M t-3 0.547 -0.500 -0.273 -0.293 -0.313 0.089 0.076 0.063 0.980 0.990
F t-5 0.420 -0.199 -0.241 -0.264 -0.285 0.147 0.133 0.118 0.645 0.642 0.638
F t-4 0.421 -0.202 -0.222 -0.243 -0.266 0.164 0.150 0.135 0.639 0.638 0.635 0.988
F t-3 0.421 -0.206 -0.204 -0.224 -0.246 0.179 0.166 0.152 0.632 0.631 0.630 0.977 0.988
Qt -0.041 -0.115 0.765 0.766 0.768 0.816 0.822 0.826 -0.112 -0.098 -0.083 -0.014 0.002 0.017
Qt+1 -0.065 -0.114 0.758 0.763 0.764 0.806 0.814 0.820 -0.129 -0.115 -0.100 -0.031 -0.015 0.001 0.970
Tabla A7.6. Resultados del coeficiente de Kendall (t) en la subcuenca Pardo

Pgina 354

H_ini -0.018
R t-5 -0.055 0.022
R t-4 -0.084 0.023 0.976
R t-3 -0.110 0.025 0.956 0.978
N t-5 0.088 0.023 0.853 0.832 0.812
N t-4 0.054 0.024 0.841 0.851 0.834 0.966
N t-3 0.025 0.027 0.825 0.841 0.849 0.939 0.970
M t-5 0.547 -0.349 -0.295 -0.319 -0.340 -0.135 -0.162 -0.184
M t-4 0.545 -0.354 -0.281 -0.304 -0.324 -0.122 -0.147 -0.169 0.997
M t-3 0.543 -0.360 -0.267 -0.289 -0.309 -0.109 -0.135 -0.155 0.993 0.997
F t-5 0.528 -0.060 -0.185 -0.211 -0.233 0.000 -0.028 -0.051 0.715 0.714 0.713
F t-4 0.521 -0.061 -0.167 -0.193 -0.215 0.018 -0.010 -0.033 0.708 0.708 0.707 0.994
F t-3 0.513 -0.062 -0.152 -0.175 -0.197 0.031 0.007 -0.016 0.699 0.700 0.700 0.987 0.994
Qt -0.025 0.071 0.896 0.904 0.906 0.874 0.885 0.890 -0.300 -0.286 -0.271 -0.120 -0.102 -0.084
Qt+1 -0.045 0.073 0.889 0.899 0.904 0.866 0.880 0.887 -0.317 -0.302 -0.287 -0.136 -0.118 -0.100 0.992
Tabla A7.7. Resultados del coeficiente de Spearman (r) en la subcuenca Pardo

Pgina 355

H_ini 0.020
R t-5 0.030 -0.007
R t-4 0.016 -0.007 1.085
R t-3 0.013 -0.007 0.952 1.085
N t-5 0.057 -0.002 0.954 0.838 0.753
N t-4 0.037 -0.002 0.851 0.951 0.838 1.246
N t-3 0.029 -0.002 0.760 0.851 0.945 1.126 1.248
M t-5 0.382 0.077 0.030 0.023 0.024 0.142 0.131 0.127
M t-4 0.360 0.078 0.023 0.027 0.022 0.133 0.136 0.126 1.842
M t-3 0.345 0.079 0.019 0.021 0.023 0.126 0.127 0.130 1.755 1.834
F t-5 0.329 0.019 0.008 0.008 0.011 0.151 0.147 0.147 0.780 0.770 0.759
F t-4 0.331 0.019 0.015 0.007 0.007 0.161 0.148 0.144 0.775 0.764 0.756 1.563
F t-3 0.301 0.019 0.011 0.012 0.006 0.155 0.154 0.145 0.733 0.757 0.748 1.471 1.554
Qt 0.034 0.003 0.813 0.812 0.794 1.018 1.009 0.983 0.112 0.108 0.104 0.128 0.124 0.121
Qt+1 0.033 0.004 0.808 0.821 0.817 1.022 1.029 1.019 0.117 0.112 0.107 0.133 0.128 0.124 1.546
Tabla A7.8. Resultados del coeficiente de Informacin Mutua (I) en la subcuenca Pardo


Pgina 356

4 SUBCUENCA RIVAS

H_ini 0.008
R t-5 0.004 0.011
R t-4 -0.037 0.011 0.978
R t-3 -0.076 0.011 0.956 0.979
N t-5 0.031 0.012 0.963 0.946 0.925
N t-4 -0.013 0.012 0.952 0.963 0.948 0.979
N t-3 -0.053 0.011 0.935 0.953 0.963 0.956 0.980
M t-5 0.556 -0.003 -0.092 -0.113 -0.133 -0.039 -0.062 -0.082
M t-4 0.549 -0.003 -0.079 -0.097 -0.116 -0.028 -0.046 -0.065 0.996
M t-3 0.543 -0.003 -0.067 -0.084 -0.100 -0.016 -0.034 -0.050 0.993 0.996
F t-5 0.600 -0.025 -0.100 -0.134 -0.165 -0.024 -0.062 -0.094 0.684 0.681 0.677
F t-4 0.585 -0.025 -0.076 -0.108 -0.138 0.001 -0.033 -0.066 0.681 0.678 0.675 0.992
F t-3 0.569 -0.026 -0.060 -0.085 -0.113 0.017 -0.009 -0.040 0.675 0.675 0.672 0.982 0.993
Qt -0.078 0.012 0.902 0.906 0.906 0.927 0.934 0.935 -0.116 -0.100 -0.085 -0.145 -0.119 -0.096
Qt+1 -0.102 0.012 0.898 0.905 0.908 0.921 0.932 0.937 -0.129 -0.113 -0.097 -0.165 -0.139 -0.115 0.995
Inc_Q -0.394 -0.004 -0.094 -0.035 0.019 -0.111 -0.051 0.002 -0.215 -0.211 -0.206 -0.274 -0.257 -0.240 -0.092 -0.053
2
) en la subcuenca Rivas

Pgina 357

H_ini -0.250
R t-5 -0.066 0.008
R t-4 -0.090 0.012 0.955
R t-3 -0.116 0.016 0.915 0.955
N t-5 0.185 -0.163 0.694 0.668 0.643
N t-4 0.162 -0.161 0.676 0.690 0.664 0.964
N t-3 0.137 -0.158 0.658 0.672 0.686 0.932 0.964
M t-5 0.505 -0.350 -0.214 -0.234 -0.256 0.201 0.188 0.173
M t-4 0.507 -0.353 -0.199 -0.217 -0.237 0.214 0.203 0.189 0.990
M t-3 0.508 -0.356 -0.183 -0.201 -0.219 0.227 0.216 0.204 0.980 0.990
F t-5 0.400 -0.174 -0.224 -0.246 -0.268 0.233 0.219 0.204 0.782 0.779 0.776
F t-4 0.400 -0.176 -0.204 -0.225 -0.248 0.251 0.237 0.223 0.780 0.778 0.776 0.988
F t-3 0.397 -0.178 -0.187 -0.206 -0.227 0.266 0.255 0.241 0.775 0.776 0.774 0.976 0.988
Qt -0.029 -0.095 0.664 0.678 0.691 0.776 0.789 0.799 -0.022 -0.008 0.007 0.010 0.027 0.044
Qt+1 -0.042 -0.096 0.646 0.661 0.676 0.767 0.780 0.793 -0.028 -0.013 0.002 0.005 0.022 0.038 0.966
Inc_Q -0.089 -0.034 -0.439 -0.409 -0.376 -0.306 -0.270 -0.233 0.006 0.003 0.001 -0.003 -0.002 -0.001 -0.218 -0.190
Tabla A7.10. Resultados del coeficiente de Kendall (t) en la subcuenca Rivas

Pgina 358

H_ini -0.093
R t-5 -0.089 0.005
R t-4 -0.120 0.006 0.974
R t-3 -0.148 0.007 0.950 0.976
N t-5 0.032 -0.060 0.867 0.845 0.821
N t-4 -0.006 -0.061 0.853 0.866 0.846 0.964
N t-3 -0.039 -0.060 0.834 0.853 0.864 0.935 0.967
M t-5 0.527 -0.079 -0.221 -0.247 -0.270 -0.100 -0.129 -0.154
M t-4 0.522 -0.079 -0.207 -0.230 -0.253 -0.087 -0.113 -0.138 0.996
M t-3 0.516 -0.080 -0.193 -0.216 -0.237 -0.074 -0.100 -0.122 0.992 0.996
F t-5 0.452 -0.116 -0.173 -0.202 -0.226 -0.006 -0.038 -0.066 0.746 0.745 0.744
F t-4 0.440 -0.118 -0.155 -0.183 -0.208 0.013 -0.019 -0.046 0.739 0.739 0.738 0.992
F t-3 0.427 -0.119 -0.142 -0.166 -0.190 0.025 -0.001 -0.027 0.731 0.732 0.732 0.983 0.992
Qt -0.111 -0.031 0.863 0.876 0.884 0.880 0.896 0.905 -0.239 -0.223 -0.207 -0.169 -0.152 -0.135
Qt+1 -0.128 -0.031 0.852 0.867 0.877 0.870 0.889 0.901 -0.250 -0.234 -0.218 -0.181 -0.163 -0.146 0.991
Inc_Q -0.312 -0.010 -0.355 -0.314 -0.277 -0.300 -0.253 -0.210 -0.165 -0.166 -0.166 -0.169 -0.161 -0.152 -0.251 -0.222
Tabla A7.11. Resultados del coeficiente de Spearman (r) en la subcuenca Rivas

Pgina 359

H_ini 0.018
R t-5 0.033 -0.006
R t-4 0.018 -0.006 1.127
R t-3 0.015 -0.006 0.984 1.129
N t-5 0.056 -0.004 0.993 0.877 0.794
N t-4 0.034 -0.004 0.898 0.989 0.878 1.296
N t-3 0.026 -0.004 0.811 0.899 0.984 1.166 1.297
M t-5 0.347 0.013 0.023 0.017 0.017 0.143 0.131 0.127
M t-4 0.321 0.013 0.016 0.020 0.015 0.133 0.136 0.126 1.733
M t-3 0.302 0.013 0.010 0.013 0.016 0.125 0.126 0.129 1.656 1.725
F t-5 0.272 0.006 0.010 0.010 0.013 0.170 0.165 0.165 0.671 0.659 0.645
F t-4 0.274 0.007 0.019 0.010 0.010 0.179 0.166 0.162 0.673 0.655 0.644 1.407
F t-3 0.244 0.007 0.011 0.015 0.008 0.170 0.172 0.162 0.640 0.653 0.638 1.311 1.394
Qt 0.026 -0.006 0.758 0.764 0.756 0.970 0.967 0.949 0.094 0.088 0.083 0.128 0.123 0.118
Qt+1 0.027 -0.005 0.749 0.767 0.771 0.971 0.983 0.979 0.098 0.092 0.087 0.133 0.127 0.122 1.392
Inc_Q 0.106 -0.006 0.519 0.517 0.517 0.529 0.524 0.521 0.126 0.116 0.107 0.157 0.143 0.131 0.698 0.674
Tabla A7.12. Resultados del coeficiente de Informacin Mutua (I) en la subcuenca Rivas


Pgina 360

ANEJO 8. RESULTADOS DE LA
VALIDACIN DE LA RED BAYESIANA
DE LLUVIA CAUDAL EN LA
SUBCUENCA SANTILLANA
Anejo 8. Resultados de la validacin de la red Bayesiana de lluvia - caudal en la subcuenca Santillana

Pgina 363

1 INTRODUCCIN
En el presente Anejo se presentan los resultados de la validacin de la estructura de red
Bayesiana de transformacin de la lluvia en caudal en la subcuenca Santillana. A continuacin se
muestra la estructura de esta red y los resultados de validacin clasificados por atributos.
R
t - 5
R
t - 4
R
t - 3
N
t - 5
N
t - 4
Q
t
Q
t + 1
N
t - 3
Racum
t - 4 H
0
R
t - 5
R
t - 4
R
t - 3
N
t - 5
N
t - 4
Q
t
Q
t + 1
N
t - 3
Racum
t - 4 H
0

Figura A8.1. Red Bayesiana de lluvia - caudal en la subcuenca Santillana

2 SESGO

Figura A8.2. Resultados de la medida MME. Red Bayesiana de lluvia - caudal en la subcuenca Santillana

Pgina 364

3 ASOCIACIN

Figura A8.3. Resultados de la medida R
2
. Red Bayesiana de lluvia - caudal en la subcuenca Santillana

4 PRECISIN

Figura A8.4. Resultados de la medida RPS. Red Bayesiana de lluvia - caudal en la subcuenca Santillana


Pgina 365

5 HABILIDAD

Figura A8.5. Diagrama ROC. Red Bayesiana lluvia-caudal en la subcuenca Santillana. Intervalo de pronstico t+1



Pgina 366


6 FIABILIDAD

Figura A8.10. Diagrama de Fiabilidad. Red lluvia-caudal en la subcuenca Santillana. Intervalo de pronstico t + 1

Pgina 367




Pgina 368


7 RESOLUCIN

Figura A8.15. Resultados del Coeficiente de Resolucin. Red Bayesiana de lluvia - caudal en la subcuenca
Santillana


Pgina 369

8 REFINAMIENTO

Figura A8.16. Histograma de probabilidades. Red de lluvia-caudal en subcuenca Santillana. Intervalo t + 1



Pgina 370


9 DISCRIMINACIN

Figura A8.21. Diagrama de Discriminacin. Red de lluvia - caudal en la subcuenca Santillana. Intervalo t + 1

Pgina 371




Pgina 372


SUBCUENCA PARDO
Anejo 9. Resultados de la validacin de la red Bayesiana de lluvia - caudal en la subcuenca Pardo

Pgina 375

1 INTRODUCCIN
Bayesiana de transformacin de la lluvia en caudal en la subcuenca Pardo. A continuacin se
R
t - 6
R
t - 5
R
t - 4
N
t - 6
N
t - 5
Q
t
Q
t + 1
N
t - 4
Racum
t - 5 H
0
R
t - 6
R
t - 5
R
t - 4
N
t - 6
N
t - 5
Q
t
Q
t + 1
N
t - 4
Racum
t - 5 H
0

Figura A9.1. Red Bayesiana de lluvia - caudal en la subcuenca Pardo

2 SESGO

Figura A9.2. Resultados de la medida MME. Red Bayesiana de lluvia - caudal en la subcuenca Pardo


Pgina 376

3 ASOCIACIN

2
. Red Bayesiana de lluvia - caudal en la subcuenca Pardo

4 PRECISIN

Figura A9.4. Resultados de la medida RPS. Red Bayesiana de lluvia - caudal en la subcuenca Pardo


Pgina 377

5 HABILIDAD

Figura A9.5. Diagrama ROC. Red Bayesiana lluvia - caudal en la subcuenca Pardo. Intervalo de pronstico t + 1.



Pgina 378


6 FIABILIDAD

Figura A9.10. Diagrama de Fiabilidad. Red de lluvia-caudal en la subcuenca Pardo. Intervalo de pronstico t + 1.

Pgina 379


Figura A9.12. Diagrama de Fiabilidad. Red de lluvia -caudal en la subcuenca Pardo. Intervalo de pronstico t + 3.


Pgina 380


7 RESOLUCIN

Figura A9.15. Resultados del Coeficiente de Resolucin. Red Bayesiana lluvia-caudal en la subcuenca Pardo


Pgina 381

8 REFINAMIENTO

Figura A9.16. Histograma de Probabilidades. Red de lluvia - caudal en la subcuenca Pardo. Intervalo t + 1



Pgina 382


9 DISCRIMINACIN

Figura A9.21. Diagrama de Discriminacin. Red de lluvia - caudal en la subcuenca Pardo. Intervalo t + 1

Pgina 383




Pgina 384


SUBCUENCA RIVAS
Anejo 10. Resultados de la validacin de la red Bayesiana de lluvia - caudal en la subcuenca Rivas

Pgina 387

1 INTRODUCCIN
Bayesiana de transformacin de la lluvia en caudal en la subcuenca Rivas. A continuacin se
R
t - 10
R
t - 9
R
t - 8
N
t - 10
N
t - 9
Q
t
Q
t + 1
N
t - 8
Racum
t - 9 H
0
R
t - 10
R
t - 9
R
t - 8
N
t - 10
N
t - 9
Q
t
Q
t + 1
N
t - 8
Racum
t - 9 H
0

Figura A10.1. Red Bayesiana de lluvia - caudal en la subcuenca Rivas

2 SESGO

Figura A10.2. Resultados de la medida MME. Red Bayesiana de lluvia - caudal en la subcuenca Rivas


Pgina 388

3 ASOCIACIN

2
. Red Bayesiana de lluvia - caudal en la subcuenca Rivas

4 PRECISIN

Figura A10.4. Resultados de la medida RPS. Red Bayesiana de lluvia - caudal en la subcuenca Rivas


Pgina 389

5 HABILIDAD

Figura A10.5. Diagrama ROC. Red Bayesiana lluvia - caudal en la subcuenca Rivas. Intervalo de pronstico t + 1.



Pgina 390


6 FIABILIDAD

Figura A10.10. Diagrama de Fiabilidad. Red de lluvia-caudal en la subcuenca Rivas. Intervalo de pronstico t + 1.

Pgina 391


Figura A10.12. Diagrama de Fiabilidad. Red de lluvia -caudal en la subcuenca Rivas. Intervalo de pronstico t + 3.


Pgina 392


7 RESOLUCIN

Figura A10.15. Resultados del Coeficiente de Resolucin. Red Bayesiana de lluvia-caudal en la subcuenca Rivas


Pgina 393

8 REFINAMIENTO

Figura A10.16. Histograma de probabilidades. Red de lluvia - caudal en la subcuenca Rivas. Intervalo t + 1



Pgina 394


9 DISCRIMINACIN

Figura A10.21. Diagrama de Discriminacin. Red de lluvia - caudal en la subcuenca Rivas. Intervalo t + 1

Pgina 395




Pgina 396


DE OPERACIN DEL EMBALSE DE
SANTILLANA
Anejo 11. Resultados de la validacin de la red Bayesiana de operacin del embalse de Santillana

Pgina 399

1 INTRODUCCIN
Bayesiana de operacin del embalse de Santillana. Esta red Bayesiana permite realizar el
pronstico del caudal vertido por los rganos de desage de la presa de Santillana, as como del
nivel en el embalse. A continuacin se muestran las dos estructuras que permiten realizar el
pronstico de las dos variables y los resultados de validacin clasificados por atributos.
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t
Qsal
t + 1
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t
Qsal
t + 1

Figura A11.1. Red Bayesiana de pronstico del caudal vertido por la presa de Santillana

Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t NE
t + 1
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t NE
t + 1

Figura A11.2. Red Bayesiana de pronstico del nivel de embalse en la presa de Santillana

Pgina 400

2 RED BAYESIANA DE PRONSTICO DEL CAUDAL
VERTIDO POR LA PRESA
3.1. SESGO

Figura A11.3. Resultados de la medida MME. Red Bayesiana de caudal vertido por la presa de Santillana

3.2. ASOCIACIN

2
. Red Bayesiana de caudal vertido por la presa de Santillana.


Pgina 401

3.3. PRECISIN

Figura A11.5. Resultados de la medida RPS. Red Bayesiana de caudal vertido por la presa de Santillana

3.4. HABILIDAD

Figura A11.6. Diagrama ROC de la Red de caudal vertido por la presa de Santillana. Intervalo de pronstico t + 1

Pgina 402




Pgina 403

Figura A11.10. Diagrama ROC de la Red de caudal vertido por la presa de Santillana. Intervalo de pronstico t+5
3.5. FIABILIDAD

Figura A11.11. Diagrama de Fiabilidad. Red de caudal vertido, presa de Santillana. Intervalo de pronstico t + 1

Figura A11.12. Diagrama de Fiabilidad. Red de caudal vertido, presa de Santillana. Intervalo de pronstico t + 2.

Pgina 404




Pgina 405

3.6. RESOLUCIN

Figura A11.16. Resultados del Coeficiente de Resolucin. Red Bayesiana de caudal vertido, presa de Santillana.

3.7. REFINAMIENTO

Figura A11.17. Histograma de probabilidades. Caudal vertido en la presa Santillana. Intervalo de pronstico t + 1

Pgina 406




Pgina 407

3.8. DISCRIMINACIN

Figura A11.22. Diagrama de Discriminacin. Red de caudal vertido, presa Santillana. Intervalo de pronstico t + 1


Pgina 408




Pgina 409

3 RED BAYESIANA DE PRONSTICO DEL NIVEL DE
EMBALSE
3.1. SESGO

Figura A11.27. Resultados de la medida MME. Red Bayesiana de nivel de embalse en la presa de Santillana

3.2. ASOCIACIN

2
. Red Bayesiana de nivel de embalse en la presa de Santillana


Pgina 410

3.3. PRECISIN

Figura A11.29. Resultados de la medida RPS. Red Bayesiana de nivel de embalse en la presa de Santillana

3.4. HABILIDAD

Figura A11.30. Diagrama ROC de la Red de nivel de embalse en Santillana. Intervalo de pronstico t + 1.

Pgina 411




Pgina 412

3.5. FIABILIDAD

Figura A11.35. Diagrama de Fiabilidad de la Red de nivel de embalse en Santillana. Intervalo de pronstico t + 1.


Pgina 413




Pgina 414

3.6. RESOLUCIN

Figura A11.40. Resultados del Coeficiente de Resolucin. Red Bayesiana de nivel de embalse en Santillana.

3.7. REFINAMIENTO

Figura A11.41. Histograma de probabilidades. Red de nivel de embalse en Santillana. Intervalo de pronstico t + 1

Pgina 415




Pgina 416

3.8. DISCRIMINACIN

Figura A11.46. Diagrama de Discriminacin. Red de nivel de embalse en Santillana. Intervalo de pronstico t + 1


Pgina 417




Pgina 418

DE OPERACIN DEL EMBALSE DE
EL PARDO
Anejo 12. Resultados de la validacin de la red Bayesiana de operacin del embalse de El Pardo

Pgina 421

1 INTRODUCCIN
Bayesiana de operacin del embalse de El Pardo. Esta red Bayesiana permite realizar el pronstico
del caudal vertido por los rganos de desage de la presa de El Pardo, as como del nivel en el
embalse. A continuacin se muestran las dos estructuras que permiten realizar el pronstico de las
dos variables y los resultados de validacin clasificados por atributos.
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t
Qsal
t + 1
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t
Qsal
t + 1

Figura A12.1. Red Bayesiana de pronstico del caudal vertido por la presa de El Pardo

Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t NE
t + 1
Qent
t - 1
Qent
t
Estrategia
Qsal
t
NE
t NE
t + 1

Figura A12.2. Red Bayesiana de pronstico del nivel de embalse en la presa de El Pardo

Pgina 422

2 RED BAYESIANA DE PRONSTICO DEL CAUDAL
VERTIDO POR LA PRESA
3.1. SESGO

Figura A12.3. Resultados de la medida MME. Red Bayesiana de caudal vertido por la presa de El Pardo.

3.2. ASOCIACIN

2
. Red Bayesiana de caudal vertido por la presa de El Pardo.


Pgina 423

3.3. PRECISIN

Figura A12.5. Resultados de la medida RPS. Red Bayesiana de caudal vertido por la presa de El Pardo.

3.4. HABILIDAD

Figura A12.6. Diagrama ROC de la Red de caudal vertido por la presa de El Pardo. Intervalo de pronstico t + 1.

Pgina 424




Pgina 425

3.5. FIABILIDAD

Figura A12.11. Diagrama de Fiabilidad. Red de caudal vertido, presa de El Pardo. Intervalo de pronstico t + 1

Figura A12.12. Diagrama de Fiabilidad. Red de caudal vertido, presa de El Pardo. Intervalo de pronstico t + 2.

Pgina 426




Pgina 427

3.6. RESOLUCIN

Figura A12.16. Resultados del Coeficiente de Resolucin. Red Bayesiana de caudal vertido en la presa El Pardo

3.7. REFINAMIENTO

Figura A12.17. Histograma de probabilidades. Caudal vertido en la presa El Pardo. Intervalo de pronstico t + 1

Pgina 428




Pgina 429

3.8. DISCRIMINACIN

Figura A12.22. Diagrama de Discriminacin. Red de caudal vertido, presa El Pardo. Intervalo de pronstico t + 1


Pgina 430




Pgina 431

3 RED BAYESIANA DE PRONSTICO DEL NIVEL DE
EMBALSE
3.1. SESGO

Figura A12.27. Resultados de la medida MME. Red Bayesiana de nivel de embalse en la presa de El Pardo.

3.2. ASOCIACIN

2
. Red Bayesiana de nivel de embalse en la presa de El Pardo.


Pgina 432

3.3. PRECISIN

Figura A12.29. Resultados de la medida RPS. Red Bayesiana de nivel de embalse en la presa de El Pardo.

3.4. HABILIDAD

Figura A12.30. Diagrama ROC de la Red de nivel de embalse en El Pardo. Intervalo de pronstico t + 1.

Pgina 433




Pgina 434

3.5. FIABILIDAD

Figura A12.35. Diagrama de Fiabilidad de la Red de nivel de embalse en El Pardo. Intervalo de pronstico t + 1.


Pgina 435




Pgina 436

3.6. RESOLUCIN

Figura A12.40. Resultados del Coeficiente de Resolucin. Red Bayesiana de nivel de embalse en la presa de
El Pardo

3.7. REFINAMIENTO

Figura A12.41. Histograma de probabilidades. Red de nivel de embalse en El Pardo. Intervalo de pronstico t + 1

Pgina 437




Pgina 438

3.8. DISCRIMINACIN

Figura A12.46. Diagrama de Discriminacin. Red de nivel de embalse en El Pardo. Intervalo de pronstico t + 1


Pgina 439




Pgina 440

DE TRANSPORTE DE CAUDAL
SANTILLANA EL PARDO
Anejo 13. Resultados de la validacin de la red Bayesiana de transporte de caudal Santillana - El Pardo

Pgina 443

1 INTRODUCCIN
Bayesiana de transporte de caudal Santillana El Pardo. A continuacin se muestra la estructura de
esta red y los resultados de validacin clasificados por atributos.
Qent
t - 4
Qent
t 3
Qsal
t Qsal
t + 1
Qent
t 2
Qent
t - 4
Qent
t 3
Qsal
t Qsal
t + 1
Qent
t 2

Figura A13.1. Red Bayesiana de transporte de caudal en el tramo Santillana - El Pardo

2 SESGO

Figura A13.2. Resultados de la medida MME. Red Bayesiana de transporte de caudal Santillana - El Pardo.


Pgina 444

3 ASOCIACIN

2
. Red Bayesiana de transporte de caudal Santillana - El Pardo.

4 PRECISIN

Figura A13.4. Resultados de la medida RPS. Red Bayesiana de transporte de caudal Santillana - El Pardo.


Pgina 445

5 HABILIDAD

Figura A13.5. Diagrama ROC de la Red de transporte de caudal Santillana - El Pardo. Intervalo de pronstico t+1



Pgina 446


6 FIABILIDAD

Figura A13.10. Diagrama de Fiabilidad de la Red de transporte Santillana - El Pardo. Intervalo de pronstico t+1

Pgina 447




Pgina 448


7 RESOLUCIN

Figura A13.15. Resultados del Coeficiente de Resolucin. Red Bayesiana de transporte de caudal Santillana
El Pardo


Pgina 449

8 REFINAMIENTO

Figura A13.16. Histograma de probabilidades. Transporte Santillana - El Pardo. Intervalo de pronstico t+1



Pgina 450


9 DISCRIMINACIN

Figura A13.21. Diagrama de Discriminacin. Red de transporte Santillana - El Pardo. Intervalo de pronstico t+1

Pgina 451




Pgina 452


DE TRANSPORTE DE CAUDAL
EL PARDO - RIVAS

Anejo 14. Resultados de la validacin de la red Bayesiana de transporte de caudal El Pardo - Rivas

Pgina 455

1 INTRODUCCIN
Bayesiana de transporte de caudal El Pardo Rivas. A continuacin se muestra la estructura de esta
red y los resultados de validacin clasificados por atributos.
Qent
t - 7
Qent
t 6
Qsal
t Qsal
t + 1
Qent
t 5
Qent
t 4
Qent
t - 7
Qent
t 6
Qsal
t Qsal
t + 1
Qent
t 5
Qent
t 4

Figura A14.1. Red Bayesiana de transporte de caudal en el tramo El Pardo Rivas

2 SESGO

Figura A14.2. Resultados de la medida MME. Red Bayesiana de transporte de caudal El Pardo Rivas.


Pgina 456

3 ASOCIACIN

2
. Red Bayesiana de transporte de caudal El Pardo Rivas.

4 PRECISIN

Figura A14.4. Resultados de la medida RPS. Red Bayesiana de transporte de caudal El Pardo Rivas.


Pgina 457

5 HABILIDAD

Figura A14.5. Diagrama ROC de la Red de transporte de caudal El Pardo Rivas. Intervalo de pronstico t + 1.



Pgina 458


6 FIABILIDAD

Figura A14.10. Diagrama de Fiabilidad de la Red de transporte El Pardo Rivas. Intervalo de pronstico t + 1.

Pgina 459




Pgina 460


7 RESOLUCIN

Figura A14.15. Resultados del Coeficiente de Resolucin. Red Bayesiana de transporte de caudal El PardoRivas.


Pgina 461

8 REFINAMIENTO

Figura A14.16. Histograma de probabilidades. Red de transporte El PardoRivas. Intervalo de pronstico t + 1



Pgina 462


9 DISCRIMINACIN

Figura A14.21. Diagrama de Discriminacin de la Red de transporte El PardoRivas. Intervalo de pronstico t + 1

Pgina 463




Pgina 464


Luis Mediero Orduña

Cargado por

Copyright:

Formatos disponibles

Luis Mediero Orduña

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Luis Mediero Orduña

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO DE INGENIERA CIVIL: HIDRULICA Y

= ) con el objeto de resumir en un

), para un elemento cualquiera viene

También podría gustarte