Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico

Autores
Alonso, Facundo José; Bertoni, Juan Carlos; García, César Luis; Garcia Rodriguez, Carlos Marcelo
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Los modelos de pronóstico hidrológico son herramientas matemáticas que se emplean mientras se está produciendo una tormenta con el fin de predecir el caudal que se producirá en una sección de un río con un cierto tiempo de anticipación (horizonte de pronóstico). Como información de entrada suelen utilizar la lluvia y el caudal de la sección de interés, registrados en tiempo real. Sin embargo, durante un evento de gran magnitud, algunos sistemas de pronóstico experimentan una degradación en la calidad de los caudales observados en tiempo real, y en algunos se produce pérdida de dicha información. Esta circunstancia lo vuelve un simple modelo de simulación. El juego de valores de parámetros que mejor ajusta al modelo en modo pronóstico,no es necesariamente el óptimo para el mismo modelo en modo simulación, es decir, sin información de caudal observado en tiempo real. En este trabajo se emplea el método de algoritmos genéticos MOCOM-UA para realizar una optimización multiobjetivo del modelo hidrológico GR4P. El objetivo es ofrecer al operador del sistema de alerta de crecidas una herramienta que facilite la toma de decisión ante escenarios diversos. El método se basa en un frente de Pareto determinado por un conjunto de soluciones de compromiso entre dos escenarios a optimizar, que están dados por la mejor performance del modelo matemático frente a: 1) con la disponibilidad de caudales a tiempo real, y 2) sin dicha disponibilidad. La metodología se aplicó en del río Moros en la Bretaña francesa. Los resultados indican que la solución óptima para un escenario produce escasa performance en el otro, ya que se aparta del juego de valores de parámetros para el cual fue calibrado el modelo. Por otro lado, las soluciones de compromiso ofrecen performances aceptables para ambos objetivos. Este estudio es parte del proyecto HYRADIER, una cooperación científica entre Argentina, Brasil y Francia, financiado por el programa STIC-AmSud.
Fil: Alonso, Facundo José. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; Argentina
Fil: Bertoni, Juan Carlos. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; Argentina
Fil: García, César Luis. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; Argentina
Fil: Garcia Rodriguez, Carlos Marcelo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Estudios Avanzados En Ingeniería y Tecnología. Universidad Nacional de Córdoba. Facultad de Ciencias exactas Físicas y Naturales. Instituto de Estudios Avanzados En Ingeniería y Tecnología; Argentina
Materia
Algoritmos genéticos
Horizontes de pronóstico
Modelos hidrológicos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/70804

id CONICETDig_41e7b080fc81855a353d9b3692efdae6
oai_identifier_str oai:ri.conicet.gov.ar:11336/70804
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológicoAlonso, Facundo JoséBertoni, Juan CarlosGarcía, César LuisGarcia Rodriguez, Carlos MarceloAlgoritmos genéticosHorizontes de pronósticoModelos hidrológicosLos modelos de pronóstico hidrológico son herramientas matemáticas que se emplean mientras se está produciendo una tormenta con el fin de predecir el caudal que se producirá en una sección de un río con un cierto tiempo de anticipación (horizonte de pronóstico). Como información de entrada suelen utilizar la lluvia y el caudal de la sección de interés, registrados en tiempo real. Sin embargo, durante un evento de gran magnitud, algunos sistemas de pronóstico experimentan una degradación en la calidad de los caudales observados en tiempo real, y en algunos se produce pérdida de dicha información. Esta circunstancia lo vuelve un simple modelo de simulación. El juego de valores de parámetros que mejor ajusta al modelo en modo pronóstico,no es necesariamente el óptimo para el mismo modelo en modo simulación, es decir, sin información de caudal observado en tiempo real. En este trabajo se emplea el método de algoritmos genéticos MOCOM-UA para realizar una optimización multiobjetivo del modelo hidrológico GR4P. El objetivo es ofrecer al operador del sistema de alerta de crecidas una herramienta que facilite la toma de decisión ante escenarios diversos. El método se basa en un frente de Pareto determinado por un conjunto de soluciones de compromiso entre dos escenarios a optimizar, que están dados por la mejor performance del modelo matemático frente a: 1) con la disponibilidad de caudales a tiempo real, y 2) sin dicha disponibilidad. La metodología se aplicó en del río Moros en la Bretaña francesa. Los resultados indican que la solución óptima para un escenario produce escasa performance en el otro, ya que se aparta del juego de valores de parámetros para el cual fue calibrado el modelo. Por otro lado, las soluciones de compromiso ofrecen performances aceptables para ambos objetivos. Este estudio es parte del proyecto HYRADIER, una cooperación científica entre Argentina, Brasil y Francia, financiado por el programa STIC-AmSud.Fil: Alonso, Facundo José. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; ArgentinaFil: Bertoni, Juan Carlos. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; ArgentinaFil: García, César Luis. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; ArgentinaFil: Garcia Rodriguez, Carlos Marcelo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Estudios Avanzados En Ingeniería y Tecnología. Universidad Nacional de Córdoba. Facultad de Ciencias exactas Físicas y Naturales. Instituto de Estudios Avanzados En Ingeniería y Tecnología; ArgentinaUniversidad Nacional Santiago Antunez de Mayolo2017-12info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/70804Alonso, Facundo José; Bertoni, Juan Carlos; García, César Luis; Garcia Rodriguez, Carlos Marcelo; Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico; Universidad Nacional Santiago Antunez de Mayolo; APORTE SANTIAGUINO; 8; 1; 12-2017; 45-562070-836X2616-9541CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/http://revistas.unasam.edu.pe/index.php/AS_V10N2/article/view/242info:eu-repo/semantics/altIdentifier/doi/10.32911/as.2015.v8.n1.242info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:37:03Zoai:ri.conicet.gov.ar:11336/70804instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:37:03.595CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
title Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
spellingShingle Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
Alonso, Facundo José
Algoritmos genéticos
Horizontes de pronóstico
Modelos hidrológicos
title_short Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
title_full Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
title_fullStr Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
title_full_unstemmed Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
title_sort Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico
dc.creator.none.fl_str_mv Alonso, Facundo José
Bertoni, Juan Carlos
García, César Luis
Garcia Rodriguez, Carlos Marcelo
author Alonso, Facundo José
author_facet Alonso, Facundo José
Bertoni, Juan Carlos
García, César Luis
Garcia Rodriguez, Carlos Marcelo
author_role author
author2 Bertoni, Juan Carlos
García, César Luis
Garcia Rodriguez, Carlos Marcelo
author2_role author
author
author
dc.subject.none.fl_str_mv Algoritmos genéticos
Horizontes de pronóstico
Modelos hidrológicos
topic Algoritmos genéticos
Horizontes de pronóstico
Modelos hidrológicos
dc.description.none.fl_txt_mv Los modelos de pronóstico hidrológico son herramientas matemáticas que se emplean mientras se está produciendo una tormenta con el fin de predecir el caudal que se producirá en una sección de un río con un cierto tiempo de anticipación (horizonte de pronóstico). Como información de entrada suelen utilizar la lluvia y el caudal de la sección de interés, registrados en tiempo real. Sin embargo, durante un evento de gran magnitud, algunos sistemas de pronóstico experimentan una degradación en la calidad de los caudales observados en tiempo real, y en algunos se produce pérdida de dicha información. Esta circunstancia lo vuelve un simple modelo de simulación. El juego de valores de parámetros que mejor ajusta al modelo en modo pronóstico,no es necesariamente el óptimo para el mismo modelo en modo simulación, es decir, sin información de caudal observado en tiempo real. En este trabajo se emplea el método de algoritmos genéticos MOCOM-UA para realizar una optimización multiobjetivo del modelo hidrológico GR4P. El objetivo es ofrecer al operador del sistema de alerta de crecidas una herramienta que facilite la toma de decisión ante escenarios diversos. El método se basa en un frente de Pareto determinado por un conjunto de soluciones de compromiso entre dos escenarios a optimizar, que están dados por la mejor performance del modelo matemático frente a: 1) con la disponibilidad de caudales a tiempo real, y 2) sin dicha disponibilidad. La metodología se aplicó en del río Moros en la Bretaña francesa. Los resultados indican que la solución óptima para un escenario produce escasa performance en el otro, ya que se aparta del juego de valores de parámetros para el cual fue calibrado el modelo. Por otro lado, las soluciones de compromiso ofrecen performances aceptables para ambos objetivos. Este estudio es parte del proyecto HYRADIER, una cooperación científica entre Argentina, Brasil y Francia, financiado por el programa STIC-AmSud.
Fil: Alonso, Facundo José. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; Argentina
Fil: Bertoni, Juan Carlos. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; Argentina
Fil: García, César Luis. Universidad Nacional de Córdoba. Facultad de Cs.exactas Físicas y Naturales. Departamento de Hidraulica; Argentina
Fil: Garcia Rodriguez, Carlos Marcelo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Estudios Avanzados En Ingeniería y Tecnología. Universidad Nacional de Córdoba. Facultad de Ciencias exactas Físicas y Naturales. Instituto de Estudios Avanzados En Ingeniería y Tecnología; Argentina
description Los modelos de pronóstico hidrológico son herramientas matemáticas que se emplean mientras se está produciendo una tormenta con el fin de predecir el caudal que se producirá en una sección de un río con un cierto tiempo de anticipación (horizonte de pronóstico). Como información de entrada suelen utilizar la lluvia y el caudal de la sección de interés, registrados en tiempo real. Sin embargo, durante un evento de gran magnitud, algunos sistemas de pronóstico experimentan una degradación en la calidad de los caudales observados en tiempo real, y en algunos se produce pérdida de dicha información. Esta circunstancia lo vuelve un simple modelo de simulación. El juego de valores de parámetros que mejor ajusta al modelo en modo pronóstico,no es necesariamente el óptimo para el mismo modelo en modo simulación, es decir, sin información de caudal observado en tiempo real. En este trabajo se emplea el método de algoritmos genéticos MOCOM-UA para realizar una optimización multiobjetivo del modelo hidrológico GR4P. El objetivo es ofrecer al operador del sistema de alerta de crecidas una herramienta que facilite la toma de decisión ante escenarios diversos. El método se basa en un frente de Pareto determinado por un conjunto de soluciones de compromiso entre dos escenarios a optimizar, que están dados por la mejor performance del modelo matemático frente a: 1) con la disponibilidad de caudales a tiempo real, y 2) sin dicha disponibilidad. La metodología se aplicó en del río Moros en la Bretaña francesa. Los resultados indican que la solución óptima para un escenario produce escasa performance en el otro, ya que se aparta del juego de valores de parámetros para el cual fue calibrado el modelo. Por otro lado, las soluciones de compromiso ofrecen performances aceptables para ambos objetivos. Este estudio es parte del proyecto HYRADIER, una cooperación científica entre Argentina, Brasil y Francia, financiado por el programa STIC-AmSud.
publishDate 2017
dc.date.none.fl_str_mv 2017-12
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/70804
Alonso, Facundo José; Bertoni, Juan Carlos; García, César Luis; Garcia Rodriguez, Carlos Marcelo; Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico; Universidad Nacional Santiago Antunez de Mayolo; APORTE SANTIAGUINO; 8; 1; 12-2017; 45-56
2070-836X
2616-9541
CONICET Digital
CONICET
url http://hdl.handle.net/11336/70804
identifier_str_mv Alonso, Facundo José; Bertoni, Juan Carlos; García, César Luis; Garcia Rodriguez, Carlos Marcelo; Algoritmos genéticos como herramienta de decisión frente a diversos escenarios de pronóstico hidrológico; Universidad Nacional Santiago Antunez de Mayolo; APORTE SANTIAGUINO; 8; 1; 12-2017; 45-56
2070-836X
2616-9541
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://revistas.unasam.edu.pe/index.php/AS_V10N2/article/view/242
info:eu-repo/semantics/altIdentifier/doi/10.32911/as.2015.v8.n1.242
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Santiago Antunez de Mayolo
publisher.none.fl_str_mv Universidad Nacional Santiago Antunez de Mayolo
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844613165570064384
score 13.070432