Upcoming SlideShare
×

Introducción a la Modelación Hidrológica

688 views
556 views

Published on

Curso Internacional “Hidrología y Monitoreo Hidrológico en Ecosistemas Andinos” 10-14 de junio de 2013. Piura, Perú.
Imperial College London

Published in: Education
1 Comment
1 Like
Statistics
Notes
• Full Name
Comment goes here.

Are you sure you want to Yes No
• ab

Are you sure you want to  Yes  No
Views
Total views
688
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
0
1
Likes
1
Embeds 0
No embeds

No notes for slide

Introducción a la Modelación Hidrológica

2. 2. Qué es un modelo?
3. 3. El modelo perceptual
4. 4. e.g., evapotranspiration - Penman - Monteith - Priestley - Taylor - Thornthwaite Infiltration - Green-Ampt - Horton - Darcy's law El modelo conceptual The conceptual model e.g., evapotranspiration - Penman - Monteith - Priestley - Taylor - Thornthwaite Infiltration - Green-Ampt - Horton - Darcy's law ET o=  Rna c p q ga 1ga / gsv PET =a sT a sT a K nLn 1 w v PET =1.6 10T I a F t=Ktln [1 F t  ] F t= f c t  f 0− f c k 1−e−kt  F=K [h0−−−L L ] The conceptual model e.g., evapotranspiration - Penman - Monteith - Priestley - Taylor - Thornthwaite Infiltration - Green-Ampt - Horton - Darcy's law ET o=  Rna c p q ga 1ga / gsv PET =a sT a sT a K nLn 1 w v PET =1.6 10T I a F t=Ktln [1 F t  ] F t= f c t  f 0− f c k 1−e−kt  F=K [h0−−−L L ]
5. 5. #include "topmodel.h" void run_topmodel(double *rain, double *ET0, int nidxclass, int i, int ntimestep) { int j, k; double Aatb_r, _qo, _qv; /* initialise the fluxes */ misc.qt[i][nidxclass] = 0.0; misc.qo[i][nidxclass] = 0.0; misc.qv[i][nidxclass] = 0.0; misc.qs[i] = 0.0; misc.f[i] = rain[i]; /* By default all rain infiltrates */ misc.fex[i] = 0.0; /* and therefore fex is zero */ /* calculate infiltration and redirect any excess infiltration to fex */ if(params.infex){ misc.f[i] = params.dt * get_f((i + 1) * params.dt, rain[i] / params.dt, params.CD, params.K0, params.m, params.dt); if(misc.f[i]<0) misc.f[i] = rain[i]; ... El modelo procedural
6. 6. ? Para qué usar un modelo? Análisis de escenarios B A C ?
7. 7. ? Para qué usar un modelo? Evaluación de hipótesis
8. 8. Predicciones El proceso de la generación de conocimiento B A C ? Sensores Información Modelos y = f(x)
9. 9. Predicciones
10. 10. Precipitation efectiva Ejemplo de un 10mm 1-hora hidrograma unitaria0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10 time stormrunoff 0 2 4 6 8 10 1 2 3 4 5 6 7 8 9 10 time effectiverainfall (mm/hour)(mm/hour) Tipos de modelos: hidrograma unitaria
11. 11. Tipos de modelos: series de tiempo Modelos autoregresivos - Análisis de series de tiempo - ARMA(p,q) (Autoregressive moving average models) o: donde Xt es una serie de tiempo de datos, φi and θi son parametros, Li es el operador lag, and εt son los errores ej, modelo ARMA(1,0):
12. 12. Tipos de modelos: series de tiempo ? t Q
13. 13. Tipos de modelos: series de tiempo y = ax + b t Q
14. 14. Tipos de modelos: modelos conceptuales P componente de pérdida (balance hídrico) Peff componente de routing (regulación) Q
15. 15. Tipos de modelos: modelos conceptuales PDM Peffs Peffb Reservorios agregados Q= S T
16. 16. Tipos de modelos: modelos conceptuales Topmodel Entradas: - P - ETp
17. 17. MIKE SHE (Système Hydrologique Européen) Tipos de modelos: modelos distribuidos
18. 18. Tipos de modelos: modelos distribuidos
19. 19. Tipos de modelos: modelos globales
20. 20. La calibración de los modelos •  Ajustar los parámetros del modelo •  Medidas de desempeño •  R2 •  Sesgo •  Eﬁciencia Nash – Sutcliffe •  Muestreo de valores de parámetros •  Muestreo aleatorio •  Muestreos más inteligentes (e.g., Latin Hypercube) € OF =1− xi − yi[ ] i=1,N ∑ 2 y − yi[ ] i=1,N ∑ 2 Q= S T Q= S T
21. 21. La calibración de los modelos
22. 22. La evaluación de los modelos Périodo de calibración Périodo de evaluación
23. 23. Capacidad predictiva “Todos los modelos son erróneos, pero algunos sirven” Entonces, como sabemos si un modelo sirve?
24. 24. Capacidad predictiva “Todos los modelos son erróneos, pero algunos sirven” Entonces, como sabemos si un modelo sirve?
25. 25. Análisis de incertidumbre “Todos los modelos son erróneos, pero algunos sirven” Entonces, como sabemos si un modelo sirve? •  “Todos los modelos son falsos, pero algunos pueden ser útiles” •  Como saber si un modelo es útil? è Análisis de incertidumbre è Análisis de riesgos, probabilidades •  Varios métodos, mucha investigación cientíﬁca •  Método popular y sencillo: GLUE
26. 26. Opciones  de  manejo   B A C ? Análisis  de  los   impactos   Datos  disponibles     Resultados   No útilÚtil! Colectar  más   información   ♫ La modelación como un proceso interactivo