Estudios recientes de técnicas para la detección de cambios en datos de interés Hidrológico

Estudios recientes de técnicas para la detección de cambios en datos de interés Hidrológico

Resumen. Los cambios en los datos es un aspecto importante de la calidad de los datos a tener en cuenta. Detectar los cambios que pueden ocurrir en los datos es de gran importancia para realizar buenos estudios y ahorrar costes aún para proyectos simples. Los datos pueden sufrir errores aleatorios, al no tener patrón identificable, o sistemático lo que implica que sigue un patrón conocido.  En este artículo se busca detectar tipos de errores sistemáticos, que pueden corresponder con un cambio en el instrumento, en su localización, en sus ajustes internos, incluso en la rutina medida; Para identificar de inmediato el cambio se analizará los datos mediante diferentes técnicas que han sido utilizadas recientemente y de las cuales se han obtenido un buen resultado.  

Palabras Clave: Técnicas de Inteligencia Artificial, Análisis Hidrológico, Formulaciones Matemáticas, Análisis Bayesiano, Pruebas No Paramétricas.

1. Introducción

Detectar los cambios que se producen en la series de datos hidrológicos es de suma importancia para proveer datos oportunos y veraces, que una vez procesados proporcionen la información adecuada para lograr una mayor eficiencia en la ejecución y evaluación del manejo del agua, ya sea en sistemas de irrigación, control de inundaciones y erosión de los suelos, tratamiento de aguas contaminadas, en el diseño de estructuras hidráulicas, entre otras.

Los datos con problemas pueden conducir a decisiones erróneas con consecuencia como pérdida de dinero, tiempo y credibilidad. Estos cambios pueden ser el resultado de los errores sistemáticos, que puede ser producido por cómo se realiza la medición y los errores aleatorios como instrumentales (imperfecciones en la construcción o ajustes de los instrumentos) y naturales (causados por efectos naturales, viento, temperatura, humedad, presión, atmosférica, refracción atmosférica, gravedad, declinación magnética, entre otros).

Los cambios en los datos de interés hidrológicos pueden presentarse de diversas formas; así se puede ocurrir de manera repentina (salto) o gradual (tendencia) o pueden adoptar formas más complejas. Los estudios hidrológicos para detectar el cambio no suelen ser un proceso trivial, por la dificultad que entrañan factores como los valores, los periodos estacionales y otras dificultades a corto plazo (por ejemplo debido al cambio de instrumentos y las técnicas de observación).

Es de común aceptación la consideración de los tipos de análisis para detectar cambios en una serie de datos de interés hidrológico [1].  Estadísticamente existen varias técnicas de detección basados en la identificación de cambios en los datos hidrológicos que le permite al analista adquirir un conocimiento pleno sobre el comportamiento de la serie hidrológica por medio de diferentes técnicas. Enfoques basados en inteligencia artificial, tales como las técnicas de detección basadas en Kohonen (Kohonen, 1990), vienen es ampliamente utilizado en el agrupamiento de grandes conjuntos de datos, debido principalmente a la poca dependencia al dominio del conocimiento y a los eficientes algoritmos de aprendizajes disponibles.

En este artículo  se explica algunas técnicas desarrolladas para detectar cambios en los datos y mejorar la calidad de los datos de interés hidrológicos.

1. Técnicas de Inteligencia Artificial

Los cambios en los datos imponen características distintas en las secuencia de los datos y éstos pueden ser detectados con herramientas de reconocimiento de patrones, es por ello que se ha desarrollado técnicas de detección de cambio basadas en técnicas de Inteligencia Artificial [2]. Se presume que las secuencias de datos corrompidos por anomalías tales como los cambios tendrían diferentes patrones que los que están sin corrupción.

Los retos más importantes en el análisis de los datos de interés hidrológicos son que las causas u orígenes de las anomalías son a menudo muy difícil de determinar y estas se pueden reducir a la eficacia de los esfuerzos de detección.

Existen tres modelos de inteligencia artificial que los investigadores han utilizado de manera tradicional:

1. Programación heurística: Se basa en el modelo de comportamiento humano y su estilo para resolver problemas complejos.
2. Redes neuronales: Representación abstraída del modelo neuronal del cerebro humano.
3. Evolución artificial (algoritmos genéticos): Su modelo está basado en el proceso genético de la evolución natural, propuesto por Charles Darwin.

Este estado del arte se centrara en las redes neuronales de Kohonen que es una técnica de agrupación de inteligencia artificial [2].

1. Redes Neuronales Artificiales (RNA)

El concepto de RNA surge en 1943 por Walter Pitts y Warren McCulloch (Fig. 1) que proponen una conceptualización del funcionamiento del cerebro humano basado en una red de células interconectadas. En el año 1982 aparece la técnica de aprendizaje denominada retropropagación del error [rumelhart 1986] y a partir de ese año la RNA ha continuado con grandes evoluciones. La utilización de las Redes Neuronales en la ingeniería Civil viene de los años 80s, pero solo a partir de 1991 aparecen una de las primeras aplicaciones en hidrología [chang et al 1991]. Las RNA constituyen una línea de investigación en Inteligencia Artificial (IA), la cual tiene como objetivo primario la construcción de máquinas inteligentes (Grimson y Patil, 1987).

[pic 1]

Fig. 1 La neurona de McCulloch-Pitts es una unidad de cálculo que intenta modelar el comportamiento de una neurona "natural", similares a las que constituyen del cerebro humano. Ella es la unidad esencial con la cual se construye una red neuronal artificial.

1. Red Neuronal de Kohonen

La red Neuronal de Kohonen es una herramienta de identificación de patrones que se utiliza cada vez más en hidrología y recursos hídricos [3]. Es un modelo de red neuronal con capacidad para formar mapas de características, de manera similar a como ocurre en el cerebro. En este modelo existen neuronas que se organizan en muchas zonas, de forma que las informaciones captadas del entorno a través de los órganos sensoriales se representa internamente en forma de mapas bidimensionales. La capa de entrada de la red se compone con n neuronas destinadas a recibir los datos de un vector de entrada Fig. 1 . Cada neurona en la capa de entrada está conectado a cada neurona en la capa de salida y un peso () está asignado a cada conexión.  El vector de peso para la neurona de salida se define como . Una neurona de salida es equivalente a un clúster y su correspondiente vector de peso. Una capa de salida es estructurada en una superficie plana, similar a un mapa. [pic 2][pic 3][pic 4]

...