Modelamiento y Simulación
1
de Sistemas Ambientales
Universidad de Huánuco - 2023
Semana 4: Modelamiento matemático
Mg. Yasser Vásquez Baca
2 MODELAMIENTO MATEMÁTICO
Modelando un sistema ambiental
Los sistemas ambientales requieren
comprender aspectos matemáticos,
geológicos, climáticos, hidrológicos,
ecológicos, entre otros.
Los modelos se convierten en la
integración de diferentes teorías o
hipótesis científicas acerca del
funcionamiento de un sistema ambiental
3 MODELAMIENTO MATEMÁTICO
El lenguaje matemático permite describir y modelizar sistemas de manera
objetiva y no ambigua.
El lenguaje simbólico que aportan las matemáticas permite expresar ideas
complejas que representan las diferentes transferencias entre los
componentes del sistema modelizado.
Si un modelo considera variaciones en el espacio o en el tiempo, requiere
computadoras para su resolución ordenada en forma de algoritmos.
4 MODELAMIENTO MATEMÁTICO
Ecuaciones de los modelos
Establecen de manera explícita cuales son las influencias de unos
componentes sobre otros que ya se han representado mediante un
gráfico. El elegir un tipo de modelo implica elegir un tipo de ecuaciones.
Los modelos físicos se suelen construir mediante ecuaciones diferenciales
que se resuelven mediante métodos numéricos.
Si el modelo es distribuido y dinámico se utilizarán métodos de diferencias
finitas utilizando la resolución espacial y temporal como valores de X y t
respectivamente.
5 MODELAMIENTO MATEMÁTICO
Los modelos empíricos utilizan modelos de regresión para establecer cual
es la relación entre las variables de entrada, los parámetros y las variables
de salida.
Los modelos empíricos distribuidos son generalmente modelos de
interpolación que a partir de observaciones de una variable en un
conjunto de puntos, generan valores de dicha variable en todo el área de
trabajo.
Los modelos estocásticos se basan en la utilización de números aleatorios
para generar series de valores a partir de estos.
6 MODELAMIENTO MATEMÁTICO
Las características deseables de los modelos matemáticos son (Moore et al., 1993):
Parsimonia, un modelo no es necesariamente mejor por tener muchos
parámetros. La simplicidad es siempre deseable.
Modestia, deben tratar de alcanzarse sólo objetivos asequibles.
Exactitud, el modelo debe reproducir en la medida de lo posible el
funcionamiento del sistema.
Verificabilidad, los resultados del modelo deben poder compararse con
datos reales y determinar de este modo el grado de exactitud del modelo.
7
Modelamiento
matemático ambiental
8 MODELAMIENTO MATEMÁTICO
Calibración de modelos
Proceso de ajuste, donde
uno o más parámetros que
caracterizan el
comportamiento del
sistema, ven modificados sus
valores para reproducir
valores similares a los datos
en campo.
Estimación de los
parámetros del modelo con
criterios deductivos o con
ayuda de observaciones
anteriores, considerando las
entradas y salidas.
Llamas, 1993.
9 MODELAMIENTO MATEMÁTICO
Objetivos de la Calibración
Se busca que el modelo reproduzca con el menor error posible, el
funcionamiento del sistema observado, eliminando datos sesgados.
Minimizar la diferencia entre las respuestas observadas del sistema y las
respuestas simuladas por el modelo. La representación matemática de
esta diferencia es lo que se conoce como función objetivo.
Schwar, 1996.
Transformar una herramienta teórica en un instrumento útil para la
investigación y gestión ambiental de un territorio.
Más de una combinación de parámetros pueden proveer un ajuste
acorde a los datos observados.
10 MODELAMIENTO MATEMÁTICO
Parámetros
y datos de
Limites de aplicación entrada
o alcance
Campo de aplicación real
del modelo, especifica los Alcance del
límites físicos en campo, fuera modelo
de los cuales el modelo
puede resultar inadecuado o
erróneo. Parámetros
y datos de
salida
11 MODELAMIENTO MATEMÁTICO
Métodos de calibración
Prueba y error.- método tradicional, basado en operar el modelo con
diferentes parámetros a criterio del “modelador”, hasta encontrar un
ajuste razonable entre los valores medidos y simulados.
Esquema automático.- el ajuste o estimación de los parámetros se realiza
en forma automática por parte de un módulo independiente del
programa, el que utiliza nociones de optimización estadística.
Es necesario tener criterios de calibración cualitativos y cuantitativos.
12 MODELAMIENTO MATEMÁTICO
Ej. Parámetros a calibrar en un modelo hidrológico:
Flujo.- Transporte.-
Conductividad Hidráulica Ubicación de fuentes
Flujo a través de un acuitardo Historia de la fuente
Coeficiente de almacenamiento Dispersividad
Tasas de recarga Coeficiente de difusión
Condiciones de borde Coeficiente de adsorción
Tasa de degradación
13 MODELAMIENTO MATEMÁTICO
Ej. Parámetros a calibrar en un modelo hidrológico:
Criterios cualitativos.- Criterios cuantitativos.-
Comparación de propiedades Comparación de valores medidos y
generales del flujo (dirección). simulados
Contornos de nivel piezométrico Cálculo de residuales r =
y/o profundidad. h(calculado )- h(observado)
Depresiones o elevaciones. Valor medio (R), valor absoluto
(RA), raíz cuadrada del residual
Descarga o recarga de agua (RMS), desviación estándar (SD),
superficial. valor normalizado (RN)
Normas técnicas sobre las Histogramas (comportamiento tipo
propiedades hidrogeológicas gaussiano)
incluidas en la calibración.
Cálculo de balances volumétricos y
flujos superficiales
Rangos posibles para parámetros.
14 MODELAMIENTO MATEMÁTICO
Una vez calibrado el modelo, debe
ser utilizado para “simular” un
segundo conjunto de datos
conocidos.
El modelo debe ser capaz de
reproducir valores de campo, de
otro modo su validez es
cuestionable.
El proceso de validación opera el
modelo con los parámetros
determinados en la calibración y
verifica la reproducción de los
datos históricos.
15 MODELAMIENTO MATEMÁTICO
Validación
Acto documentado de probar si cualquier procedimiento, proceso,
equipo, material, actividad o sistema, conlleva realmente al resultado
esperado o definido. Bedient y Huber, 2002.
Determinar si el modelo conceptual de simulación, es una representación
exacta del sistema que está bajo estudio. Kelton y Law, 1991.
El modelo debería ser validado por medio de series de datos de varios
años, para que la predicción del modelo pueda ser avalada.
16 MODELAMIENTO MATEMÁTICO
¿Cuándo es necesario validar?
Cuando se está desarrollando un
modelo nuevo.
Cuando se desea comparar el
desempeño de dos modelos.
Cuando se tiene varios modelos
disponibles, y es necesario saber cual
se adapta mejor a las nuevas
condiciones hidrológicas,
topográficas, biológicas o sociales de
la zona de estudio.
Fuente: Domínguez, M.
17 MODELAMIENTO MATEMÁTICO
Parámetros de desempeño de un modelo
Sensibilidad.- Estudia la influencia de cada parámetro en la variación de
las respuestas de salida del modelo. Existen distintas técnicas estadísticas
para analizar la sensibilidad, como son: los diagramas de dispersión,
métodos basados en la varianza o el índice la correlación parcial de
coeficientes.
Robustez.- Es la capacidad de un modelo de permanecer inalterado por
pequeñas pero deliberadas variaciones en sus parámetros, provee
información del comportamiento del modelo.
18 MODELAMIENTO MATEMÁTICO
Cálculos estadísticos
Para comparar un amplio número
de resultados que arrojan los
modelos, se recomienda utilizar
regresiones lineales, polinómicas o
también se puede calcular el
coeficiente de correlación “r” que
permite saber si el rango de datos es
lo suficientemente amplio para dar
buenos estimados de la pendiente y
la ordenada en el origen (r > 0.99).
19 MODELAMIENTO MATEMÁTICO
Ej. Calibrar y validar un modelo agrometeorológico:
Se determina cuales son las ecuaciones matemáticas mas representativas
para pronosticar temperaturas (inicio y final de la campaña agrícola).
Luego, se aplican métodos estadísticos para ajustar los valores, se puede
utilizar un análisis de correlación múltiple para los datos de temperatura
mínima, temperatura del aire del bulbo seco, del bulbo húmedo y
velocidad de viento.
Fuente: Sanabria, J et al.
20 MODELAMIENTO MATEMÁTICO
Para validar, se emplearon indicadores estadísticos como el error de
cuadrados medios residuales (RMSE) y el Bias (B).
Para definir la validez de los modelos en la zona de estudio, se
establecieron criterios limitantes a estos indicadores estadísticos:
a) El Bias no sea mayor a B = ± 2.0 °C
b) Las diferencias o errores mayores a 2 °C no deben constituir más del 25%
de la muestra total para que se acepte la validación del modelo.
Fuente: Sanabria, J et al.
Resultados estadísticos de las temperaturas mínimas
Resultados de la validación del modelo empírico
estimadas por el modelo empírico
21
GRACIAS
