SIMULACIÓN DE REDES NEURONALES ARTIFICIALES DE NIVELES DE AGUA SUBTERRÁNEA POR

HORA EN UN SISTEMA ACUÍFERO COSTERO DE LA LAGUNA DE VENECIA

RESUMEN

Las Redes Neuronales Artificiales (ANN) se han empleado con éxito para predecir y pronosticar
los niveles de las aguas subterráneas hasta algunos pasos adelante. En este artículo,
presentamos una aplicación de redes neuronales de alimentación directa (FFN) para
simulaciones de períodos prolongados de niveles de agua subterránea por hora en un acuífero
costero no confinado ubicado en la Laguna de Venecia, Italia. Después de inicializar el modelo
con elevaciones de agua subterránea observadas en un momento dado, el FNN desarrollado
debería poder reproducir las variaciones del nivel de agua utilizando solo las variables de
entrada externa, que se han identificado como lluvia y evapotranspiración. Para lograr este
propósito, los modelos se calibran primero en un conjunto de datos de capacitación para realizar
predicciones de 1 h por adelantado de los niveles futuros de agua subterránea utilizando los
niveles de agua subterránea observados en el pasado y las entradas externas. Luego se producen
simulaciones en otro conjunto de datos alimentando iterativamente los niveles de agua
subterránea pronosticados, junto con datos externos reales. Los resultados muestran que el FNN
desarrollado puede reproducir con precisión la profundidad del agua subterránea del acuífero
superficial durante varios meses. El estudio sugiere que dicha red se puede utilizar como
alternativa viable a los modelos físicos para simular las respuestas del acuífero en escenarios
futuros plausibles o para reconstruir largos períodos de observaciones faltantes, siempre que
existan datos pasados para las variables influyentes.

INTRODUCCION

La simulación de las fluctuaciones de las cabezas hidráulicas en los sistemas de agua subterránea
generalmente se lleva a cabo mediante modelos físicos, que exigen una síntesis adecuada de los
parámetros del acuífero para describir la variabilidad espacial del subsuelo. Esta información es
difícil de obtener incluso con costosas investigaciones de sitios, y la partición del dominio físico
requerido para la solución numérica puede resultar en costos computacionales extremos.
Aunque es preferible desarrollar un modo numérico riguroso del sistema de flujo, ya que implica
una comprensión más profunda de la dinámica del acuífero, cuando el enfoque se centra en los
resultados del modelo, estos problemas pueden superarse empleando modelos empíricos de
caja negra. Las cajas negras realizan un mapeo matemático entre entradas y salidas históricas
sin requerir información física en el sistema investigado. Entre estas heurísticas, las redes
neuronales artificiales (RNA) se han utilizado ampliamente en el campo de la hidrología (en el
Comité de Tareas de la ASCE sobre la Aplicación de Redes Neuronales Artificiales en Hidrología,
2000). En particular, las redes neuronales de alimentación directa (FNN) se han aplicado con
éxito para la modelización de series de tiempo en muchos contextos hidrológicos, como el
escurrimiento de lluvia (Dawson y Wilby, 1998; Hsu y otros., 1995), flujo de río (Cheng y otros.,
2005; Joorabchi y otros., 2007), previsión de inundaciones (Chau y otros., 2005) y modelado de
la calidad del agua (Muttil y Chau, 2006, mayo y Sivakumar, 2009). En Maier y Dandy (2000) y
Maier y otros. (2010) se puede encontrar una revisión detallada de las aplicaciones de RNA para
modelar variables de recursos hídricos. Las aplicaciones relevantes para predicción y pronóstico
de series temporales de profundidad de la capa freática también están disponibles en la
literatura. Coulibaly y otros. (2001) utilizó diferentes tipos de RNA para las predicciones
mensuales de los niveles de agua subterránea en Gondo Plain, Burkina Faso. El estudio ha
demostrado que las RNA son una herramienta efectiva para prever hasta 3 meses las
profundidades de la capa freática en aguas secas de la estación seca, y pueden emplearse para
la gestión del agua en áreas semiáridas. Daliakopoulos y otros. (2005) probó el rendimiento de
varios tipos de RNA y algoritmos de entrenamiento para pronosticar las fluctuaciones
trimestrales del agua subterránea en un acuífero en Messara Valley, Creta, con hasta 18 meses
de anticipación. Los mejores resultados se obtuvieron con la arquitectura de red neuronal
predictiva entrenada con el algoritmo de Levenberg-Marquardt. Nayak y otros (2006)
emplearon ANN para pronosticar niveles mensuales en dos pozos diferentes de un acuífero
costero no confinado en el sistema Delta de Godavari, India. Su estudio sugiere que se pueden
obtener pronósticos mensuales precisos de hasta 4 meses de anticipación con redes
relativamente simples, siempre que la identificación precisa de las entradas del sistema se lleve
a cabo de antemano. Trichakis y otros (2009) emplearon redes neuronales artificiales para el
pronóstico diario de la etapa del agua de un acuífero cárstico en la región de Ática, Grecia. Sus
hallazgos sugieren que se podrían lograr mejoras importantes en el rendimiento predictivo de
la red neuronal empleando la variación de la altura del agua subterránea entre dos pasos de
tiempo en lugar de la cabeza hidráulica como variable de salida. Cuando las observaciones de
una red de piezómetros están disponibles, las redes neuronales también se pueden emplear
para modelar las variaciones espaciales en el nivel freático. Nourani y otros (2008, 2011)
emplearon redes neuronales artificiales para la predicción espacial temporal de los niveles de
agua subterránea en las llanuras de Tabriz y Shabestar, en el noroeste de Irán. Sus resultados
muestran que las redes neuronales se pueden emplear o bien como un reemplazo o en
conjunción con modelos geoestadísticos existentes para aumentar las actuaciones de
predicciones piezométrica espacio-temporales para complejos acuíferos multicapa. En la
mayoría de la literatura disponible, se han empleado redes neuronales artificiales para
reproducir los niveles de aguas subterráneas sobre una base mensual o diaria, dado que tales
resoluciones de tiempo son generalmente apropiadas para la mayoría de las situaciones
hidrogeológicas y las aplicaciones de gestión del agua. Sin embargo, en este trabajo tratamos
con un acuífero poco profundo y muy sensible, para el cual los cambios importantes en los
niveles de las capas de agua ocurren repentinamente debido a la precipitación después de los
eventos de tormentas. El objetivo de este estudio es verificar si los modelos neuronales son
capaces de reproducir con precisión la variación de los niveles de agua subterránea por hora,
con un enfoque particular en sus rendimientos durante las simulaciones de períodos
prolongados. El estudio de caso es un acuífero costero ubicado en la Laguna de Venecia (Italia),
donde se está desarrollando un sistema de defensa (sistema Mo.S.E.) para proteger el interior
de las mareas altas (Bras y otros, 2001; Rinaldo y otros., 2008). Posteriormente, se ha emplazado
una red de piezómetros en el área de estudio para controlar los efectos de las obras de
construcción en la dinámica del agua subterránea (Magistrato delle Acque di Venezia, 2008).
Como se mencionó anteriormente, la profundidad del agua subterránea que se encuentra en el
acuífero es generalmente baja, y el acuífero es altamente sensible a la infiltración de la lluvia.
Entonces se requiere un monitoreo de alta frecuencia del nivel freático para detectar las
elevaciones repentinas que ocurren después de las tormentas, es decir, para emitir advertencias
de inundación si los niveles están más allá de los umbrales de seguridad. Luego se emplea una
red neuronal para modelar tales variaciones de alta frecuencia por hora y producir simulaciones
a largo plazo de los niveles de agua subterránea. Luego se emplea una red neuronal para
modelar tales variaciones de alta frecuencia por hora y producir simulaciones de aguas
subterráneas a largo plazo. niveles. Las simulaciones se obtienen utilizando solo los datos
observados para influir en las variables externas, la lluvia y la evapotranspiración, ya que los
insumos directos y los valores pronosticados del agua subterránea como entradas recursivas. Lo
anterior puede aprovecharse para reconstruir las respuestas del acuífero bajo escenarios
plausibles futuros o para reconstruir largos períodos de observaciones faltantes, siempre que
existan datos pasados para las variables influyentes.

REDES NEURONALES DE ALIMENTACION DIRECTA

Las redes neuronales de alimentación directa son procesadores paralelos distribuidos de

inspiración biológica que se sabe que aproximan cualquier función continua con un grado
arbitrario de precisión (Horniketal., 1989). Estas heurísticas son particularmente adecuadas para
predecir y pronosticar variables hidrológicas debido a su capacidad para modelar procesos no
lineales, no estacionarios y no gaussianos, como los que se encuentran en contextos hidrológicos
(Maier y Dandy, 1997). Las FNN consisten en un número de unidades de procesamiento, o
neuronas, unidas mediante conexiones sinápticas y dispuestas en capas. Las entradas se pasan
a través de la capa de entrada y, después de multiplicarse por pesos sinápticos, se entregan a la
primera capa oculta. En las unidades ocultas, la suma ponderada de las entradas se transforma
mediante una función de activación no lineal, que generalmente se elige como la tangente
logística o hiperbólica. El mismo proceso tiene lugar en cada una de las siguientes capas ocultas,
hasta que la salida llega a los nodos de salida. En este trabajo, todos los modelos FNN
desarrollados tendrán una capa oculta y estarán completamente conectados, es decir, cada
nodo de la capa anterior se vinculará a cada nodo de la siguiente capa. Para obtener más detalles
sobre las FNN, se remite al lector a la bibliografía (Haykin, 1998, Comité de Tareas ASCE sobre la
Aplicación de Redes Neuronales Artificiales en Hidrología, 2000). Sin embargo, para el resto de
la discusión aquí, vale la pena señalar que la salida escalar predicha 𝑦̂𝑡 de una FNN con un nodo
de salida es una función

𝑦̂𝑡 = 𝑓(𝑥𝑡 , 𝑤), (1)