Predicción hidrológica en Colombia mediante

análisis espectral singular y máxima entropía

Luis F.Carvajal

Universidad Nacional de Colombia

José E. Salazar
Empresas Públicas de Medellín, Colombia

Óscar J. Mesa
Germán Poveda

Universidad Nacional de Colombia

Se exploran herramientas no lineales de predicción de series de tiempo en hidología, basadas en

Análisis Espectral Singular (AES), en combinación con el método de Máxima Entropía (MME) para
ajustar modelos autorregresivos. Se busca representar la no-linealidad existente en la evolución
de procesos hidrológicos, involucrando la influencia del fenómeno El Niño-Oscilación del Sur
(ENSO) sobre la hidro-climatología de Colombia. El AES es la expansión de una o un conjunto de
variables (campo discreto) en sus Componentes Principales por medio de las Funciones Ortogo-
nales Empíricas (FOE). El AES se usa para filtrar las componentes determinísticas no lineales de
una serie de tiempo. Para este fin, la serie original se embebe en un espacio de mayor dimensión
para tratar de reconstruir la dinámica del atractor (artificial) en el espacio de fases. El método es
equivalente a la expansión en series de Fourier; pero no usa funciones base prescritas como seno
y coseno, sino que utiliza funciones empíricas obtenidas a partir de los mismos datos. Tales fun-
ciones provienen de los vectores propios de la matriz de covarianza de la serie en el espacio de
fases. Las predicciones se efectúan extrapolando las tendencias dentro del atractor. El método
se aplica a la predicción de lluvias totales mensuales del periodo en las cuencas de los
embalses El Peñol, Troneras y Piedras Blancas del departamento de Antioquia en Colombia. Dada
la fuerte influencia del fenómeno El Niño-Oscialción del Sur (ENSO) sobre la hidroclimatología de
Colombia, se estiman las correlaciones entre el índice de Oscilación del Sur (ÍOS) y las Compo-
nentes Principales del campo de precipitación. Los resultados obtenidos ofrecen una nueva alter-
nativa para la predicción hidrológica en Colombia.

Palabras clave: predicción hidrológica, Análisis Espectral Singular, Funciones Ortogonales Ern-
píricas, Máxima Entropía, Modelos Autorregresivos, El Niño-Oscilación del Sur, Colombia.

Introducción del ENSO en la hidrología de Colombia ver Poveda y

La generación de energía eléctrica en Colombia se
basa en un en hidrogeneración, dadas sus favo-
rables condiciones hidroclimáticas, fisiográficas y geo-
lógicas. La hidroclimatología del país está fuertemente
condicionada por la ocurrencia del llamado fenómeno
El Niño-Oscilación del Sur (ENSO). Sobre los efectos
Mesa, 1993; 1994; Poveda et al., 1994; Mesa et a/. 1994;
Poveda y Mesa, 1995; Poveda y Mesa, y
Los ciclos aperiódicos impuestos por el ENSO se re-
flejan en la disponibilidad y precios del agua y la ener-
gía. Ello fue evidente durante el periodo seco que se
presentó en Colombia como consecuencia de los
efectos climáticos del fenómeno El Niño de
cuando el país se vió obligado a racionamientos de
energía eléctrica, que alcanzaron hasta horas/día
en la época más honda de la crisis. Tal crisis del sec-
tor eléctrico en Colombia durante y principios de
sirvió de trampolín para cuestionar las metodo-
logías de predicción utilizadas en el sector eléctrico.
Hasta ese momento los modelos de predicción dispo-
nibles no consideraban explícitamente la influencia de
fenómenos de gran escala espacial y de ciclos largos
(interanuales) que afectan la hidrología Colombiana, ni
involucraban la no-linealidad inherente a los procesos
hidrológicos.
En un intento de superar las limitaciones de los mé-
todos tradicionales de predicción hidrológica, se ha
propuesto el método de Análisis Espectral Singular
(AES), que consiste básicamente en aplicar la metodo-
logía de Funciones Ortogonales Empíricas (FOE) a se-
ries de tiempo univariadas. Este es un método clásico
en el procesamiento de señales digitales introducido
en oceanografía por Colebrook (1978) y en dinámica
no lineal por Broomhead y King ( 1 9 8 6 ) y por Fraedrich
986).
Las aplicaciones del AES en problemas de la evolu-
ción espacio-temporal de procesos geofísicos son
múltiples (Vautard y Ghil, 1989; Rasmusson et al,.1990;
Ghil y Mo, y b). En particular, Penland e tal.
(1991) demostraron que el prefiltrado de los datos
muestrales que se efectua en el AES, permite usar Má-
xima Entropía (ME) para obtener modelos autorregresi-
vos (AR) de bajo orden, Óptimos para predicción cli-
mática. Basado en esta combinación Keppenne y Ghil
(1992) implementaron el AES para predecir la evolu-
ción del índice de Oscilación del Sur (íos), que repre-
senta el estado del ENSO, y que se define como la
diferencia estandarizada entre las presiones atmosféri-
cas de Tahití en la Polinesia v Darwin en Australia.
El AES trata de capturar la evolución del sistema di-
námico en el espacio de fases. La implementación del
AES procede de manera análoga a la reconstrucción
artifical de la evolución de las trayectorias en el espa-
cio de fases de un sistema no lineal. La reconstrucción
artificial (basada en el teorema de Takens, 1981) es un
método tradicional en el análisis de procesos que exhi-
ben sensibilidad a las condiciones iniciales o caos de-
terminístico.
En este trabajo se aplica la metodología de AES en
combinación con el MME para ajustar modelos de pre-
dicción de precipitación mensual en las cuencas de
los embalses El Peñol, Troneras y Piedras Blancas, lo-
calizados en el departamento de Antioquia en la región
andina del noroeste de Colombia. Se describe el mé-
todo de AES; se presenta el ajuste de modelos autorre-
gresivos por Máxima Entropía, se hace la aplicación y
se muestran los resultados obtenidos con series de
precipitación en los sitios indicados y se discuten los
resultados y se presentan las conclusiones.
Análisis Espectral Singular y Ajuste
de Modelos Autorregresivos (AR)
por Máxima Entropía (Vautard et al., 1992)
La metodología se basa en la aplicacion de diferentes
formas del Análisis de Componentes Principales (ACP)
en el dominio del tiempo y del espacio (Preisendorfer,
1988). El AES se basa en el ACP en el espacio de los
vectores conformados por versiones rezagadas de
una serie de tiempo. En este contexto, la connotación
de Análisis Espectral no se refiere al tradicional análi-
sis en el dominio de la frecuencia, sino que se refiere
a la expansión de la evolución de un campo espacio-
temporal en diferentes modos ortogonales empíricos
(obtenidos a partir de los datos). El análisis clásico de
ACP se usa con múltiples series de tiempo y obtiene
las direcciones principales de una secuencia de vec-
tores M-dimensionales i I N), al expandirlos
con respecto a una base orto-normal kI
Los coeficientes de la proyección son las Ilama-
das CP y los vectores base corresponden a las FOE.
Los vectores son los vectores propios de la matriz
de covarianzas cruzadas de la secuencia Para
efectuar el AES a una sola serie de tiempo cuyos valo-
res están denotados por i N, la expansión
equivalente es:
El análisis es similar si se pasa de una sola serie de
tiempo a series de tiempo multivaridas =
Aquí, M denota la longitud d e la ventana o la
dimensión d e embebimiento. Los vectores son los
vectores propios de la matriz Toeplitz d e que
contiene en la columna j y en la fila i la covarianza de
x en el rezago En ambos casos, la descomposición
de la matriz de covarianza en valores y vectores pro-
pios (con respecto al espacio o al rezago temporal) se
relaciona con la descomposición en valores singulares
(DVS) de una matriz rectangular. En el caso de AES, la
matriz de' trayectorias tiene N-M vectores como co-
lumnas.
 El AES multivariado aplica la DVS a una matriz de
trayectorias cuyas componentes espacial y temporal
estan mezcladas (VautardyPlaut,1992). Por ejemplo,
para los L vectores originales, I L, N,
la expansión es de la forma
El vector de estado en el tiempo es
Recuerde que M
es la longitud de ventana, ahora el problema es de di-
mensión Así, el k-ésimo vector base es el vector
propio de la matriz conformada por las covarianzas
cruzadas de los diferentes L vectores para rezagos de
O a M-1. Las ecuaciones a (3) son la aplicación de
la expansión biortogonal de Karhunen-Loeve (1
familiar en procesamiento de señales digitales. Las CP
presentan ortogonalidad en el tiempo (covarianza si-
multánea nula para dos CP) y las FOE presentan or-
togonalidad en el espacio ya que son un nuevo siste-
ma de referencia. Esto implica que los valores propios
de la matriz de covarianza representan la varianza de
las Componentes Principales en la proyección del
campo discreto. Esto significa que el valor propio
representa la varianza de la k-ésima CP. Si se trunca la
ecuación (3) en la Componente Principal P
se reduce el campo discreto a la información de las
primeras P Componentes Principales, esto se hace en
una forma óptima si se ordenan los autovalores en una
forma decreciente, ya que las primeras P Componen-
tes Principales describen la mayor fracción de la va-
rianza total, que se puede obtener de una proyección
en P vectores ortogonales. Se tiene tantas Componen-
tes Pricipales como FOE se tenga, por lo tanto las res-
tantes Componentes Principales se pueden
considerar como ruido, sirviendo como filtro de la va-
rianza del campo discreto.
La implementación del método de AES requiere se-
leccionar la longitud de la ventana M, de acuerdo con
la longitud del campo discreto N. Si se considera que
la capacidad de resolución del AES es igual a la longi-
tud de la ventana M y se desea reconstruir un atractor
extraño, cuyo espectro incluye periodos de longitud
arbitraria, el mejor valor de M e s el mayor, pero para
que los errores estadísticos no afecten los últimos valo-
res de la función de covarianza, MI (Vautard et
al., 1992).
La k-ésima CP es el coficiente de la proyección orto-
gonal del campo discreto en el k-ésimo vector propio:
Las CP son las proyecciones del campo discreto en
las FOE y se pueden considerar como un promedio
móvil de la información en la ventana de longitud M. En
la ecuación los términos individuales dependen
del índice j (variando de a M), por lo tanto hay M for-
mas diferentes de reconstruir las componentes de la
señal, las que, en general, no dan los mismos resulta-
dos. Otro inconveniente es que las series resultantes
de usar la ecuación (2) son de longitud N-M+ y no d e
longitud N. Para solucionar los inconvenientes anterio-
res, se calculan las Componentes Reconstruidas (CR)
a partir de las CP lo que permite obtener un campo
discreto de longitud N, correspondientes a un conjun-
to de valores propios ya seleccionados. Para obtener
las CR se busca la solución óptima mínimo-cuadrática
de los detalles se pueden consultar en Vau-
tard et al. (1992). Una desventaja de las CR es que son
correlacionadas aún en el rezago cero. La principal
ventaja de usar CR en vez de CP es que permiten loca-
lizar en forma precisa las oscilaciones de alta frecuen-
cia y que entre x y no se presenta desplazamiento
en la fase, excepto al final del registro (Vautard et al.,
1992).
No obstante su aspecto lineal, la transformación de
Y, es no lineal, pues los vectores propios de-
penden no linealmente de
Ajuste de Modelos Autorregresivos (AR)
por Máxima Entropía (ME)
Un proceso estocástico de memoria corta o escala de
fluctuación finita puede ser representado mediante un
modelo autorregresivo de orden p, AR(p)
donde E, es un ruido blanco con media cero y varian-
za Los parámetros del modelo AR(p) se pueden
estimar mediante el método de Máxima Entropía
(MME; Burg, 1987). Para ello se determina la densidad
espectral correspondiente a un proceso AR(p), como
donde las constantes P } son los coefi-
cientes del proceso de la ecuación (5) y el valor es
la varianza del La vena
taj ventaja del MME es
su alta resolución espectral y su desventaja es la apari-
ción de picos falsos según la resolución, incrementan-
do el orden del modelo. Para escoger el orden del mo-
delo se usa el criterio de información de Akaike (1969).
Así, para cada p, se calcula la varianza de los residuos
mediante

Generalmente, decrece cuando p crece. El crite-

rio de selección del orden p del modelo ha sido defini-
do por Akaike (1969) como aquel que minimice el error
final de predicción (EFP):

en donde N es la longitud de la serie y Pes el número

de parámetros. El AES puede ser usado para retener
las CP estadísticamente significativas de una serie de
tiempo. Esto permite obtener modelos AR de bajo or-
den, sin la presencia de picos falsos.
La predicción lineal mediante modelos AR(p) ajusta-
dos por el MME, ha mostrado ser especialmente exito-
sa en extrapolación de señales suaves y oscilatorias,
no necesariamente periódicas (Keppene y Ghil, 1992).

Predicción de la precipitación mensual

en tres cuencas de Antioquia, Colombia

Se consideraron tres cuencas correspondientes a los
embalses de generación de El Peñol, Troneras y Pie-
dras Blancas, en el departamento de Antioquia, al no-
roeste de la región andina de Colombia. Los datos son
valores de precipitación mensual promediados en
cada una de las cuencas, para el periodo
El análisis se efectuó con los registros originales, sin re-
mover el ciclo anual. Para el caso de estudio se obtuvo
una matriz de covarianzas cruzadas de orden x
(longitud de ventana meses y sitios). Para efectos
del análisis se consideraron los primeros valores
propios, los cuales explican el de la varianza total
(cuadro I e ilustración
En la ilustración se presentan los vectores propios
y (que explican y de la va-
rianza total, respectivamente). El vector propio l pre-
senta ciclos de meses y tiene componentes positi-
vas mientras que los vectores propios y tienen
componentes positivas y negativas.
Se estimó la correlación entre el ÍOS y las primeras
cuatro componentes principales (cuadro 2). La ilustra-
ción presenta la evolución conjunta de la serie del
ÍOS y la segunda componente principal con una corre-
lación de estadísticamente significativa al
por ciento.
Posteriormente se reconstruyeron las componentes
principales para obtener series de longitud igual a la
del registro histórico. A cada una de las componen-
tes reconstruidas se ajustó un modelo AR(p) para ha-
cer la predicción sobre las componentes reconstruidas.
Esto hace que cada uno de los modelos AR conside-
ren una varianza mucho menor que la varianza total de
la señal. La estimación de párametros de los modelos En las ilustraciones a se presentan las predic-
AR(p) se hizo mediante Máxima Entropía, ecuación (5) ciones obtenidas para los periodos de diciembre a
y la selección del número de parámetros adecuado se abril y de mayo a noviembre de en las tres cuen-
hizo utilizando las ecuaciones (7) y (8). El orden p de cas, a partir de las componentes reconstruidas predi-
los modelos AR resultantes se presentan en el cuadro chas, ya que estas tienen propiedades aditivas para
De manera deliberada se obtuvieron modelos de or- obtener el campo de precipitación filtrado (con un
den muy alto para buscar buenas posibilidades de ex- de varianza). En las ilustraciones a se presenta la
trapolación (predicción). señal original, la señal filtrada (predicción) y las ban-
Seguidamente, se hicieron predicciones para dife- das de una y dos desviaciones por encima y por deba-
rentes periodos durante los años conside- jo de la predicción.
rando periodos de verano (diciembre-abril) e invierno Como se observa, las predicciones de la precipita-
(mayo-noviembre), semestrales (enero-junio y julio-di- ción presentan un comportamiento aceptable si se
ciembre) y mensuales. Se actualizaban los parámetros compara con las trazas reales para los dos años de pre-
del modelo AR(p) con las componentes reconstruidas dicción, con mejores resultados para el periodo de di-
del periodo o periodos predichos anteriormente. La
calibración de los modelos se hizo con los datos del
periodo a dejando los últimos dos años de
información para validar la predicción.
Para determinar la bondad de la predicción se
calculó el error cuadrático medio, definido como la raíz
cuadrada del promedio de la sumatoria al cuadrado
de la diferencia entre el valor predicho y el valor real
para el periodo correspondiente (ver cuadro 4). Adicio-
nalmente se calcularon y graficaron bandas de error de
una y dos desviaciones a cada lado de la predicción.
 La mejor predicción se obtiene para el embalse del
Peñol, con un error del y un error máximo de
Para el embalse de Piedras Blancas los errores
porcentuales son bastante altos, mostrando prediccio-
nes poco aceptables. Hay que tener en cuenta el efec-
to del tamaño de la cuenca, mostrando menores erro-
res para la cuenca de mayor extensión como lo es la
del Peñol con km2, siguiendo en orden Troneras
con km2 y Piedras Blancas con kilómetros
cuadrados.

ciembre-abril de que para mayo-noviembre de

y todo
El error cuadrático medio en diciembre-abril de
fue de mm/mes para el Peñol, mm/mes
para Troneras y mm/mes para Piedras Blancas.
Así como esta aplicación involucra el ajuste de mode-
los AR(p) por el métoodo de Máxima Entropía, también
se pueden considerar otros métodos de ajuste, como
por ejemplo mínimos cuadrados o correlaciones par-
ciales.
Para una mejor ilustración del comportamiento de
las predicciones en el periodo de validación, se pre-
senta en el cuadro la raíz del error cuadrático medio
como porcentaje de la respectiva media de cada mes.
 porcentuales obtenidos con los modelos AR(p) son in-
feriores cuando p = Como es lógico el error aumen-
ta cuando la ventana de predicción aumenta, si se tie-
ne en cuenta que ventanas de predicción mayores
involucran mayor incertidumbre. En el cuadro se pre-
sentan los resultados de los errores relativos máximos
y mínimos estimados entre el modelo AR(2) y el méto-
do de MME. El signo negativo indica que el error por
MME es menor que el error por mínimos cuadrados.
Estos ejercicios de predicción se han aplicado a
otras series de precipitación y caudales promedios
mensuales en Colombia: ríos Guatapé, Riogrande,
Guadalupe y Piedras (zona del departamento de An-
tioquia); caudales en el río Nare y precipitación en la
cuenca del embalse del Peñol (departamento de An-
tioquia) y una aplicación multivariada de cinco ríos que
comprende los caudales en los ríos Batá (departa-
mento de Boyacá), Magdalena (departamento del Hui-
la), Guadalupe (departamento de Antioquia), Nare (de-
partamento de Antioquia) y Salvajina (departamento
del Valle del Cauca). Para los detalles se remite al lec-
tor al trabajo de Carvajal (1994).
Los resultados obtenidos muestran errores cuadráti-
cos medios bajos y predicciones adecuadas. Se debe

Para efectos de comparación de las predicciones

hechas usando modelos autorregresivos por el método
de Máxima Entropía, se ajustaron modelos autorregre-
sivos de órdenes y a las series de precipita-
ción sobre cada cuenca.
Con cada modelo ajustado se hicieron predicciones
para los años y se estimó el porcentaje de
error de la predicción respecto al valor medio del pe-
riodo de validación. En los cuadros y se presen-
tan resultados para todos los casos estudiados.
AI comparar los resultados obtenidos para cada una
de las cuencas se observa, en general, que los errores
 tratando de involucrar elementos de la dinámica no li-
neal y para cuantificar la dependencia de la hidrología
de Colombia con respecto del fenomeno ENSO. Para
ello, se ha implementado en este trabajo el método de
Análisis Espectral Singular, en combinación con el mé-
todo de Máxima Entropía para predecir mensualmente
la evolución de variables hidrológicas, con modelos
AR(p). Este enfoque de la predicción hidrológica per-
mite superar algunas de las limitaciones inherentes a los
métodos tradicionales de predicción hidroclimática.

tener en cuenta que hay predicciones donde el error

se compensa dando valores bajos, es decir, la predic-
ción tiene valores altos al principio y al final se ajusta a
los valores reales o también se presenta la tendencia
contraria. En general se observa una mejor predicción
para caudales que para precipitación, faltando captu-
rar con una mayor habilidad los extremos de los perio-
dos de validación.

Conclusiones

La fuerte influencia del fenómeno ENSO sobre la hidro-

climatología de Colombia ocasionó el periodo seco de
y forzó el racionamiento de energía eléctrica
en Este trabajo es un paso para trascender
los modelos tradicionales de predicción hidrológica,
 El Análisis Espectral Singular tiene como cualidad
principal capturar la varianza representativa de la infor-
mación, y permite filtrar variabildad de alta frecuencia,
haciendo posible ajustar modelos de predicción más
simples y de buen resultado. Filosóficamente también
se puede interpretar esta metodología como el ajuste
de un polinomio de orden alto a la evolución de las tra-
yectorias en el espacio de fases de las series de tiem-
po. A partir de allí se usa la extrapolación sobre el
atractor como predicción.
Según la aplicación del AES con AR(p) al campo de
precipitación estudiado se puede concluir que las FOE
muestran comportamiento cíclicos, como los de
meses iguales a la longitud de la ventana M, que exhi-
be la FOE el resto de FOEtienen ciclos de mayor fre-
cuencia.
El orden de los modelos AR(p)ajustados por el cri-
terio de información de Akaike es muy alto.
Esto puede ser resultado del compromiso que el
MME hace entre el orden del modelo ajustado y las fre-
cuencias presentes en la señal. Sería importante hacer
el análisis considerando otras metodologías de ajuste,
ya que el objetivo con el AES es tener una señal filtra-
da que permita ajustar AR(p) de orden bajo. Otro as-
pecto por considerar es el criterio de Akaike, el cual
sólo tiene en cuenta una sumatoria de residuos multi-
plicada por un factor que involucra el número de datos
y de parámetros. Allí no se hace la selección teniendo
en cuenta la función de autocorrelación de las CP.
La posibilidad de explorar una longitud de ventana
mayor de meses (por ejemplo sesenta meses), para
considerar cambios hidrológicos con persistencia ma-
yor de dos años, está restringida por requerimientos
computacionales, representada en la exigencia de me-
moria y subrutinas rápidas que den soluciones esta-
bles de valores propios y vectores propios de la matriz
de covarianzas.
Un aspecto importante es el punto en el tiempo an-
terior a la iniciación de la predicción. El valor de la se-
ñal filtrada no coincide con el real. Este desfase sería
importante considerarlo en posteriores ejercicios para
mejorar las predicciones. Otro aspecto por considerar
es la longitud de la ventana de predicción, lo que debe
involucrar un buen conocimiento de la hidrología de la
zona, para poder trabajar con los periodos intra-anua-
les críticos y con una ventana de predicción adecuada
que cubra la longitud de esos periodos. Los resultados
obtenidos deben estar siempre sujetos a una mirada
crítica. La predicción hidrológica debe hacer uso de
diversas metodologías.
Cuando se compara el ajuste por MME con el ajus-
te de un modelo AR(2), se observa ganancia en la dis-
minución del error de predicción, aún teniendo un mo-
delo AR de orden alto ajustado mediante el método
MME. Esto permite concluir que el Análisis Espectral
Singular puede ser una herramienta útil para mejorar la
predicción hidrológica.
Recibido: junio,
Aprobado: julio,
Referencias
Akaike, H. Fitting autoregressive models for prediction.
Ann. Inst. Stat. Math.
Allen, M. R., P. L. Read y L. A. Smith. Bidecadal oscilla-
tions and the global temperature record. Nature,
Box, G.E.P. y G.M., Jenkins Time Series Analysis, Fore-
casting and Control. San Francisco: Holden-Day. pp.
Broomhead, D. S. y G. P. King. Extracting qualitative
dynamics from experimental data. Physica D
Burg, J. P. Maximum entropy spectral analysis. Pre-
sentation at 37th annaul meeting of the society of explora-
tory Geophysicists, Oklahoma City, reimpreso en Modern
Spectrum Analysis, D. G. Childers Pags
Carvajal, L. F. Acerca de la Predicción No Lineal en Hi-
drología. Tesis de Magíster, Universidad Nacional de Co-
lombia, Facultad de Minas, Medellín, Colombia. pp.
Colebrook, J. M, Continuous plankton records: zoo-
plankton and environment, North-East Atlantic and North
Sea, Oceanol. Acta
Fraedrich, K. Estimating the dimensions of weather and
climate attractors. J. Atmos. Sci.
Ghil, M. y K. Mo lntraseasonal oscillations in the glo-
bal atmosphere, I, Northen Hemisphere. J. Atmos. Sci,
Ghil, M. y K. Mo b. lntraseasonal oscillations in the glo-
bal atmosphere, II, Southern Hemisphere. J. Atmos. Sci.
Keppenne, C.L. y M., Ghil. Adaptive filtering and pre-
diction of the southern oscillation index. J. Geophys. Res.
Loève, M. probability Theory. ed, princeton: Van
Nostrand.
Mesa, O. J., G. Poveda, L. F. Carvajal y J. E. Salazar
Efecto del fenómeno de El Niño-Oscilación del Sur en la
hidrología Colombiana. Memorias del XVI Congreso
Latinoamericano de Hidráulica e Hidrología, Vol. IAHR,
Santiago de Chile. Pags
Mesa, O.J., L. F. Carvajal, J. E. Salazar Y G.Poveda.
Predicción hidrológica usando redes neuronales. Memo-
rias del XVI Congreso Latinoamericano de Hidráulica e
Hidrología, IAHR, Santiago de Chile, Vol. Pags
Penland, C., M., Ghil y K. M., Weickmann. Adaptive fil-
tering and maximun entropy spectra with application to
changes in atmospheric angular momentum. J. Geoph.
Res.
Poveda, G., y O. J. Mesa. Metodologías de predicción Poveda, G., y O. J. Mesa. Las fases extremas del fenó-
de la hidrología Colombiana considerando el evento El meno ENSO (El Niño y La Niña) y su influencia sobre la
Niño-Oscilación del Sur (ENOS). Atmósfera, Sociedad hidrología de Colombia. Ingeniería Hidráulica en México
Colombiana de Meteorología (Bogotá) XI(1):
Poveda, G. Funciones ortogonales empíricas en el Poveda, G., y O. J. Mesa. Feedbacks between hydro-
análisis de la relación entre los caudales medios en Co- logical processes in tropical South America and large
lombia y las temperaturas de los océanos Pacífico y scale oceanic-atmospheric phenomena. J. of Climate, l O ,
Atlántico. Memorias del XVI Congreso Latinoamericano
de Hidráulica e Hidrología, IAHR, Santiago de Chile, Vol. Preisendorfer, R.W. Principal Component Analysis in
Pags Meteorology and Oceanography Amsterdam: Elsevier.
Poveda, G., O. J. Mesa, L.F. Carvajal, y J. E. Salazar p.
Lluvias en Colombia: Correlación con el clima del Océano Press, W. H. Numerical Recipes. The Art of Scientific
Pacífico y análisis de funciones ortogonales empíricas. Computing. Cambridge University Press.
Memorias delXVI Congreso Latino-Americano de Hidráu- Rasmusson, E. M., X. Wang and C. F. Ropelewsky.
lica e Hidrología, IAHR, Santiago de Chile, Vol. Pags The biennial component of ENSO variability J. Mar. Sys.

Poveda, G. y C. Penland Predicción de caudales medios Takens, F. Detecting strange attractors in turbulence.
en Colombia usando Modelación Lineal Inversa. Memo- En: Lecture Notes in Mathematics New York:
rias del XVl Congreso Latino-Americano de Hidráulica e Springer-Verlag.
Hidrología, IAHR, Santiago de Chile, Vol. Pags Vautard, R., P. Yiou y M., Ghil. Singular-spectrum
Poveda, G. y O. J. Mesa. The relationship between analysis: A toolkit for short, noisy chaotic signals. Physica
ENSO and the hydrology of tropical South America. The D
case of Colombia. Proceedings of the Fifteenth Annual Vautard, R. y M. Ghil. Singular spectrum analysis in
American Geophysical Union Hydrology Days, nonlinea dynamics, with applications to paleoclimatic
Atherton, CA, USA: Hydrology Days Publications. time series. Physica D

Abstract

Carvajal, L.F.; J.E. Salazar; O.J. Mesa; G. Poveda. "Hydrological prediction in Colombia using singular spec-
tral analysis and the maximum entropy method". Hydraulic Engineering in Mexico (in Spanish). Vol. XIII. Num.
pages January-April,
We explore Singular Spectrum Analysis (SSA) combined with maximum entropy method (MEM) to fit auto-
rregresivemodels to predict monthly rainfall and streamflow river discharges in Colombia. These methods cap-
ture non-linear features of hydrological processes and also the strong influence of El Niño-Southern Oscillation
on the hydro-climatologyof Colombia. SSA is used to filter out the deterministic nonlinear component of a time
series, whereas the MEM is used to determine the autoregressive models used for prediction. The original
series is embedded in a higher dimensional space for the reconstruction of the atractor of the dynamic sys-
tem producing the series. The method is equivalent to the expansionin Fourier series but instead of using pres-
cribed sine and cosine functions, empirical eigen functions are used. The eigen-functions come from the
eigen-vectors of the covariance matrix of the series in the phase space. Predictions are made extrapolating
tendencies in the attractor. The methods are applied to rainfall data in three basins in Antioquia, Colombia.
Monthly predictions are performed for the period Results again confirms the high degree of
ENSO'S influence on the hydro-climatology of the region. The results suggest that SSA in combination with
MEM offer a promissing new tool for hydrological prediction in Colombia.
Key words: Hydrologic prediction, Singular Spectrum Analysis. Empirical Orthogonal Functions, Maximum
Entropy,Autorregressivemodels, El Niño-Southern Oscillation, Colombia.

Dirección institucional de autores:

Luis F. Carvajal, José E. Salazar,Óscar J. Mesa, Germán Poveda

Facultad de Minas, Universidad Nacional de Colombia

Medellin, Colombia
Tel. (94)
E-mail: