Modelo autorregresivo bilineal aplicado a la predicción mensual de caudales en Colombia.

Authors

  • Juan David Cadavid Universidad Nacional de Colombia
  • Luis Fernando Carvajal Universidad Nacional de Colombia

DOI:

https://doi.org/10.22395/rium.v12n23a2

Keywords:

Modelación estocástica, modelo autorregresivo bilineal, predicción de caudales.

Abstract

Se aplica un modelo estocástico bilineal, el cual inicialmente es propuesto para análisis de retornos financieros y otros sistemas complejos combinando la alta no linealidad y multiplicidad del ruido. Este modelo, por su carácter aleatorio, no tiene componente determinística que permita considerar la persistencia de los caudales en una aplicación a la Hidrología. Por lo tanto, se propone el acoplamiento entre la parte determinística de un modelo autorregresivo de orden 2 y el modelo estocástico bilineal como componente aleatorio, y se obtiene un modelo autorregresivo bilineal (MAB). El MAB se empleó para la predicción de caudales en ventanas de 3, 6 y 12 meses en 12 ríos de Colombia de diferentes regiones del país. El MAB tiene unaestructura simple y muestra una mejora sustancial en la disminución de los errores para los caudales máximos y mínimos en el período de validación respecto de los modelos estocásticos tradicionales.

Downloads

Download data is not yet available.

Author Biographies

Juan David Cadavid, Universidad Nacional de Colombia

Estudiante Posgrado en Ingeniería de Recursos Hidráulicos, Universidad Nacional de Colombia, Sede Medellín, Cra 80 x Calle 65, BloqueM2 – 303, Medellín, Colombia.

Luis Fernando Carvajal, Universidad Nacional de Colombia

Profesor Asociado, Universidad Nacional de Colombia, Sede Medellín, Cra 80 x Calle 65, Bloque M2 – 323, Tel: (574) 425 51 09, Fax:(574) 425 51 03, Medellín, Colombia.

How to Cite

Cadavid, J. D., & Carvajal, L. F. (2014). Modelo autorregresivo bilineal aplicado a la predicción mensual de caudales en Colombia. Revista Ingenierías Universidad De Medellín, 12(23), 23–34. https://doi.org/10.22395/rium.v12n23a2

Issue

Section

Articles