Comparación del filtro de Kalman discreto con el filtro de conjuntos para pronóstico de caudales horarios en el río Huaynamota, Nayarit, México

• Narváez-Ortiz, Ildefonso ^[1] ; Ibáñez-Castillo, Laura Alicia ^[1] ; Arteaga-Ramírez, Ramón ^[1] ; Vázquez-Peña, Mario ^[1] ; Cíntora-González, Carlos ^[1]
  1. [1] Universidad Autónoma Chapingo

     Universidad Autónoma Chapingo

     México

     
• Localización: Tecnología y Ciencias del Agua, ISSN-e 2007-2422, Vol. 12, Nº. 6 (noviembre-diciembre de 2021), 2021, págs. 239-281
• Idioma: español
• Títulos paralelos:
  • Comparison of discrete and ensemble Kalman filter for hourly streamflow forecasting in Huaynamota River, Nayarit, México
• Enlaces
  • Texto completo
• Resumen
  • español

    La asimilación de datos integrada para el pronóstico de caudales puede brindar flexibilidad y reducción de errores sistemáticos en los modelos. En este trabajo se evalúan la capacidad predictiva del filtro de Kalman discreto, filtro de Kalman de conjuntos y su integración, utilizando registros horarios de caudal de las estaciones Chapalagana y Platanitos ubicadas sobre el río Huaynamota, región hidrológica 12. La cuenca se ubica al noroeste de la república mexicana, y se comparte entre los estados de Durango, Nayarit, Zacatecas y Jalisco. Para el análisis se utilizaron series con 1 360 registros horarios del año 2017 comprendidos entre el 2 de agosto a las 9:00 horas hasta el 28 de septiembre a las 0:00 horas. Se realizaron pronósticos a 1, 2, 3, 4, 5 y 6 pasos hacia adelante, combinados con tamaños de conjunto de 5, 8, 10, 20, 50 y 100 miembros utilizando caudales de la estación Platanitos como variable exógena. El ajuste entre la serie observada y las pronosticadas se estimó mediante el coeficiente de Nash-Sutcliffe y la raíz del cuadrado medio del error para determinar que el filtro de Kalman discreto alcanza mejor ajuste y actualización con base en el tiempo de retraso entre series. El filtro de Kalman de conjuntos genera un suavizado de la serie pronosticada, y al igual que la integración de filtros aumenta el efecto de desplazamiento de la serie pronosticada. El filtro de Kalman discreto alcanza ajuste superior a ARX y a la combinación ARX-DKF.

  • English

    Integrated data assimilation for flow forecasting can provide flexibility and reduce systematic errors in the models. In this work we evaluate the predictive capacity of the discrete Kalman filter, ensemble Kalman filter, and its integration, using hourly flow records from Chapalagana and Platanitos stations located on the Huaynamota river, hydrological region 12. The basin is located in the northwest of the Mexican Republic and is shared between the states of Durango, Nayarit, Zacatecas, and Jalisco. For the analysis, series with 1360 data from 2017 were used, from August 2nd at 9:00 a.m. to September 28th at 0:00 a.m. Forecasts were evaluated at 1, 2, 3, 4, 5, and 6 steps forward, combined with set sizes of 5, 8, 10, 20, 50, and 100 members using measurements at the Platanitos station as an exogenous variable. The fit between observed and predicted series was estimated using the Nash-Sutcliffe coefficient and the mean square root of the error to determine that the discrete Kalman filter achieves better fit and update based on the time delay between series. The Ensemble Kalman filter generates smoothing of the predicted series, and the integration of filters increases the displacement effect of the predicted series. The discrete Kalman filter achieves superior adjustment to ARX and the ARX-DKF combination.