Professional Documents
Culture Documents
Programa de Doctorado
“Sistemas de Producción Integrada en la Agricultura y la Ganadería”
Programa de Doctorado
“Sistemas de Producción Integrada en la Agricultura y la Ganadería”
El Director El Tutor
El Doctorando
A los Drs. Nicolás Oyonarte y Luis Andreu por aceptar la labor de dirección y tutoría de este
trabajo, y por sus inestimables conocimientos y experiencias que me permitieron
cumplimentar en tiempo y forma las diferentes etapas del período de investigación.
INDICE
I.- INTRODUCCIÓN.................................................................................................................1
1.1.- Tendencias del Regadío en España.........................................................................4
1.1.1.- Oportunidades de Modernización del Regadío........................................6
1.1.2.- Algunos Falsos Mitos...............................................................................8
1.2.- Hidráulica del Riego por Superficie.....................................................................14
1.2.1.- Modelización del Riego por Superficie..................................................15
1.3.- Hacia un Nuevo Paradigma en la Modelización del Riego por Superficie...........17
IV.- CONCLUSIONES...........................................................................................................63
i
Modelización de la Fase de Avance del Riego por Superficie
INDICE DE FIGURAS
ii
Indice
del campo......................................................................................................................47
Figura 3.6.- Histogramas de los residuos obtenidos con los resultados de los
modelos Híbrido y SRFR. (a) Residuos de la distancia de avance. (b) Residuos
del calado del flujo superficial al inicio del campo.......................................................48
Figura 3.7.- Regresión lineal de los resultados obtenidos con los modelos de
Walker y Skogerboe y SRFR. (a) Casos con pendiente longitudinal del campo igual
o superior a 0,00001 m/m. (b) Casos con pendiente longitudinal del campo
igual o superior a 0,0001 m/m.......................................................................................49
Figura 3.8.- Distribuciones de frecuencia acumulada de los resultados de los
modelos Híbrido y SRFR en condiciones de régimen transitorio.................................51
Figura 3.9.- Regresión lineal de los resultados obtenidos con los modelos Híbrido y
SRFR en condiciones de régimen transitorio. (a) Distancia de avance. (b) Calado
del flujo superficial al inicio del campo........................................................................53
Figura 3.10.- Histogramas de los residuos obtenidos con los resultados de los
modelos Híbrido y SRFR en condiciones de régimen transitorio. (a) Residuos de la
distancia de avance. (b) Residuos del calado del flujo superficial al inicio del
campo............................................................................................................................53
Figura 3.11.- Variaciones de la velocidad de avance considerando que el volumen
superficial fluctúa en igual proporción al caudal de riego (Sin corrección de Q) y
corrigiendo el efecto transitorio con los caudales equivalentes
(Corrección de Q)..........................................................................................................54
Figura 3.12.- Ejemplos de simulaciones numéricas de la fase de avance con
los modelos SRFR e Híbrido en condiciones de variación temporal del caudal
de riego. (a) Curvas de avance. (b) Evolución temporal del calado al inicio
del campo. (c) Hidrógrafos de los caudales instantáneo, medio y equivalentes...........56
Figura 3.13.- Resultados de los análisis de sensibilidad de los modelos SRFR
(figuras ubicadas a la izquierda) e Híbrido (figuras ubicadas a la derecha).
(a) Sensibilidad de la distancia de avance. (b) Sensibilidad del calado al inicio
del campo......................................................................................................................61
iii
Modelización de la Fase de Avance del Riego por Superficie
INDICE DE TABLAS
Tabla 1.1.- Distribución de los sistemas de riego en algunos de los estados más productivos
de Estados Unidos durante el año 2003. Porcentaje de la superficie total
regada (USDA, 2004)......................................................................................................3
Tabla 1.2.- Evolución de la superficie de riego en España........................................................5
Tabla 1.3.- Eficiencias medias y potenciales de diferentes sistemas de riego en California...10
Tabla 1.4.- Uniformidad de Distribución media de los sistemas de riego en California.........11
Tabla 2.1.- Características de los patrones de datos usados en el entrenamiento y
optimización (verificación) de las redes neuronales diseñadas para simular
la evolución temporal del área y el volumen del flujo superficial................................28
Tabla 2.2.- Características de los patrones de datos usados en el entrenamiento y
optimización (verificación) de las redes neuronales diseñadas para estimar
los caudales equivalentes para la simulación de la fase de avance en condiciones
de fluctuación temporal del caudal de riego. ................................................................32
Tabla 3.1.- Topologías de las RNA utilizadas para simular la evolución temporal del
área y el volumen del flujo superficial..........................................................................39
Tabla 3.2.- Evaluación de la precisión y exactitud de las RNA para simular la
evolución temporal del área y el volumen del flujo superficial....................................39
Tabla 3.3.- Topologías de las Redes MLP utilizadas para estimar los caudales
equivalentes para la simulación de la fase de avance en condiciones de
fluctuación temporal del caudal de riego......................................................................43
Tabla 3.4.- Evaluación de la precisión y exactitud de las RNA para simular los
caudales equivalentes....................................................................................................43
Tabla 3.5.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido
y SRFR en condiciones de régimen permanente...........................................................44
Tabla 3.6.- Resultados de la prueba de Wilcoxon-Mann-Whitney para comparar las
medianas de los resultados obtenidos por los modelos SRFR e Híbrido......................45
Tabla 3.7.- Resultados de la prueba de Brown-Forsythe para comparar las varianzas
de los resultados obtenidos por los modelos SRFR e Híbrido......................................45
Tabla 3.8.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido y
SRFR en condiciones de régimen transitorio................................................................51
Tabla 3.9.- Resultados de las pruebas de Wilcoxon-Mann-Whitney y Brown-Forsythe
iv
Indice
para comparar las medianas y varianzas de los resultados obtenidos por los modelos
SRFR e Híbrido en condiciones de régimen transitorio................................................52
v
Modelización de la Fase de Avance del Riego por Superficie
LISTADO DE SÍMBOLOS
vi
Indice
vii
I.- Introducción
I.- INTRODUCCIÓN
El riego por superficie abarca una amplia gama de sistemas que tienen la característica común
de que el agua fluye por la superficie del terreno por efecto de la gravedad. La principal
característica del riego por superficie es que el propio suelo constituye el sistema de
distribución del agua, es decir, no es necesario disponer de complejas estructuras de
distribución del agua ni equipos de presurización para obtener una correcta y uniforme
distribución del agua en el suelo. Ésta es, probablemente, la principal ventaja del riego por
superficie frente a los sistemas presurizados, toda vez que el agricultor no tiene que amortizar
costosos equipos de distribución e impulsión del agua. Los métodos de riego por superficie
más comunes son los tablares, a nivel o con pendiente, y los surcos. Estos métodos pueden
adaptarse a un amplio rango de suelos, relieves, cultivos y fuentes de agua. Sin embargo,
cuando los sistemas están mal diseñados, se manejan de forma no adecuada o no se adaptan a
las condiciones particulares de la parcela, sus ventajas pueden verse mermadas por otros
costes propios del sistema, como unas elevadas necesidades de mano de obra, pérdidas de
producción agrícola o baja eficiencia del uso del agua.
En muchos países industrializados la superficie agrícola con riego por superficie está
decreciendo debido al desarrollo de los sistemas de riego presurizado. No obstante, el riego
por superficie continúa abarcando proporciones muy importantes de la superficie total regada.
En Estados Unidos el riego por superficie se utilizó en cerca de 11,02 millones de ha en el año
1998, mientras que la superficie de los sistemas presurizados fue de 10,96 millones de ha. En
el año 2003 la situación había cambiado significativamente, los sistemas de riego
presurizados con 12,09 millones de ha, dominaron sobre el riego por superficie con 9,34
millones de ha (USDA, 2004). Sin embargo, es interesante resaltar que en estados muy
productivos desde el punto de vista agrícola como Arizona, Arkansas, California, Colorado y
Utah, el riego por superficie continuó ocupando más del 50% de la superficie regada (Tabla
1.1).
2
Modelización de la Fase de Avance del Riego por Superficie
Tabla 1.1.- Distribución de los sistemas de riego en algunos de los estados más productivos
de Estados Unidos durante el año 2003. Porcentaje de la superficie total regada (USDA,
2004).
Riego por Superficie Riego por Aspersión Riego Localizado
Estado % Superficie Total % Superficie Total % Superficie Total
Arizona 89,83 6,63 3,54
Louisiana 87,92 11,63 0,45
Arkansas 85,95 13,69 0,36
Wyoming 81,65 17,86 0,49
Mississippi 67,98 31,99 0,028
Nevada 66,60 33,32 0,077
Montana 63,87 36,10 0,030
California 62,10 17,76 20,14
Missouri 59,03 40,43 0,54
Utah 55,68 43,69 0,63
Colorado 51,35 48,50 0,15
Por otra parte, el riego por superficie fue el método más utilizado en Australia durante el año
2005, con un 60,2% de la superficie total regada (Trewin, 2006). Siendo Australia un país
altamente industrializado y un líder mundial en producción agrícola, la tendencia de cambio
de sistemas de riego ha sido diferente en este país. El riego por superficie ha aumentado
sistemáticamente desde el año 2003 en detrimento del riego presurizado. El riego por
superficie se utilizó en 1,34 millones de ha en el 2003, mientras que el riego presurizado
abarcó 995.000 ha. Durante el año 2005, la superficie con riego presurizado había decrecido
hasta 896.000 ha, mientras que el riego por superficie alcanzó 1,45 millones de ha.
3
I.- Introducción
regada en el mundo (Jurriens et al., 2001). Muchos países en vías de desarrollo dependen del
riego por superficie para producir fibras y alimentos. Sin el riego por superficie, países como
Egipto, India, Pakistán, China y muchos otros del continente africano, se enfrentarían a
problemas mucho más serios de seguridad alimentaria que los que actualmente sufren.
Sin Información
0,6%
Otros
0,3%
Máquinas de Riego
7,6%
Aspersión
14,9% Localizado
41,6%
Superficie
35,0%
Figura 1.1.- Distribución de los sistemas de riego predominantes en España durante el año
2006. Porcentaje de la superficie total regada.
La evolución del regadío en España ha mostrado una tendencia al alza pasando de 3.312.020
ha correspondientes al año 2002 a 3.319.790 ha en el año 2006 (Tabla 1.2). Destaca el
incremento del riego localizado (24,91% de incremento respecto al año 2002) en detrimento
de los otros sistemas de riego. Así, el riego por aspersión ha sufrido una pérdida del 14,84%
de la superficie respecto al 2002, el riego por superficie se ha reducido en un 11,13%,
4
Modelización de la Fase de Avance del Riego por Superficie
mientras que la superficie con máquinas de riego se ha mantenido más o menos estable con un
ligero descenso de 2,94%.
La tendencia en Andalucía es muy similar a la del resto del país. En el año 2002 existía en
Andalucía un total de 893.00 hectáreas regadas (CAP, 2004). El sistema de riego localizado
fue el mayoritario, empleándose en un 41% de toda la superficie regada. Este sistema de riego
se concentró en la mayoría del olivar, en los cítricos y superficies freseras de Huelva, y en los
cultivos intensivos protegidos de Almería. Por su parte, el riego por gravedad alcanzó el 40%
de la superficie total, dominando los regadíos situados en las vegas de los ríos y altiplanicies
del interior; y el riego por aspersión ocupó el 19% de la superficie total, concentrándose en las
campiñas de Cádiz, Córdoba y Sevilla (Fig. 1.2).
Según los datos del MAPA (2006), en el año 2006 el riego localizado en Andalucía ocupó el
66,84% de la superficie regada, el riego por superficie el 20,29% y la aspersión (incluyendo
máquinas de riego) el 12,85% de un total de 920.974 ha regadas. La evolución hacia el riego
localizado ha sido coherente con las políticas promovidas por el Plan Nacional de Regadíos y
el notable incremento de la superficie dedicada a frutales, viñedos, cítricos, olivar y hortalizas.
5
I.- Introducción
Figura 1.2.- Distribución del regadío en Andalucía según el sistema de riego predominante
en el año 2002.
Estas condiciones favorables de financiación han inducido que en los últimos años se
generalizara la oportunidad de modernizar las zonas de riego en España con la aparición de
sociedades mercantiles públicas y con personalidad jurídica privada, que son gestoras de la
subvención estatal y europea. Con esta premisa se abandonó el análisis de posibles soluciones
intermedias de modernización y se diseñaron zonas de riego basadas en sistemas automáticos
6
Modelización de la Fase de Avance del Riego por Superficie
Sin embargo, actualmente comienzan a intervenir otros factores de gran impacto sobre la
toma de decisiones de soluciones de modernización de regadíos. Entre estos factores se
identifican la combinación de las presiones ambientales y económicas impuesta por la
Directiva Marco del Agua (DMA) y la revisión de la Política Agraria Común (PAC) (Berbel
et al., 2003). Ante esta situación de incertidumbre, y teniendo en cuenta además que las
subvenciones públicas no cubren los costes del equipamiento de parcela, muchos agricultores
no estarán dispuestos a sufragar unos importes tan elevados como suponen las tendencias
actuales de modernización de regadíos, pese a las condiciones favorables de financiación que
existen.
7
I.- Introducción
es beneficioso a los precios actuales del agua, pero en caso de aplicarse una política de tarifas
como la que propone la DMA, la demanda de agua podría hacerse inelástica a largo plazo
debido a que la mayor productividad del agua no supera a los costes marginales de este tipo
de tecnología de riego.
El término “eficiencia de riego” ha causado una dicotomía entre la situación física de los
sistemas hidrológicos y la percepción pública y política de la gestión de los recursos hídricos.
Miles de millones de euros se han invertido en planes de modernización de regadíos dirigidos
a incrementar las bajas eficiencias, con la intención de resolver los problemas de escasez de
agua. Durante años se ha convencido a la sociedad de que las políticas hidráulicas sustentadas
sobre las inversiones en infraestructuras de regadío permiten liberar vastos recursos hídricos
para otros usos (Allen et al., 2003). Sin embargo, existen algunos preceptos fundamentales
8
Modelización de la Fase de Avance del Riego por Superficie
La mayor parte del agua que percola hacia los acuíferos no constituye una pérdida del sistema
hidrológico. El agua percolada que alcanza el acuífero se moverá lateralmente con cierta
velocidad, hasta descargar en una fuente superficial desde donde podrá ser reutilizada
nuevamente. Por lo tanto, la única vía efectiva de aumentar la disponibilidad de agua es
reduciendo la fracción que es degradada hasta el punto que no es posible su reutilización, o
reducir la fracción que se evapora (Wolff y Stein, 1999; Allen et al., 2003).
9
I.- Introducción
• Los sistemas de riego por superficie necesitan menor cantidad de elementos (tuberías,
válvulas, bombas, filtros, etc.), y por esta razón han sido etiquetados como sistemas
obsoletos o inherentemente ineficientes.
• En realidad las firmas comerciales tienen menos elementos que vender a los
agricultores si éstos optan por modernizar sus sistemas de riego por superficie.
• Muchas casas comerciales de sistemas de riego presurizado han reproducido folletos
publicitarios dirigidos a convencer a los agricultores de que sus explotaciones no serán
modernas si continúan usando los sistemas de riego por superficie.
Las ineficiencias de muchos sistemas de riego por superficie se han debido más a deficiencias
en el diseño y el manejo que a sus propias potencialidades. Kennedy (1994), a partir de
evaluaciones realizadas en California, encontró que las eficiencias de los sistemas de riego
por superficie bien diseñados y manejados se aproximaron o superaron a las conseguidas por
los sistemas presurizados (Tabla 1.3). Asimismo, Hanson (1995) presentó los valores medios
de Uniformidad de Distribución de los sistemas de riego evaluados en explotaciones
comerciales de California, arribando a conclusiones similares (Tabla 1.4).
10
Modelización de la Fase de Avance del Riego por Superficie
el riego por superficie influye más la mejora del control sobre el caudal, la duración del riego
y la flexibilidad de servicio de suministro de agua.
Existen condiciones donde el riego por superficie pueden alcanzar eficiencias aceptables a
costes razonables. Bajo estas condiciones, la conversión a sistemas presurizados puede
ofrecer pocas (o ninguna) ventajas. De hecho, es inverosímil considerar que el riego por
superficie será completamente reemplazado por sistemas presurizados, particularmente
cuando se considera los siguientes aspectos (Clemmens, 1998; Playán et al., 1998; Luquet et
al., 2005):
Numerosos estudios han demostrado que la eficiencia global de una zona regable depende
más de manejo del riego y de la calidad del servicio de suministro de agua, que del
predominio de sistemas de riego presurizado (Bos y Nugteren, 1990; Luján, 1992; Wolters,
11
I.- Introducción
1992; Krinner, 1995; Burt y Styles, 1999; Pluquellec, 2002; Styles y Mariño, 2002; Skaggs y
Samani, 2005). La calidad del servicio depende de las condiciones de flexibilidad, fiabilidad y
equidad del suministro de agua (Burt, 2002; CAP, 2003).
En un estudio reciente, Rodríguez et al. (2005) analizaron las dotaciones de riego que la
Confederación Hidrográfica del Guadalquivir suministró a 48 zonas de regables de su ámbito
de actuación. Estos autores no detectaron diferencias entre las dotaciones suministras a las
zonas con predominio de sistemas de riego presurizado respecto a las zonas donde el riego
por gravedad fue mayoritario. Sin embargo, se identificaron tres categorías de zonas regables
bien diferenciadas por la calidad del servicio de suministro de agua ofertado, expresado a
través de un Índice de Servicio (IS) (Fig. 1.3). El IS de cada zona regable se calculó teniendo
en cuenta diferentes atributos del servicio como son: (i) Iniciativa y declaración de la zona de
riego, (ii) origen del agua de riego, (iii) garantía del suministro, (iv) organización del riego,
entre otros. Cada atributo del servicio se catalogó con un valor entre 4 y 1 (4 condiciones
excelentes, 3 buenas, 2 regulares y 1 malas).
11000
Indice de Servicio <=2,0 Indice de Servicio=2,3
10000
9000
Suministro Bruto (m3/ha)
8000
7000
6000
Indice de Servicio >=2,7
5000
4000
3000
2000
1000
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000
3
Necesidades Netas de Riego (m /ha)
Figura 1.3.- Relación entre las necesidades netas de riego y las dotaciones suministradas a
48 zonas regables de la Cuenca del Guadalquivir (Rodríguez et al., 2005).
12
Modelización de la Fase de Avance del Riego por Superficie
En la Fig. 1.3 se puede apreciar que las dotaciones suministradas a las zonas regables fueron
indiferentes del predominio de un sistema de riego u otro, sino que dependieron de las
necesidades netas de riego y de la calidad del servicio de suministro de agua ofertado
(Rodríguez et al., 2005). La relación entre las necesidades netas y el suministro bruto de riego
es un indicador de la eficiencia global máxima que se puede alcanzar en una zona regable
(Krinner,1995) que, acorde con los resultados mostrados en la Fig. 1.3, también depende del
servicio de suministro de agua.
Desde el punto de vista regional, la gestión integrada de las fracciones de agua consumibles y
reutilizables es mucho más relevante que el incremento de la eficiencia del regadío.
Comprender adecuadamente estos conceptos ayuda a eliminar algunos errores comunes en la
toma de decisiones sobre políticas hidráulicas. Enfatizar o promover programas de
modernización de regadíos dirigidos únicamente a incrementar la eficiencia pueden dañar aún
más la situación actual de los usuarios. Esto no quiere decir que la modernización de regadíos
sea perjudicial: más bien al contrario. Si bien en la mayoría de las situaciones la
modernización de regadíos no permite un ahorro de la demanda de agua e incluso aumenta su
uso consuntivo, las razones que verdaderamente justifican las importantes inversiones
públicas y privadas son la mejora de la calidad de las aguas y de las condiciones laborales del
mundo rural (Playán y Castillo, 2001).
Todo lo anterior indica que puede esperarse pocos cambios en el patrón actual de sistemas de
riego en España. Así, el riego por superficie es y seguirá siendo en España, y particularmente
en Andalucía, un proporción muy significativa de la superficie regada. Antes el nuevo
paradigma que se presenta, los poderes públicos no deben limitarse a impulsar ventas de agua
o a rehabilitar o sustituir sistemas de transporte y distribución de agua, sino que deben
también incitar a las comunidades de usuarios (regantes) a que incorporen modernas técnicas
que aseguren la mejor gestión de los riegos, impulsando la utilización de técnicas avanzadas
con el debido asesoramiento de calidad (Losada, 2006).
13
I.- Introducción
En el riego por superficie se pueden identificar cuatro fases hidráulicas durante el desarrollo
de un evento de riego (Walker, 1989) (Fig. 1.4):
• Fase de Avance: Ocurre desde el inicio del riego hasta que el frente de agua alcanza el
extremo final de la parcela. El tiempo de duración de esta fase se denomina tiempo de
avance (Tav). A medida que el frente avanza sobre la parcela parte del agua se infiltra
en el perfil del suelo. El proceso de infiltración induce que la velocidad de avance del
frente de agua sea cada vez menor, reflejándose en la forma potencial de la curva de
avance.
• Fase de Almacenamiento: Comienza cuando el frente de agua alcanza el extremo final
de la parcela y termina cuando se corta el caudal de riego. Durante la fase de
almacenamiento parte del flujo continua infiltrándose en el perfil del suelo, mientras
que otra fracción del flujo escurre por el extremo final de la parcela (si el sistema es
abierto). La duración de esta fase se denomina tiempo de almacenamiento (Tal).
• Fase de Agotamiento: Se produce desde el instante en que se suspende el caudal de
riego hasta que el agua desaparece en el inicio del campo por efecto de la infiltración y
la gravedad. El tiempo que tarda esta fase se conoce como tiempo de agotamiento
(Tag).
• Fase de Recesión: Comienza desde el final de la fase de agotamiento hasta que el agua
desaparece completamente de la parcela. El tiempo transcurrido durante este proceso
se conoce como tiempo de recesión (Tre). Si la parcela posee cierta pendiente
longitudinal el agua desaparece gradualmente en dirección aguas abajo, conformando
así la curva de recesión.
Pueden existir diferencias en las duraciones de las fases descritas anteriormente en función del
método de riego usado. Por ejemplo, en tablares a nivel no se produce escorrentía superficial
debido a que usualmente el extremo aguas abajo de la parcela está cerrado por un dique de
tierra. Bajo estas condiciones, cuando se suspende el caudal de riego el agua desaparece
simultáneamente en toda la superficie de la parcela por efecto de la infiltración. Así, las fases
de agotamiento y recesión coinciden y la curva de recesión será prácticamente horizontal.
14
Modelización de la Fase de Avance del Riego por Superficie
Tiempo
Fase de Recesión
Curva de Recesión
Tre
Tag
Fase de Agotamiento
Almacenamiento
T=Tap Corte del Caudal de Riego
Fase de
Tal
Fase de Avance
Tav
Curva de Avance
Las curvas de avance y recesión son esenciales para determinar la distribución final del agua
infiltrada en el perfil del suelo y el volumen de agua que escurre fuera de la parcela. Estas
curvas permiten obtener la información necesaria para diseñar nuevos sistemas o evaluar los
índices de idoneidad de los sistemas de riego por superficie existentes.
En el riego por superficie ocurren procesos muy complejos que involucran a muchas variables
y dificulta su simulación numérica. Hasta hace unos veinte años los procedimientos para
diseñar y evaluar estos sistemas eran totalmente empíricos y extremadamente pobres para
predecir el comportamiento real de un campo regado. Esta seria falta de capacidad de
predicción ha contribuido de manera significativa en la limitada habilidad de los especialistas
para aconsejar apropiadamente a los agricultores sobre estrategias de manejo más eficientes.
Sin embargo, todo esto cambió con los avances de las ciencias informáticas y la
popularización de los ordenadores personales. A partir de la década de los ochenta se han
desarrollado muchos modelos numéricos del riego por superficie (Playán et al., 1994; Walker,
1998; Strelkoff et al., 1999). Estos modelos pueden agruparse en cuatro categorías generales
15
I.- Introducción
acorde con las simplificaciones que introducen para solucionar las ecuaciones generales que
rigen el movimiento del agua sobre un medio poroso: las ecuaciones de Saint-Venant (1871).
Así, los modelos pueden ser del tipo hidrodinámico completo, inercia nula, onda cinemática o
balance de volumen.
Los modelos hidrodinámicos completos son los más complejos. Estos modelos se basan en la
solución numérica de las ecuaciones de continuidad y dinámica con todos los términos
originalmente formulados por Saint-Venant (1871). Los modelos de inercia nula resuelven
una versión ligeramente simplificada de las ecuaciones de Saint-Venant al despreciar los
términos de inercia y aceleración en la ecuación dinámica. Las bajas velocidades que alcanza
el flujo superficial en el riego por superficie, con números de Froude generalmente inferiores
a 0,2, permiten despreciar los términos de inercia y aceleración de la ecuación dinámica sin
introducir errores significativos (Strelkoff y Katapodes, 1977). Por otra parte, en los modelos
de onda cinemática se sustituye la ecuación dinámica por una ecuación de régimen uniforme,
siendo solamente válidos para pendientes longitudinales superiores a 0,0001 (Walker y
Skogerboe, 1987). Finalmente, los modelos más simples de balance de volumen introducen
una serie de simplificaciones que permiten integrar la ecuación de continuidad en los
dominios del tiempo y el espacio, y sustituir la ecuación dinámica por un perfil del flujo
superficial asumido. Estos modelos pueden solucionarse con técnicas numéricas o analíticas.
La simulación numérica de la fase de avance del riego por superficie es la más compleja y
quizás la más útil para resolver los problemas reales que se presentan en la práctica. La
predicción adecuada de la fase de avance es muy importante en los procesos de diseño y
evaluación del riego por superficie. Aunque los modelos de balance de volumen son menos
precisos que los modelos numéricos sofisticados, éstos constituyen la base de los
procedimientos estándares de diseño y evaluación de los sistemas de riego por superficie
referenciados en los libros de textos (Walker y Skogerboe, 1987; Walker, 1989). Usualmente
los ingenieros prefieren resolver los problemas rutinarios con modelos simples y fácilmente
comprensibles.
En los últimos años se han desarrollado numerosos modelos analíticos basados en el principio
de balance de volumen (Walker y Skogerboe, 1987; Renault y Wallender, 1992; Valiantzas,
1997a, b; Valiantzas, 1999; Alazba, 1999; Valiantzas, 2001), que si bien no son tan flexibles y
sofisticados como los numéricos, pueden ser aplicados con un grado de precisión aceptable y
16
Modelización de la Fase de Avance del Riego por Superficie
ser fácilmente integrados en rutinas de optimización. Los modelos de balance de volumen son
también la base de muchos procedimientos de identificación de los parámetros del riego por
superficie (Elliot y Walker, 1982; Smerdon et al., 1988; Scaloppi et al., 1995; Esfandiari y
Maheshwari, 1997; Valiantzas et al., 2001; Holzapfel et al., 2004; Gillies y Smtih, 2005). La
idea en que se sustentan estos procedimientos es simple: si se conoce la variación temporal de
los volúmenes de agua aplicado y almacenado sobre la superficie del campo durante la fase de
avance del riego, también será posible identificar el volumen de agua que se infiltra en el
suelo. Así, los parámetros de infiltración y rugosidad que satisfacen la ecuación de balance de
volumen anterior serán los más representativos de la parcela (Strelkoff et al., 2000; Clemmens
et al., 2001).
17
I.- Introducción
Las redes neuronales artificiales (Bishop, 1995) constituyen una de las áreas de la ingeniería
del conocimiento que más se han desarrollado en los últimos años, y pueden situarse dentro
de las herramientas esenciales para abordar el nuevo paradigma de modelización numérica. La
idea principal para el desarrollo del nuevo paradigma es sustituir los procesos difíciles (o
lentos) de modelar por redes neuronales artificiales que han sido entrenadas a partir de los
resultados de los modelos numéricos existentes. Ha sido demostrado que las redes neuronales
bien entrenadas pueden sustituir a los esquemas numéricos de diferencias finitas en la
formulación de modelos hidrodinámicos (Dibike, 2002), por lo que esta particularidad puede
ser perfectamente aprovechada para el desarrollo de modelos híbridos del riego por superficie.
Sin embargo, en muchas situaciones una simple red neuronal no es capaz de extraer toda la
información esencial que contiene la base de datos utilizada para su entrenamiento, sobre todo
en problemas no lineales complejos como lo es la simulación numérica del riego por
superficie. Por esta razón, varios autores han sugerido que combinar múltiples redes
neuronales, cada una de ellas especializada en una función específica, permite desarrollar
modelos con capacidades de predicción mucho más exactas (Sridhar et al., 1996; Martin y
Morris, 1999). La idea de combinar varias redes neuronales en los modelos se basa en la
premisa de que diferentes redes pueden captar diferentes aspectos de la base de datos de
entrenamiento, y al agregar toda esta información, se reduciría la incertidumbre del proceso y
se alcanzarían predicciones más exactas (Lopez-Sabater et al., 2002).
Transponiendo los principios anteriores al campo de la simulación numérica del riego por
superficie, los modelos simples basados en principio de balance de volumen pueden mejorar
sensiblemente sus predicciones si se integran con redes neuronales artificiales. Así, las redes
se entrenarían para simular los procesos difíciles de asumir por los modelos convencionales
de balance de volumen, en donde tradicionalmente se introducen simplificaciones que
degradan la calidad de las predicciones de estos modelos. A modo de ejemplo, se podrían
entrenar redes neuronales para simular la evolución temporal del calado y del volumen del
flujo superficial, o para asimilar las fluctuaciones del caudal de riego sobre el comportamiento
de la fase de avance del riego por superficie. Tomando como base estas hipótesis, se establece
a continuación el objetivo general de este trabajo como:
18
Modelización de la Fase de Avance del Riego por Superficie
1. Diseñar y evaluar dos redes neuronales artificiales para simular la evolución temporal
del calado y el volumen del flujo superficial durante la fase de avance del riego por
superficie.
2. Diseñar y evaluar dos redes neuronales para la asimilar el efecto de las fluctuaciones
temporales del caudal de riego sobre la fase de avance del riego por superficie.
3. Integrar las redes neuronales con un modelo convencional de balance de volumen para
la simulación numérica de la fase de avance del riego por superficie.
4. Evaluar la exactitud, precisión y funcionalidad del modelo híbrido formulado
mediante la comparación de sus resultados con las salidas de un modelo de inercia
nula del riego por superficie.
19
II.- Material y Métodos
El movimiento del agua sobre un medio poroso puede ser descrito por las ecuaciones de
Saint-Venant (1871), bien conocidas y explicadas en textos y artículos de hidráulica de
canales (Chow, 1959; Strelkoff, 1969). Estas ecuaciones expresan dos principios físicos: (i) la
conservación de la masa a través de la ecuación de continuidad (ecuación 1) y (ii) la
conservación de la cantidad de movimiento mediante la ecuación dinámica (ecuación 2).
∂Q ∂A ∂z
+ + =0 (1)
∂x ∂t ∂t
1 ∂V V ∂V ∂y V ∂z
+ + = S0 − S f + ⋅ (2)
g ∂t g ∂x ∂x 2 g ⋅ A ∂t
donde x es la distancia [L], t es el tiempo [T], Q es el caudal del flujo superficial [L3T-1], A es
∂z
el área de la sección transversal del flujo superficial [L2], es la velocidad de infiltración
∂t
del agua en el medio poroso [L2T-1], g es la constante de aceleración de la gravedad [LT-2], V
la velocidad del flujo superficial [LT-1], y es el calado del flujo superficial [L], S0 es la
pendiente longitudinal del canal [LL-1], y Sf es la pendiente de la rasante de energía [LL-1].
dQ dVy dVz
= + (3)
dt dt dt
21
Modelización de la Fase de Avance del Riego por Superficie
Q(ta)
Flujo Superficial
Flujo Infiltrado
Figura 2.1.- Representación de los perfiles de los flujos superficial e infiltrado en el riego por
superficie para un instante de tiempo de aplicación del agua ta.
22
II.- Material y Métodos
Vy( ta ) = ∫ A( x ,t )dx = A( ta ) ⋅ xa
xa
(5)
0
donde A( ta ) es el área media de la sección del flujo superficial para un instante de tiempo ta,
que puede estimarse como el producto del área del flujo superficial al inicio del campo Ao(ta)
y un factor de forma superficial ry(ta) (Walker y Skogerboe, 1987):
Por otro lado, si se considera que la lámina de agua infiltrada en cualquier punto de la parcela
de riego depende del tiempo de oportunidad de infiltración, entonces el volumen infiltrado en
el perfil del suelo puede expresarse como la integral de la función de infiltración sobre la
distancia de avance del frente:
VZ (ta ) = ∫ Z [ta − t( x )] dx
xa
(7)
0
Finalmente, si se sustituyen las ecuaciones (5), (6) y (7) en (4), se obtiene la ecuación de
balance de volumen durante la fase de avance del riego por superficie:
La ecuación (8) define la relación entre tres funciones: (i) la función de infiltración Z[ta-t(x)],
(ii) la función de avance t(x) y (iii) la función del área media del flujo
superficial Ao( ta ) ⋅ ry( ta ) . Al asumir dos de estas funciones, la solución de la ecuación (8)
proporciona la tercera. Así, la ecuación (8) se emplea en este trabajo para estimar la
trayectoria de avance del frente de agua suponiendo conocidas las funciones del área media
del flujo superficial y la infiltración del agua en el suelo.
23
Modelización de la Fase de Avance del Riego por Superficie
La integral definida del miembro derecho de la ecuación (8) representa el volumen de agua
que se infiltra en el suelo durante la fase de avance del riego por superficie. Usualmente esta
integral se expresa como el producto de la superficie de agua infiltrada en el inicio del campo
Zo(ta) y un factor de forma subsuperficial rz(ta) (Walker y Skogerboe, 1987), de modo que la
ecuación (8) se convierte en:
Numerosos autores han publicado métodos para estimar el factor de forma subsuperficial (Fok
y Bishop, 1965; Wilke y Smerdon, 1965; Elliot y Walker, 1989; Scaloppi et al., 1995). La
mayoría de estos procedimientos representaron la trayectoria de avance del agua con una
simple función matemática (usualmente del tipo potencial) para integrar el miembro derecho
de la ecuación (8). Sin embargo, Farrell (1963) y Hart et al. (1968) advirtieron que la
suposición arbitraria de una función de avance constituye un sobre-condicionamiento del
problema y una posible violación al principio de conservación de la masa.
Valiantzas (1997a), siguiendo las recomendaciones de Farrell (1963) y Hart et al. (1968),
obtuvo una expresión analítica para estimar la variación temporal del factor de forma
subsuperficial correspondiente al modelo de infiltración de Kostiakov (1932) (ecuación 10):
Z( t ) = K ⋅ t a (10)
Valiantzas (1997a) obtuvo la expresión de rz(ta) a partir del análisis dimensional de los
resultados de un modelo numérico (Al-Azba y Strelkoff, 1994) que no asume función alguna
para describir la trayectoria de avance del agua. El modelo propuesto en este trabajo utiliza la
formulación de Valiantzas para estimar rz(ta), tal como se presenta a continuación:
(
rz( ta ) = R1 + (R0 + R1) 2 ,7 ⋅ W 2 − 1,7 ⋅ W 3 ,2 ) (11)
24
II.- Material y Métodos
siendo:
1
R0 = (12)
(1 + a )
a ⋅ π (1 − a )
R1 = (13)
Seno(a ⋅ π )
1
ry (ta ) ⋅ Ao( ta ) ⋅ xa (1+ a )
W = (14)
Q( ta ) ⋅ ta
Sustituyendo las ecuaciones (10) y (11) en (9), la ecuación de balance de volumen durante la
fase de avance queda finalmente como:
{ [ (
Q (ta ) ⋅ ta = [ Ao( ta ) ⋅ ry( ta ) ⋅ xa ] + K ⋅ ta a ⋅ xa R1 + (R0 + R1) 2 ,7 ⋅ W 2 − 1,7 ⋅ W 3 ,2 )]} (15)
25
Modelización de la Fase de Avance del Riego por Superficie
con simples modelos o ecuaciones de regresión. En este trabajo se intenta resolver este
problema mediante la técnica conocida como Redes Neuronales Artificiales (RNA).
Las Redes Neuronales Artificiales (RNA) son técnicas pertenecientes a los campos de la
inteligencia artificial y la exploración de datos que intentan reproducir la forma en que los
sistemas nerviosos biológicos procesan la información. Las RNA tienen la cualidad de
aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial y son
capaces de reconocer patrones con ruido, distorsionados e incompletos (Bishop, 1995). Entre
las diferentes arquitecturas de redes neuronales es preciso destacar, por su importancia, las
redes basadas en funciones de base sigmoide o Perceptrón Multicapa (MLP). Estas redes
poseen una importante propiedad: pueden aproximar cualquier función continua con
suficiente precisión. De acuerdo con Smith (1993), las redes MLP se pueden usar para
modelar relaciones funcionales complejas de formas desconocidas o pobremente definidas.
X1
Wj1
X1
X2
.
. Y
X2
Ij=Σ(X *W ) + θ
i ji j Yj=ƒ(I ) j
Yj
Wjn
Entrada Oculta Salida
Elemento de Proceso
Xn
La topología típica de una red MLP se representa en la Fig. 2.2. Estas redes contienen una
capa de entrada, una o más capas ocultas y una capa de salida. Los datos entran a la red a
través de la capa de entrada y son transformados por pesos y funciones de activación a medida
26
II.- Material y Métodos
que fluyen por ella. La salida de la red es el resultado de estas transformaciones. En las capas
oculta y de salida se encuentran los Elementos de Proceso (EP) o neuronas que son los
encargados de realizar las transformaciones antes mencionadas. Así, los datos que entran en
cada EP (xi), provenientes de la capa previa, se ponderan con sus respectivos pesos (wji) y se
suman. El resultado de la sumatoria se añade a un umbral de activación (θj) y se evalúa en una
función de activación para producir la señal de salida del EP (Yj). Este proceso se representa
en el detalle de la Fig. 2.2.
La arquitectura o topología elegida para simular la evolución temporal del volumen de agua
almacenado sobre la superficie del suelo y, asimismo, el área del flujo superficial al inicio del
campo, fue la red MLP con una capa oculta. Para el entrenamiento, verificación y
optimización de las topologías de las redes se prepararon dos patrones de datos con los
resultados de múltiples experimentos numéricos ejecutados con el modelo SRFR (Bautista et
al., 2006) para una amplia gama de las variables de entrada (Tabla 2.1). El modelo SRFR,
desarrollado por Strelkoff et al. (1999), es un estándar mundial para la simulación
unidimensional del riego por superficie. SRFR resuelve numéricamente las ecuaciones de
Saint-Venant despreciando los términos de aceleración, solución conocida como Inercia Nula
(Strelkoff y Katapodes, 1977), que permite simulaciones muy robustas y estables.
Los patrones elegidos para el entrenamiento de las redes representan un extenso rango de
configuraciones hipotéticas del riego por superficie para diferentes condiciones de suelos,
pendientes, geometrías del flujo superficial y caudales. Cabe señalar que el patrón de
verificación fue totalmente independiente del utilizado para entrenar las redes, por lo que
27
Modelización de la Fase de Avance del Riego por Superficie
representó una excelente fuente para optimizar las topologías y verificar la capacidades de
predicción de las redes diseñadas.
28
II.- Material y Métodos
Q ⋅ 0 ,06 ⋅ Tr Yn ⋅ An
Ar = An Xr = Tr = Vr = Q ⋅ 0 ,06 ⋅ Tr (17a-d)
Ar So ⋅ Q ⋅ 0 ,06
1 1
Q⋅n p2 / 2
An a 2
An =
Yn = (18a-b)
1000 ⋅ p 1 ⋅ So a1
Los casos con So igual a cero se sustituyeron con un valor igual a 10-10 a fin de evitar
indefiniciones en los cálculos de las variables de referencia.
La RNA para estimar la evolución temporal del área del flujo superficial se entrenó con p1,
p2, a1, a2, a, X*, T*, y K* como variables de entrada y A* como variable dependiente. Por su
parte, la RNA para calcular el volumen del flujo superficial utilizó p1, p2, a1, a2, a, T*, X*,
K* y A* como entrada y V* como salida. También se analizaron las transformaciones
logarítmicas de algunas variables (X*, T*, A* y V*) en ambas redes. Todas las variables
independientes se normalizaron para asegurar que recibieran igual atención durante el proceso
de entrenamiento. Para esto, las variables se transformaron a un rango uniforme acorde con
los límites de las funciones de activación utilizadas en los EP de la capa oculta. Durante el
diseño de las redes se evaluaron tres tipos de funciones de activación: (i) la funciones
Sigmoidal y Tangente hiperbólica para la capa oculta, y (ii) las funciones Sigmoidal,
Tangente hiperbólica y Lineal para la capa de salida. Estas funciones y sus límites se
muestran en la Fig. 2.3.
1 1 1
F(I j )=I j
Ij -Ij Ij -Ij
-Ij
F(I j )=(e - e )/(e + e ) 0,8 0,8
F(I j )=1/(1+e ) 0,9 Función Lineal
Función Tangente Hiperbólica 0,6 0,6
Función Sigmoidal 0,8
0,4 0,4
F(Ij)
F(Ij)
0,7
0,2 0,2
0,6
F(I j)
0 0
-10 -5 0 5 10 -10 -5 0 5 10
0,5
-0,2 -0,2
0,4
-0,4 -0,4
0,3
-0,6 -0,6
0,2
-0,8 -0,8
0,1
-1 -1
0 -1,2 -1,2
-10 -5 0 5 10
Ij Ij Ij
29
Modelización de la Fase de Avance del Riego por Superficie
La regla de aprendizaje aplicada para el entrenamiento de las redes fue conducida por el
algoritmo Levenberg-Marquadt (Hagan y Menhaj, 1994), usando como función objetivo la
minimización del Error Cuadrático Medio (ECM).
1 N
ECM = ∑ (Di − Ci )2 (19)
N i =1
donde Di representa los valores deseados (obtenidos por el modelo SRFR), Ci son los valores
calculados por las redes neuronales y N es el número total de casos evaluados.
El número de Elementos de Proceso de la capa oculta de cada red se determinó por prueba y
error. Cada configuración analizada (caracterizada por un número de EP en la capa oculta) se
entrenó con el patrón de entrenamiento y posteriormente se evaluó con el patrón de
verificación (compuesto por casos que no intervinieron en el entrenamiento). Así, el número
óptimo de EP fue aquel que permitió minimizar el error de predicción de la red (representado
por el Error Cuadrático Medio) correspondiente al patrón de verificación (Ozesmi et al.,
2006). Para evitar el sobre-entrenamiento de las redes durante todo el proceso de diseño se
utilizó el método de validación cruzada. Este método monitoriza el error de un conjunto de
casos elegidos al azar en el patrón de entrenamiento (20% del total de casos) y detiene el
entrenamiento de la red cuando detecta que este error comienza a aumentar.
Finalmente, los índices que se utilizaron para evaluar la capacidad predictiva de las RNA se
resumen a continuación:
∑ (D − C ) 2
i i
RECM = i =1
(20)
N
30
II.- Material y Métodos
100 N (Di − Ci )
ERM = ∑ D
N i =1
(21)
i
∑ (C
i =1
i − C )(Di − D )
r= N (22)
N N
∑ (D − D ) ∑ (C − C)
2 2
i i
i =1 i =1
N N
siendo RECM la raíz del Error Cuadrático Medio, ERM el Error Relativo Medio (%), r el
coeficiente de correlación, C el valor medio de los valores calculados por las redes y D el
valor medio de los valores deseados. Estos índices se calcularon tanto para patrón de
entrenamiento como para el patrón de verificación.
La variación temporal del caudal de riego ejerce un impacto muy significativo sobre la fase de
avance del riego por superficie (Renault y Wallender, 1996; Gillies et al., 2007). Sin embargo,
usualmente se asume que el caudal no varía durante la fase de avance para simplificar la
solución de la ecuación de balance de volumen. Esta simplificación es una representación
idealizada de la realidad ya que el caudal siempre exhibe cierto grado de fluctuación temporal
durante un evento real de riego (Gharbi et al. 1993).
El modelo propuesto en este trabajo intenta asimilar las fluctuaciones temporales del caudal
de riego en el proceso de solución de la ecuación de balance de volumen. Para esto fue
necesario, primeramente, sustituir el miembro izquierdo de la ecuación (8) por la expresión
t = ta
∑ Q(t ) ⋅ dt , que supone interpolar el hidrógrafo de riego para calcular el volumen de agua
t =0
aplicado en cada instante de tiempo. Ahora bien, si se intenta estimar Vy(ta) y Ao(ta) con el
caudal instantáneo obtenido directamente del hidrógrafo de riego para un tiempo ta, se
podrían cometer errores muy significativos. La razón de esto es que el volumen superficial y
el calado no fluctúan en la misma proporción que el caudal instantáneo de riego (Gillies et al.,
2007), sobre todo cuando la variación de éste último se produce de forma repentina.
31
Modelización de la Fase de Avance del Riego por Superficie
Para evitar estos errores se diseñaron otras dos redes MLP que fueron capaces de corregir el
efecto transitorio descrito sobre la fase de avance del riego por superficie. Estas RNA se
entrenaron para estimar unos caudales equivalentes que permitieron utilizar las mismas
expresiones desarrolladas en régimen permanente para simular las condiciones de régimen
transitorio. Así, una RNA se encarga de determinar el caudal equivalente para calcular el área
del flujo superficial, mientras que la otra red estima el caudal equivalente para calcular el
volumen de agua almacenado sobre la superficie del suelo. Para entrenar y verificar las
nuevas redes se ejecutaron otros experimentos numéricos con el modelo SRFR bajo
condiciones de fluctuación temporal (repentina y gradual) del caudal de riego (Tabla 2.2). Los
caudales equivalentes se definieron como aquellos valores que permitieron minimizar las
diferencias entre las distancias de avance y los calados obtenidos de los experimentos
numéricos (Tabla 2.2) y estimados por el modelo desarrollado en este trabajo.
32
II.- Material y Métodos
Las variables originales que intervinieron en las redes se transformaron acorde con la notación
adimensional reseñada en el apartado 2.3.2. La RNA que simula el caudal equivalente para
calcular el área del flujo superficial se entrenó con p1, p2, a1, a2, a, X*, T*, K* y Q* como
variables de entrada y Qa* como variable de salida. La red encargada de simular el caudal
equivalente para estimar el volumen del flujo superficial utilizó las mismas variables de
entrada y Qv* como salida. Las nuevas variables adimensionales se definieron como:
Qmed ( ta )
Q* = (23)
Qins( ta )
Qa(ta )
Qa* = (24)
Qins (ta )
Qv(ta )
Qv* = (25)
Qins (ta )
siendo Qmed(ta) el caudal medio de riego aplicado durante el intervalo de tiempo ta, Qins(ta)
es el caudal de riego aplicado en el instante ta, mientras que Qa(ta) y Qv(ta) son los caudales
equivalentes para calcular el área y el volumen del flujo superficial respectivamente.
Para diseñar, entrenar y evaluar las nuevas redes se siguió la misma metodología descrita en
el apartado 2.3.2.
En la Fig. 2.4 se muestra el diagrama de flujo del modelo Híbrido desarrollado para simular la
fase de avance del riego por superficie. El procedimiento de cálculo ha sido diseñado para
estimar la distancia de avance xa y el área del flujo superficial al inicio del campo Ao(ta)
correspondiente a un tiempo de aplicación ta. Asimismo, el modelo es capaz de calcular el
calado al inicio del campo Yo(ta) según la expresión (26) (Walker, 1989):
1
Ao(ta ) a 2
Yo(ta ) = (26)
a1
33
Modelización de la Fase de Avance del Riego por Superficie
INICIO
Calcular xa y Ao
DATOS
p1, p2, a1, a2
n, K, a
Qins, Qmed, So, ta
-10
So ≠ 0 No
So = 10
Si
Ro ⇐ (ecuación 12)
R1 ⇐ (ecuación 13)
rz=(Ro+R1)/2
Qv* ⇐ RNA3
Qins = Qmed No
Qv = Qv * ⋅Qins
Si
Qo = Qins Qo = Qv
1
Qo ⋅ n p2 / 2
An =
1000 ⋅ p1 ⋅ So
Qo ⋅ 0 ,06 ⋅ ta
Xmin =
(
An + K ⋅ ta a )
Qo ⋅ 0 ,06 ⋅ ta
Xmax =
rz ⋅ K ⋅ ta a
X=(Xmin+Xmax)/2
V* ⇐ RNA1
Vr ⇐ (ecuación 17d)
Vy = V * ⋅Vr
W ⇐ (ecuación 14)
rz ⇐ (ecuación 11)
Qo ⋅ 0 ,06 ⋅ ta
Xcalc =
Vy
(
X + rz ⋅ K ⋅ ta
a
)
Si
xa = Xcalc
Qa* ⇐ RNA4
Qins = Qmed No
Qa = Qa * ⋅Qins
Si
1 Qo = Qa
Qo ⋅ n p2 / 2
An =
1000 ⋅ p1 ⋅ So
A* ⇐ RNA2
Ao = A * ⋅An
RESULTADOS
xa
Ao
FIN
Figura 2.4.- Diagrama de flujo del modelo Híbrido para simular la fase de avance del riego
por superficie.
34
II.- Material y Métodos
El modelo Híbrido se evaluó mediante la comparación de sus resultados con las salidas del
modelo SRFR. Para esto se utilizaron los experimentos numéricos preparados para generar los
patrones de entrenamiento y verificación de las redes neuronales. Para evaluar el modelo
Híbrido en condiciones de régimen permanente se utilizaron todos los casos descritos en la
Tabla 2.1, así como los casos con Qins = Qmed de la Tabla 2.2. Asimismo, para verificar el
modelo en condiciones de régimen transitorio se utilizaron los casos descritos en la Tabla 2.2
que cumplieron la condición de Qins ≠ Qmed.
Se utilizaron varios índices para evaluar el nivel de funcionalidad, precisión y exactitud de las
predicciones del modelo Híbrido siguiendo las recomendaciones de Tedeschi (2006). Se
ejecutan regresiones lineales entre los valores estimados por el modelo Híbrido (predicciones)
y calculados por SRFR (observaciones). Por otro lado, se verificaron las diferencias
estadísticas entre las medianas, las varianzas y las distribuciones de frecuencia de las
predicciones y las observaciones mediante las pruebas de Wilcoxon-Mann-Whitney (Mann y
Whitney, 1947; Wilcoxon, 1945), Brown-Forsythe (Brown y Forsythe, 1974) y Kolmogoroff–
Smirnov (Kolmogoroff, 1933; Smirnov, 1933) respectivamente. Adicionalmente, se
calcularon los RECM y ERM según las ecuaciones (20) y (21).
35
Modelización de la Fase de Avance del Riego por Superficie
permite encontrar la relación entre las variables independientes Xj y la variable de salida del
modelo analizado Ŷ a través de la ecuación (27):
Ŷ = b0 + ∑ j = 1 b j X j
nX
(27)
Los coeficientes de regresión bj, j=1, 2,..., nX no son muy útiles en el análisis de sensibilidad
porque cada bj está influenciado por las unidades en que las variables Xj han sido expresadas.
Por esta razón el modelo de regresión de la ecuación (27) se reformuló como:
(Ŷ − Y ) = b + ∑ j = 1 (b j Ŝ j / Ŝ )
nX (X j −X j ) (28)
0
Ŝ Ŝ j
y Ŷ respectivamente.
variable Xj que ejerce mayor impacto sobre Ŷ es aquella cuyo valor absoluto de (b j Ŝ j / Ŝ ) es
Las variables independientes analizadas fueron a1, a2, p1, p2, K, a, n, So y Q. Los resultados
de los análisis de sensibilidad se representaron a través de gráficos de tornado.
36
III.- Resultados y Discusión
3.1.- Redes Neuronales para Estimar el Área y el Volumen del Flujo Superficial
8 4
7
2
6
0
5 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3
-2
Ln(V*)
V*
-4
3
2 -6
1
-8
0
0 1 2 3 4 5 6 7 8 9 -10
X* Ln(X*)
(a)
0,5
1,2
1 0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3
0,8
-0,5
Ln(A*)
A*
0,6
-1
0,4
0,2 -1,5
0
0 1 2 3 4 5 6 7 8 9 -2
X* Ln(X*)
(b)
Figura 3.1.- Exploración preliminar de las variables adimensionales para entrenar las RNA.
(a) Relación entre X* y V*. (b) Relación entre X* y A*.
38
Modelización de la Fase de Avance del Riego por Superficie
Tabla 3.1.- Topologías de las RNA utilizadas para simular la evolución temporal del área y el
volumen del flujo superficial.
Proceso Variables Variable No. de EP Funciones de Activación
Independientes Dependiente en la Capa Capa Oculta/Salida
Oculta
Área del Flujo p2, a2, a, X*, A* 5 EP Sigmoidal/Sigmoidal
Superficial T*, K*
Volumen del p2, a, Ln(T*), Ln(V*) 7 EP Sigmoidal/Lineal
Flujo Superficial Ln(X*), K*, A*
Tabla 3.2.- Evaluación de la precisión y exactitud de las RNA para simular la evolución
temporal del área y el volumen del flujo superficial.
Variable Patrón de Entrenamiento Patrón de Verificación
Dependiente RECM ERM (%) r RECM ERM (%) r
A* 0,0084 1,3546 0,9994 0,0146 2,0841 0,9977
Ln(V*) 0,0780 3,1613 0,9985 0,1167 3,1865 0,9978
39
III.- Resultados y Discusión
Estos resultados no sorprenden si se considera que las redes MLP son capaces de aproximar
cualquier función continua con suficiente precisión (Smith, 1993). Lo que realmente importa
en el diseño de las redes MLP es que sean capaces de generalizar los resultados de los
procesos para las que fueron entrenadas. En la Tabla 3.2 se puede apreciar que los índices de
evaluación del patrón de verificación alcanzaron valores similares a los obtenidos en el patrón
de entrenamiento. Esto es un indicador de la excelente capacidad de generalización de las
redes diseñadas, toda vez que el patrón de verificación fue totalmente independiente del
utilizado para entrenar las redes.
Hay al menos tres condiciones necesarias para que las RNA alcancen buena capacidad de
generalización (Wolpert, 1996a, 1996b). Primero, las variables de entrada de la red deben
contener suficiente información sobre el proceso que se desee simular. No debe esperarse que
una RNA sea capaz de simular un proceso pobremente definido. Segundo, la relación entre las
variables de entrada y salida debe ser continua y poco dispersa. Los procesos muy aleatorios
son difíciles de generalizar con las RNA. Usualmente una transformación no lineal de las
variables de entrada puede suavizar la función y mejorar la generalización de la red. Tercero,
el patrón de entrenamiento debe ser suficientemente extenso y representativo de la población
que se desea modelar.
En el diseño y entrenamiento de las RNA se han considerado las tres condiciones descritas. Se
eligió un patrón de entrenamiento suficientemente amplio y representativo de los procesos a
simular (tercera condición). Asimismo, se aplicó una transformación logarítmica a las
variables X* y V* para suavizar y reducir la dispersión de su relación (segunda condición).
Sin embargo, la decisión más importante fue la elección de las variables de entrada a la red
(primera condición).
Inicialmente se intentó entrenar las redes con las variables de entrada y salida en su estado
natural (expresadas en notación dimensional). Las redes diseñadas en estas condiciones
fueron capaces de reproducir adecuadamente el patrón de entrenamiento, pero no lograron
simular el patrón de verificación con una precisión adecuada (Fig. 3.2a), en otras palabras, no
alcanzaron capacidades de generalización aceptables.
40
Modelización de la Fase de Avance del Riego por Superficie
riego por superficie (Strelkoff y Clemmens, 1994). Por esta razón, la notación adimensional
permitió reducir significativamente el número de parámetros independientes del proceso a
modelar sin pérdida de información trascendental. Así, la simple transformación de las
variables originales en notación adimensional permitió que las redes diseñadas adquirieran
excelentes capacidades de generalización, tal como se muestra en la Fig. 3.2b y como ha sido
corroborado en la Tabla 3.2.
0,09 18
y = 1,0140x + 0,0005 1:1 y=0,9941x + 0,0293 1:1
0,08 2 16
R = 0,97563 2
R = 0,9851
Area Flujo Superficial RNA (m 2)
0,04 8
0,03 6
0 0
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0 2 4 6 8 10 12 14 16 18
2
Area Flujo Superficial SRFR (m ) Volumen Superficial SRFR (m )
3
(a)
0,09 18
y = 0,9973x + 7E-05 1:1 y=1,0025x + 0,0264 1:1
0,08 2 16
R = 0,9986 2
R = 0,9969
Area Flujo Superficial RNA (m 2)
14
3
0,07
0,06 12
0,05 10
0,04 8
0,03 6
Patrón de Entrenamiento
0,02 4
Patrón de Entrenamiento Patrón de Verificación
Patrón de Verificación 2
0,01
0 0
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0 2 4 6 8 10 12 14 16 18
3
Area Flujo Superficial SRFR (m2) Volumen Superficial SRFR (m )
(b)
Figura 3.2.- Comparación de los resultados obtenidos por el modelo SRFR y las RNA en la
simulación del área del flujo superficial (figuras a la izquierda) y el volumen del flujo
superficial (figuras a la derecha). (a) Redes diseñadas y entrenadas con las variables en
estado natural (notación dimensional). (b) Redes diseñadas y entrenadas con las variables
transformadas en notación adimensional.
41
III.- Resultados y Discusión
3.2.- Redes Neuronales para Asimilar las Fluctuaciones Temporales del Caudal
de Riego
El análisis preliminar de los experimentos numéricos permitió constatar que los caudales
equivalentes permanecieron acotados por los caudales medio e instantáneo. Como regla
general, el caudal equivalente para estimar el área del flujo superficial tiende rápidamente al
caudal instantáneo, mientras que la evolución del caudal equivalente para estimar el volumen
superficial se aproxima a la seguida por el caudal medio de riego. En la Fig. 3.3 se muestran
dos ejemplos de este comportamiento típico, que puede variar en función de las características
geométricas del flujo superficial, la capacidad de infiltración del suelo y la pendiente
longitudinal del campo.
3,2
2,1
3,0
2,0
2,8
1,9
2,6
1,8
1,7 2,4
1,6 2,2
Q Instantáneo
1,5 2,0
Caudal (L/s)
Q Medio Q Instantáneo
Caudal (L/s)
1,4 1,8
Q Equivalente Area Q Medio
1,3 1,6
1,2 Q Equivalente Volumen Q Equivalente Volumen
1,4
1,1 Q Equivalente Area
1,2
1,0
1,0
0,9 Datos de la Simulación Datos de la Simulación
p1 =0,2371 p2 =2,669 0,8 p1 =0,553 p2 =2,977
0,8 a1 =1,5 a2 =2,0 a1 =0,5 a2 =1,0
0,7 K = 0,005673 m3/m/min-a
0,6 3
K = 0,00878 m /m/min
-a
a = 0,4154 a = 0,756
0,6 So =0,00001 m/m
0,4 So =0,0003 m/m
n Manning= 0,03 n Manning= 0,05
0,5 0,2
0,4 0,0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 0 100 200 300 400 500 600 700 800 900
Tiempo (min) Tiempo (min)
Figura 3.3.- Ejemplos del comportamiento típico de los caudales equivalentes para simular la
fase de avance en condiciones de fluctuación temporal del caudal de riego.
El hecho de que los caudales equivalentes permanecieron acotados por los caudales medio e
instantáneo facilitó considerablemente el entrenamiento de estas redes. La variable
adimensional Q* (Qmed/Qins) aportó una información muy importante en la predicción de los
caudales equivalentes o sus variantes adimensionales (Qa* y Qv*), mientras que el resto de
variables independientes se encargaron de definir los gradientes con que los caudales
equivalentes se aproximaron a los caudales medio e instantáneo. De hecho, el análisis de
sensibilidad no reveló ninguna variable irrevelarte en la simulación de los procesos, por esta
razón las redes se diseñaron con todas las variables independientes originalmente
consideradas.
42
Modelización de la Fase de Avance del Riego por Superficie
Tabla 3.3.- Topologías de las Redes MLP utilizadas para estimar los caudales equivalentes
para la simulación de la fase de avance en condiciones de fluctuación temporal del caudal de
riego.
Proceso Variables Variable No. de EP en Funciones de
Independientes Dependiente la Capa Activación
Oculta Capa Oculta/Salida
Caudal Equivalente p1, p2, a1, a2, a, Qa* 5 EP Tangente
Área del Flujo X*, T*, K*, Q* Hiperbólica/Lineal
Superficial
Caudal Equivalente p1, p2, a1, a2, a, Qv* 5 EP Tangente
Volumen del Flujo X*, T*, K*, Q* Hiperbólica/Lineal
Superficial
Las topologías óptimas y las capacidades de predicción y generalización de las Redes MLP
utilizadas para estimar los caudales equivalentes se presentan en las Tablas 3.3 y 3.4
respectivamente. Una vez más, las redes MLP fueron capaces de simular los procesos con un
elevado nivel de precisión y exactitud tanto en el patrón de entrenamiento como en el patrón
de verificación. Los coeficientes de correlación alcanzaron valores cercanos a 1, los errores
relativos medios fueron inferiores al 2%, mientras que los RECM, que son medidas muy
fiables de la exactitud de las predicciones de las redes, fueron muy bajos para todos los casos
analizados.
Tabla 3.4.- Evaluación de la precisión y exactitud de las RNA para simular los caudales
equivalentes.
Variable Patrón de Entrenamiento Patrón de Verificación
Dependiente RECM ERM (%) r RECM ERM (%) r
Qa* 0,0468 1,6925 0,9879 0,0310 1,0665 0,9927
Qv* 0,0283 1,8709 0,9897 0,0215 1,5568 0,9942
La Tabla 3.5 contiene el resumen estadístico de los resultados (distancia de avance y calado)
obtenidos por los modelos Híbrido y SRFR en condiciones de régimen permanente
(Qins=Qmed). Cabe señalar que en este trabajo se entiende por régimen permanente cuando el
caudal de riego no exhibe fluctuación alguna durante toda la duración de la fase de avance del
riego por superficie.
43
III.- Resultados y Discusión
Tabla 3.5.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido y SRFR
en condiciones de régimen permanente.
Distancia de Distancia de Calado al Inicio Calado al Inicio
Avance Avance del Campo del Campo
Estadísticos SRFR Híbrido SRFR Híbrido
Frecuencia 7800 7800 7800 7800
Media (m) 104,53 104,27 0,0799 0,0799
Mediana (m) 86,15 85,71 0,0829 0,0834
2
Varianza (m ) 5192,11 5186,48 0,00138 0,00137
Desviación Estándar (m) 72,06 72,02 0,0371 0,0370
Valor Mínimo (m) 2,38 2,35 0,0092 0,0097
Valor Máximo (m) 299,90 300,20 0,163 0,163
Primer Cuartil (m) 49,60 49,44 0,0518 0,0517
Segundo Cuartil (m) 147,45 147,52 0,109 0,109
Asimetría Estandarizada 30,16 30,16 -2,86 -2,14
Curtosis Estandarizada -2,18 -2,26 -16,56 -16,44
44
Modelización de la Fase de Avance del Riego por Superficie
Tabla 3.7.- Resultados de la prueba de Brown-Forsythe para comparar las varianzas de los
resultados obtenidos por los modelos SRFR e Híbrido.
Distancia de Avance Calado al Inicio del Campo
Estadísticos Modelo Modelo Modelo Modelo
SRFR Híbrido SRFR Híbrido
Media de la Muestra 104,53 104,27 0,0799 0,0799
Hipótesis Nula Varianza Modelo SRFR = Varianza Modelo Híbrido
Hipótesis Alternativa Varianza Modelo SRFR ≠ Varianza Modelo Híbrido
Desviación Estándar 72,06 72,02 0,0371 0,0370
W 0,00044 0,08745
p 0,983 0,767
Kleijnen et al. (1998) propusieron un procedimiento riguroso para evaluar los resultados de un
modelo. Según estos autores, un modelo es estadísticamente válido si, y solo si, los valores
observados (en este caso las salidas del modelo SRFR) y las predicciones (salidas del modelo
Híbrido) tienen medias (o medianas) y varianzas estadísticamente idénticas. De acuerdo con
45
III.- Resultados y Discusión
los resultados de las pruebas anteriores, y considerando los criterios propuestos por Kleijnen
et al. (1998), se puede concluir que las predicciones del modelo Híbrido fueron
estadísticamente válidas en comparación con las salidas del modelo SRFR. Resulta oportuno
destacar que el modelo SRFR es un referente mundial en la simulación unidimensional del
riego por superficie, y ha sido ampliamente evaluado y aplicado en disímiles situaciones
(Strelkoff et al., 1999; Esfandiari y Maheshwari, 2001). Sin embargo, para completar la
evaluación del modelo desarrollado fue necesario además, analizar el nivel de funcionalidad,
la precisión y la exactitud de sus predicciones.
120 120
60 60
40 40
0 0
0.0 50.0 100.0 150.0 200.0 250.0 300.0 350.0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18
Clases Distancia de Avance (m) Clases Calado (m)
(a) (b)
Figura 3.4.- Distribuciones de frecuencia acumulada de los resultados de los modelos
Híbrido y SRFR. (a) Simulación de la distancia de avance. (b) Simulación del calado al inicio
del campo.
De acuerdo con Tedeschi (2006), en este trabajo se entiende por exactitud a la capacidad de
un modelo de predecir valores cercanos a los resultados reales, mientas que la precisión es la
capacidad de predecir los valores consistentemente. El coeficiente de determinación R2,
obtenido del análisis de regresión lineal entre los valores calculados por los modelos Híbrido
y SRFR, es un buen indicador de la precisión. Asimismo, el intercepto y la pendiente de la
línea de regresión son índices de la exactitud de las predicciones. A medida que el intercepto
se acerque a cero y la pendiente tienda a 1, más exacto será el modelo. Otros indicadores de la
exactitud de un modelo son la Raíz del Error Cuadrático Medio y el Error Relativo Medio.
En la Fig. 3.5 se muestran las regresiones lineales de los resultados obtenidos con los modelos
Híbrido y SRFR. El modelo Híbrido fue capaz de predecir la distancia de avance y el calado
del flujo superficial con una precisión similar a la alcanzada con SRFR en condiciones de
46
Modelización de la Fase de Avance del Riego por Superficie
350.0 0.18
1:1 1:1
Distancia de Avance Modelo Híbrido (m)
200.0 0.10
150.0 0.08
0.06
100.0
0.04
RECM (m) = 1,289
50.0 RECM (m) = 0,0012
ERM (%) = 0,969
0.02 ERM (%) = 1,104
0.0 0.00
0.0 50.0 100.0 150.0 200.0 250.0 300.0 350.0 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)
(a) (b)
Figura 3.5.- Regresión lineal de los resultados obtenidos con los modelos Híbrido y SRFR.
(a) Distancia de avance. (b) Calado del flujo superficial al inicio del campo.
47
III.- Resultados y Discusión
por ejemplo) para acelerar la convergencia de los cálculos (Walker y Skogerboe, 1987;
Strelkoff et al., 1999). La solución del modelo Híbrido converge rápidamente sin necesidad de
aplicar técnicas iterativas especiales. El valor medio de las iteraciones necesarias para lograr
la convergencia de los cálculos fue de tan solo 4,24 en los 7800 casos evaluados en
condiciones de régimen permanente.
1000 900
900 800
800
700
700
600
600
Frecuencia
Frecuencia
500
500
400
400
300
300
200
200
100 100
0 0
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 -0.005 -0.004 -0.003 -0.002 -0.001 0.000 0.001 0.002 0.003 0.004 0.005
Residuos Distancia de Avance (m) Residuos Calado (m)
(a) (b)
Figura 3.6.- Histogramas de los residuos obtenidos con los resultados de los modelos
Híbrido y SRFR. (a) Residuos de la distancia de avance. (b) Residuos del calado del flujo
superficial al inicio del campo.
Para finalizar, y a modo de destacar las virtudes del modelo Híbrido desarrollado en este
trabajo, se presenta en la Fig. 3.7 las comparaciones entre los resultados obtenidos por el
modelo SRFR y una solución clásica de balance de volumen formulada por Walker y
Skogerboe (1987). Para comparar ambos modelos se utilizaron los mismos casos
seleccionados para evaluar el modelo Híbrido en condiciones de régimen permanente.
48
Modelización de la Fase de Avance del Riego por Superficie
350,0 0,36
0,21
200,0
0,18
150,0 0,15
0,12
So >= 0,00001
100,0 So >= 0,00001
0,09 N = 6512
N = 6512
ERM = 28,94 %
ERM = 10,75 %
0,06 RECM = 0,042 m
RECM = 14,69 m
50,0
0,03
0,0 0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,03 0,06 0,09 0,12 0,15 0,18 0,21 0,24 0,27 0,30 0,33 0,36
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)
(a)
350,0 0,20
y = 1,0203x - 2,527
300,0 R2 = 0,9282
R2 = 0,9981 0,16
Calado Modelo Walker (m)
250,0 0,14
0,12
200,0
0,10
150,0 0,08
So >= 0,0001
0,06 So >= 0,0001
100,0 N = 4445
N = 4445
ERM = 11,32 %
ERM = 6,57 % 0,04
RECM = 0,012 m
RECM = 3,33 m
50,0
0,02
0,0 0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)
(b)
Figura 3.7.- Regresión lineal de los resultados obtenidos con los modelos de Walker y
Skogerboe y SRFR. (a) Casos con pendiente longitudinal del campo igual o superior a
0,00001 m/m. (b) Casos con pendiente longitudinal del campo igual o superior a 0,0001 m/m.
En la Fig. 3.7a se han representado los casos con pendiente del campo igual o superior a
0,00001 m/m, toda vez que los casos con pendiente nula no pueden ser calculados con el
modelo de Walker y Skogerboe (1987); la ecuación de Manning queda indefinida para valores
de So = 0. Como puede apreciarse en la Fig. 3.7a, el modelo de Walker y Skogerboe tendió a
sobreestimar el calado al inicio del campo y, consecuentemente, el volumen del flujo
superficial. Asimismo, la distancia de avance fue sistemáticamente subestimada respecto a los
resultados obtenidos con el modelo SRFR. La principales fuentes de errores en estos casos fue
asumir que el calado al inicio del campo alcanza instantáneamente la profundidad normal
49
III.- Resultados y Discusión
Otra fuente de error que puede explicar el pobre comportamiento del modelo de Walker y
Skogerboe fue asumir un factor de forma subsuperficial invariable en el tiempo y dependiente
exclusivamente de los exponentes de las ecuaciones potenciales de avance e infiltración
(Valiantzas, 1997a). Hart et al. (1968) concluyeron que la función potencial no representa la
forma real de la trayectoria de avance durante toda su duración y por tanto, rz no puede ser
constante. Como bien han reconocidos muchos otros autores (Renault y Wallender, 1996;
Rodríguez, 1996; Walker y Kasilingam, 2004; Gillies et al., 2007) todas estas
simplificaciones pueden generar serias violaciones del principio de conservación de la masa,
trayendo consigo un efecto muy nocivo en la modelización numérica de la fase de avance del
riego por superficie.
El resumen estadístico de los resultados obtenidos por los modelos Híbrido y SRFR en
condiciones de régimen transitorio (Qins ≠ Qmed) se muestra en la Tabla 3.8. Al igual que en
los resultados obtenidos en régimen permanente, los coeficientes de asimetría y curtosis
estandarizadas alcanzaron valores fuera del rango normal, por lo que las comparaciones de las
muestras se realizaron con pruebas no paramétricas.
50
Modelización de la Fase de Avance del Riego por Superficie
Tabla 3.8.- Resumen estadístico de los resultados obtenidos por los modelos Híbrido y SRFR
en condiciones de régimen transitorio.
Distancia de Distancia de Calado al Inicio Calado al Inicio
Avance Avance del Campo del Campo
Estadísticos SRFR Híbrido SRFR Híbrido
Frecuencia 27000 27000 27000 27000
Media (m) 97,37 96,81 0,0608 0,0607
Mediana (m) 81,14 80,21 0,0537 0,0536
Varianza (m2) 4761,95 4736,38 0,00127 0,00127
Desviación Estándar (m) 69,01 68,82 0,0356 0,0357
Valor Mínimo (m) 0,94 0,86 0,00455 0,00446
Valor Máximo (m) 300,00 306,62 0,175 0,174
Primer Cuartil (m) 43,87 43,51 0,0312 0,0309
Segundo Cuartil (m) 140,00 138,90 0,0862 0,0864
Asimetría Estandarizada 57,75 58,68 40,52 40,91
Curtosis Estandarizada 2,50 2,73 -18,27 -18,06
120 120
100
Modelo SRFR 100
Modelo SRFR
Modelo Híbrido Modelo Híbrido
Frecuencia Acumulada (%)
80 80
60 60
40 40
0 0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20
Clase Distancia de Avance (m) Clase Calado (m)
51
III.- Resultados y Discusión
Siendo el modelo Híbrido estadísticamente válido según los criterios propuestos por Kleijnen
et al. (1998), queda evaluar el nivel de precisión y exactitud de sus predicciones. En la Fig.
3.9 se comparan los resultados de los modelos Híbrido y SRFR en condiciones de régimen
transitorio. Las fluctuaciones temporales del caudal del riego inducen un efecto transitorio
muy complejo sobre la fase de avance del riego por superficie (Gillies et al., 2007). Pese a la
complejidad añadida que supone la simulación numérica de la fase de avance en estas
condiciones, el modelo Híbrido fue capaz de alcanzar predicciones excelentes. Se puede
apreciar en la Fig. 3.9 que los resultados de las regresiones lineales fueron muy similares a las
logradas en régimen permanente. Se obtuvieron coeficientes de determinación cercanos a 1,
mientras que las pendientes y los coeficientes de las regresiones lineales fueron muy próximo
a 1 y 0 respectivamente. Los ERM no superaron el 1,8%, y los RECM fueron de 2,19 m en la
predicción de la distancia de avance y de 1,3 mm en la predicción del calado al inicio del
campo.
52
Modelización de la Fase de Avance del Riego por Superficie
350,0 0,20
2 2
300,0 R = 0,9991 R = 0,9986
0,16
0,12
200,0
0,10
150,0
0,08
100,0 0,06
0,04
RECM (m) = 2,199
50,0 ERM (%) = 1,784 RECM (m) = 0,00133
0,02 ERM (%) = 1,400
0,0 0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20
Distancia de Avance Modelo SRFR (m) Calado Modelo SRFR (m)
(a) (b)
Figura 3.9.- Regresión lineal de los resultados obtenidos con los modelos Híbrido y SRFR en
condiciones de régimen transitorio. (a) Distancia de avance. (b) Calado del flujo superficial
al inicio del campo.
Los histogramas de los residuos de las simulaciones fueron simétricos y centrados en el valor
de cero (Fig. 3.10). Los valores extremos de los residuos no superaron los 7,2 m en la
predicciones de las distancias de avance y los 5 mm en los calados, valores muy similares a
los registrados en las simulaciones de régimen permanente. La convergencia de los cálculos
se alcanzó en 3,87 iteraciones como valor medio de los 27000 casos evaluados. Estos
resultados reflejan una vez más el alto grado de precisión, exactitud y funcionalidad del
modelo Híbrido en condiciones de régimen transitorio.
2400 6000
2200 5500
2000 5000
1800 4500
1600 4000
Frecuencia
Frecuencia
1400 3500
1200 3000
1000 2500
800 2000
600 1500
400 1000
200 500
0 0
-7,2 -6,4 -5,6 -4,8 -4 -3,2 -2,4 -1,6 -0,8 0 0,8 1,6 2,4 3,2 4 4,8 5,6 6,4 7,2 -0,005 -0,004 -0,003 -0,002 -0,001 0,000 0,001 0,002 0,003 0,004 0,005
Residuos Distancia de Avance (m) Residuos Calado (m)
(a) (b)
Figura 3.10.- Histogramas de los residuos obtenidos con los resultados de los modelos
Híbrido y SRFR en condiciones de régimen transitorio. (a) Residuos de la distancia de
avance. (b) Residuos del calado del flujo superficial al inicio del campo.
53
III.- Resultados y Discusión
La variación temporal del caudal de riego ejerce un impacto muy significativo sobre la fase de
avance del riego por superficie (Renault y Wallender, 1996). El caudal de riego influye sobre
el volumen de agua que se almacena en la superficie del suelo y por tanto, determina en buena
medida la velocidad de avance del frente de agua. Gillies et al. (2007) intentaron considerar el
efecto de la fluctuación temporal del caudal de riego mediante una simple interpolación lineal
del hidrógrafo para calcular el volumen de agua aplicado en cada instante de tiempo. Estos
autores asumieron que el volumen de agua temporalmente almacenado sobre el suelo fluctuó
en la misma proporción que el caudal de riego. Como consecuencia de estas simplificaciones,
el modelo propuesto por Gillies et al. (2007) solo fue capaz de asimilar correctamente las
fluctuaciones muy graduales del caudal de riego.
4 8
SRFR 1,20
SRFR 2,50
7
Híbrido con Corrección de Q 1,00
Híbrido con Corrección de Q 2,00
3
Híbrido Sin Corrección de Q 0,80
Híbrido Sin Corrección de Q
Caudal (L/s)
6 1,50
Caudal (L/s)
Velocidad de Avance (m/min)
0,60
1,00
0,40
2 0,20
5
0,50
0,00
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0
Tiempo (min) 4 0,00
0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0
Tiempo (min)
1
3
0 2
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0
1
-1
0
0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0
-2 -1
Tiempo (min) Tiempo (min)
En la Fig. 3.11 se muestran dos ejemplos de la aproximación descrita por Gillies et al. (2007).
Se han representado las curvas de velocidad de avance porque permiten visualizar mejor el
impacto del cambio de caudal sobre la fase de avance del riego por superficie. En la Fig. 3.11
se muestran las variaciones de la velocidad de avance considerando que el volumen
superficial fluctúa en igual proporción al caudal de riego (Sin corrección de Q), tal como
propusieron Gillies et al. (2207). También se representa la curva de velocidad de avance
obtenida al corregir el efecto transitorio con los caudales equivalentes (Con corrección de Q),
tal como lo hace el modelo Híbrido desarrollado en este trabajo. Ambos resultados se
comparan con las salidas del modelo SRFR.
54
Modelización de la Fase de Avance del Riego por Superficie
Resulta evidente que los resultados sin corrección de Q son incorrectos. El incremento
repentino del caudal de riego indujo una velocidad de avance negativa, que representa un
retroceso del frente de agua, cuando el efecto correcto fue completamente opuesto. Al asumir
que el área del flujo superficial es proporcional al caudal de riego, un incremento repentino de
éste provoca una sobreestimación importante en el volumen del flujo superficial y
consecuentemente, se subestiman la distancia y la velocidad de avance del frente. Sin
embargo, el modelo Híbrido fue capaz de atenuar los cambios bruscos de caudales (mediante
los caudales equivalentes) antes de calcular el área y el volumen del flujo superficial,
consiguiendo resultados muy similares a los obtenidos por el modelo SRFR.
55
III.- Resultados y Discusión
Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
350,0 0,090 1,6
0,080 1,4
300,0
0,070
1,2
Distancia de Avance (m)
250,0
0,060
1,0
Caudal (L/s)
Calado (m)
200,0 0,050
0,8
150,0 0,040
0,6
0,030
100,0
0,4
0,020 p1 = 0,237 p2 = 2,667
50,0 a1 = 1,500 a2 = 2,000
0,010 n = 0,020 So = 0,001 0,2
K = 0,0114 a = 0,250
0,0 0,000 0,0
0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0 160,0 0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0 160,0 0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0 160,0
Tiempo (min) Tiempo (min) Tiempo (min)
1,8
300,0
0,100
1,6
Distancia de Avance (m)
250,0 1,4
0,080
Caudal (L/s)
1,2
Calado (m)
200,0
0,060 1,0
150,0
0,8
0,040
100,0 0,6
Figura 3.12.- Ejemplos de simulaciones numéricas de la fase de avance con los modelos SRFR e Híbrido en condiciones de variación temporal
del caudal de riego. (a) Curvas de avance. (b) Evolución temporal del calado al inicio del campo. (c) Hidrógrafos de los caudales instantáneo,
medio y equivalentes.
56
Modelización de la Fase de Avance del Riego por Superficie
Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
350,0 0,060 1,8
1,6
300,0
0,050
1,4
Distancia de Avance (m)
250,0
0,040 1,2
Caudal (L/s)
Calado (m)
200,0 1,0
0,030
150,0 0,8
0,020 0,6
100,0
1,6
300,0
0,100
1,4
Distancia de Avance (m)
250,0
0,080 1,2
Caudal (L/s)
Calado (m)
200,0 1,0
0,060
150,0 0,8
0,040 0,6
100,0
57
III.- Resultados y Discusión
Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
250,0 0,035 1,6
0,030 1,4
200,0
1,2
Distancia de Avance (m)
0,025
1,0
Caudal (L/s)
150,0
Calado (m)
0,020
0,8
0,015
100,0
0,6
0,010
0,4
50,0 p1 = 1,297 p2 = 3,211
a1 = 0,500 a2 = 1,000
0,005 0,2
n = 0,025 So = 0,0006
K = 0,00497 a = 0,543
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0
Tiempo (min) Tiempo (min) Tiempo (min)
0,016 1,4
250,0
0,014
1,2
Distancia de Avance (m)
200,0 0,012
1,0
Caudal (L/s)
Calado (m)
0,010
150,0 0,8
0,008
0,6
100,0 0,006
0,4
0,004 p1 = 1,777 p2 = 3,278
50,0 a1 = 0,500 a2 = 1,000
0,002 n = 0,025 So = 0,005 0,2
K = 0,00497 a = 0,543
0,0 0,000 0,0
0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 0,0 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0
Tiempo (min) Tiempo (min) Tiempo (min)
58
Modelización de la Fase de Avance del Riego por Superficie
Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
250,0 0,050 2,5
0,045
0,035
Caudal (L/s)
150,0 0,030 1,5
Calado (m)
0,025
0,015
0,025
200,0 2,0
Distancia de Avance (m)
0,020
Caudal (L/s)
150,0 1,5
Calado (m)
0,015
100,0 1,0
0,010
59
III.- Resultados y Discusión
Modelo SRFR Modelo Híbrido Modelo SRFR Modelo Híbrido Qins Qmed Qv Qa
120,0 0,070 3,5
0,060 3,0
100,0
Distancia de Avance (m)
0,050 2,5
80,0
Caudal (L/s)
Calado (m)
0,040 2,0
60,0
0,030 1,5
40,0
0,020 1,0
p1 = 0,553 p2 = 2,977
20,0 a1 = 0,500 a2 = 1,000
0,010 0,5
n = 0,050 So = 0,0003
K = 0,00878 a = 0,756
0,0 0,000 0,0
0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0
Tiempo (min) Tiempo (min) Tiempo (min)
0,120
100,0 2,5
Distancia de Avance (m)
0,100
80,0 2,0
Caudal (L/s)
Calado (m)
0,080
60,0 1,5
0,060
40,0 1,0
0,040
p1 = 0,2371 p2 = 2,667
20,0 a1 = 1,500 a2 = 2,000 0,5
0,020
n = 0,045 So = 0,0006
K = 0,00878 a = 0,756
0,0 0,000 0,0
0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0
Tiempo (min) Tiempo (min) Tiempo (min)
60
Modelización de la Fase de Avance del Riego por Superficie
Para concluir la evaluación del modelo Híbrido se presenta a continuación los resultados de
los análisis de sensibilidad realizados. El procedimiento utilizado para identificar la
sensibilidad de los modelos fue el análisis de regresión lineal múltiple, tal como se detalla en
el apartado 2.5. Para que este procedimiento sea suficientemente robusto como indicador de la
sensibilidad de un modelo es necesario que la ecuación de regresión obtenida sea capaz de
explicar buena parte de la varianza de la variable dependiente analizada (Helton et al., 2006).
Los modelos de regresión obtenidos en este trabajo fueron capaces de explicar el 63% de la
varianza de la distancia de avance y cerca del 90% de la varianza del calado, valores
suficientemente elevados como para dar por válidos estos análisis.
Q Q
a a
K K
a2 a2
Parámetro
Parámetro
a1 a1
p2 p2
So So
n n
-0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8
(a)
Sensibilidad del Calado SRFR Sensibilidad del Calado Híbrido
a2 a2
a1 a1
Q Q
n n
Parámetro
Parámetro
So So
a a
K K
p1 p1
-0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4
(b)
Figura 3.13.- Resultados de los análisis de sensibilidad de los modelos SRFR (figuras
ubicadas a la izquierda) e Híbrido (figuras ubicadas a la derecha). (a) Sensibilidad de la
distancia de avance. (b) Sensibilidad del calado al inicio del campo.
61
III.- Resultados y Discusión
En la Fig. 3.13 se muestran los gráficos de tornados obtenidos de los análisis de sensibilidad.
En el eje de las abscisas se representaron los coeficientes de regresión estandarizados y sus
intervalos de confianza, mientras que en el eje de las ordenadas se ubicaron las variables
independientes por orden de importancia. Así, el parámetro ubicado en la cima del tornado
fue el que mayor influencia ejerció sobre la variable dependiente analizada.
La comparación de los resultados obtenidos por los análisis de sensibilidad es otro buen
indicador de la precisión de un modelo. En la Fig. 3.13 se puede observar que tanto el orden
de importancia de las variables independientes analizadas como los coeficientes
estandarizados obtenidos en ambos modelos coincidieron marcadamente. Esto sugiere que las
simplificaciones introducidas para formular el modelo Híbrido no afectaron su nivel de
sensibilidad frente a los principales parámetros que dominan el sistema, y por tanto, el modelo
fue capaz de predecir los procesos consistentemente con un alto nivel de precisión.
Zerihun et al. (1996) encontraron que los índices de idoneidad del riego por superficie
(Eficiencia de aplicación y uniformidad) también fueron muy sensibles al caudal de riego y a
los parámetros de infiltración del agua en el suelo. Los índices de idoneidad dependen del
comportamiento de todas las fases del riego por superficie, por lo que se puede deducir que el
caudal de riego y la infiltración no solo son importantes en la simulación numérica de la fase
de avance, sino también en el modelado de las fases de almacenamiento, agotamiento y
recesión (Rocha et al. 2006).
62
IV.- Conclusiones
IV.- CONCLUSIONES
4. La simple transformación de las principales variables que dominan los sistemas de riego
por superficie en notación adimensional permitió que las redes neuronales diseñadas
adquirieran excelentes capacidades de generalización.
5. El modelo Híbrido fue capaz de predecir la distancia de avance y el calado del flujo
superficial con una precisión similar a la alcanzada con un modelo numérico de inercia
nula, tanto en condiciones de régimen permanente como transitorio. La solución del
modelo Híbrido es explícita, no necesita discretizar los dominios temporal y espacial para
resolver las ecuaciones que gobiernan el sistema y logra una rápida convergencia de los
cálculos.
64
Modelización de la Fase de Avance del Riego por Superficie
Finalmente, se debe mencionar que el modelo híbrido desarrollado en este trabajo ha sido
utilizado con excelentes resultados en una herramienta informática para la modelización
inversa multi-objetivo del riego por superficie con vista a identificar los parámetros de
infiltración y resistencia hidráulica del suelo. Este proyecto forma parte de la continuidad de
trabajos de tesis de doctorado que está llevando el autor. Los detalles de este proyecto pueden
consultarse en: http://www.siparid.110mb.com/.
65
V.- Referencias Bibliográficas
Al-Azba, A.A. 1999. Explicit volume balance model solution. Journal of Irrigation and
Drainage Engineering, ASCE, 125(5): 273-279.
Al-Azba, A.A. y Strelkoff, T. 1994. Correct form of Hall technique for border irrigation
advance. Journal of Irrigation and Drainage Engineering, ASCE, 20(2): 292-307.
Allen, R., Willardson, L.S., Burt, C. y Clemmens, A.J. 2003. Water conservation questions
and definitions from a hydrologic perspective. 24th Annual International Irrigation
Show, San Diego, CA Nov.18-20: 159-170.
Bassett, D.L., Frangmeier, D.D. y Strelkoff, T. 1980. Hydraulics of surface irrigation systems.
En: Design and operation of farm irrigation systems. ASAE Monograph No.3, St.
Joseph, Michigan, 829 pp.
Bautista, E., Schlegel, J.L., Strelkoff, T., Clemmens, A.J. y Strand, R.J. 2006. An integrated
software package for simulation, design, and evaluation of surface irrigation systems.
Proceedings of the World Water and Environmental Resources Congress, 10 pp.
Berbel, J., Morris, J., Boymanns, D., Bazzani, G., Gallerani, V., Viaggi, D., Twite, C.,
Weatherhead, K. y Vasileiou, K. 2003. Future of institutional framework related with
irrigated system in Europe: Combination of agricultural and water policies scenarios.
WADI Project. Deliverable D5. 39 pp.
Bishop, M. 1995. Neural Networks for Pattern Recognition. Oxford University Press.
Brown, M.B. y Forsythe, A.B. 1974. Robust Tests for Equality of Variances. Journal of the
American Statistical Association, 69: 364-367.
67
Modelización de la Fase de Avance del Riego por Superficie
Burt, C. 2002. Rapid appraisal process and benchmarking explanations and tools. Irrigation
and Training Research Center. California Polytechnic State University, San Luis
Obispo, CA.
Burt, C.M. y Styles, S.W. 1999. Modern water control and management practices in
Irrigation: Impact on performance. Prepared for the World Bank Research Committee
by the International Program for Technology Research in Irrigation and Drainage
(IPTRID). Irrigation Training and Research Center (ITRC). Cal Poly State Univ. San
Luis Obispo. http://www.itrc.org/reports/contents/html.
CAP. 2003. Guía práctica para estudios de modernización de zonas de riego. Empresa
Pública Desarrollo Agrario y Pesquero. Subdirección de Innovación y Desarrollo.
Consejería de Agricultura y Pesca. Junta de Andalucía. Sevilla.
Chow, V.T. 1959. Open channel hydraulics. McGraw-Hill Book Company, New York, 431
pp.
Clemmens, A.J. 1998. Achieving high irrigation efficiency with modern surface irrigation. IA
Expo Technical Conference, 1-3 November: 161-168.
Clemmens, A.J. y Allen, R.G. 2005. Impact of agricultural water conservation on water
availability. USDA ARS Water Conservation Laboratory, Phoenix, Arizona.
Clemmens, A.J., Eisenhauer, D.E. y Maheshwari, B.L. 2001. Infiltration and roughness
equations for surface irrigation: How form influences estimation. ASAE Annual
International Meeting. Sacramento Convention Center. Sacramento, California, USA.
July 30-August 1.
68
V.- Referencias Bibliográficas
Dibike, Y.B. 2002. Developing generic hydrodynamic models using artificial neural
networks. Journal of Hydraulic Research, 40(2): 183-190.
Elliot, R.L. y Walker, W.R. 1982. Field evaluation of furrow infiltration and advance
functions. Transactions of ASAE, 15(2): 369-400.
Farrell, D.A. 1963. Analysis of border irrigation. Transactions Fifth Congress, International
Comission on Irrigation and Drainage, 4(6): 1657-1681.
Fok, Y.S. y Bishop, A.A. 1965. Analysis of water advance in surface irrigation. Journal of
Irrigation and Drainage Division, ASCE, 91(1): 99-117.
Gevrey, M., Dimopoulos, I. y Lek, S. 2003. Review and comparison of methods to study the
contribution of variables in artificial neural network models. Ecological Modeling,
160: 249-264.
Gharbi A., Daghari, H. y Cherif, K. 1993. Effect of flow fluctuations on free draining, sloping
furrow and border irrigation systems. Agricultural Water Management, 24(4): 299–
319.
Gillies, M.H. y Smith, R.J. 2005. Infiltration parameters from surface irrigation advance and
run-off data. Irrigation Science, 24(1): 25–35.
Gillies, M.H., Smith, R.J. y Raine, S.R. 2007. Accounting for temporal inflow variation in the
inverse solution for infiltration in surface irrigation. Irrigation Science, 25(2): 87-97.
69
Modelización de la Fase de Avance del Riego por Superficie
Hagan, M.T., Menhaj, M.B., 1994. Training feedforward networks with the Marquardt
algorithm. IEEE Trans. Neural Net. 5: 989-993.
Hanson, B., Bowers, W., Davidoff, B., Kasapligil, D., Carvajal, A. y Bendixen, W. 1995.
Field performance of microirrigation systems. In: Microirrigation for a changing
world, Proc. of the Fifth International Microirrigation Congress, ASAE. April 2-6,
Orlando, Florida.: 769-774.
Helton, J.C., Johnson, J.D., Sallaberry, J.C y Storlie, C.B. 2006. Survey of sampling-based
methods for uncertainty and sensitivity analysis. Reliability Engineering and System
Safety, 91: 1175–1209.
Holzapfel, E.A., Jara, J., Zúñiga, C., Mariño, M.A., Paredes, J. y Billib, M. 2004. Infiltration
parameters for furrow irrigation. Agricultural Water Management, 68: 19-32.
Jurriens, J., Zerihun, D., Boonstra, J. y Feyen, J. 2001. SURDEV: Surface irrigation software.
Design, operation and evaluation of basin, border and furrow irrigation. ILRI
Publication 59. International Institute for Land Reclamation and Improvement,
Wageningen, The Netherlands, 194 pp.
Kennedy, D.N. 1994. California water plan update. California Department of Water
Resources, Sacramento, CA. Vol 1, Bullentin 160-95. 166 pp.
Kiefer, F.W. 1959. Average depth of absorbed water in surface irrigation. Mimeograph, Civil
Eng. Dept. Utah State University, Logan, Utah.
70
V.- Referencias Bibliográficas
Kostiakov, A.N. 1932. On the dynamics of coefficient of water-percolation in soils and the
necessity of studying it from a dynamic point of view for purposes of amelioration.
Trans. Com. Int. Soc. Soil Sci. 6th, Moscú, Part A: 267-272.
López, M. J. y Berbel, J. 2002. Análisis multicriterio del cambio de tecnología de riego en una
comunidad de regantes. III Congreso ibérico sobre gestión y planificación de aguas:
La Directiva Marco del agua: Realidades y futuros. Sevilla 13-17 de Noviembre.
Luján, J. 1992. Eficiencia del riego. Centro de Estudios Hidrográficos. CEDEX. Gabinete de
Formación y Documentación, Madrid, 110 pp.
Luquet, D., Vidal, A., Smith, M. y Dauzat, J. 2005. ‘More crop per drop’: how to make it
acceptable for farmers?. Agricultural Water Management, 76: 108–119.
Mailhol, J.C., Ruelle, E.P. y Popova, E.Z. 2005. Simulation of furrow irrigation practices
(SOFIP): a field-scale modeling of water management and crop yield for furrow
irrigation. Irrigation Science, 24(1): 37-48.
71
Modelización de la Fase de Avance del Riego por Superficie
Martin, E.B. y Morris, A.J. 1999. Artificial neural networks and multivariate statistics. In
Statistics and Neural Networks: Advances at the Interface, 195–257. J. W. Kay and D.
M. Titterington, eds. Oxford, U.K.: Oxford University Press.
Merriam, J.L. y Freeman, B.J. 2002. Irrigation water supplies to not inhibit improved water
management. 18th International Congress on Irrigation and Drainage. International
Commission on Irrigation and Drainage (ICID). Montreal, Canada 21–28 July.
Ozesmi, S.L., Tan, C.O. y Ozesmi, U. 2006. Methodological issues in building, training, and
testing artificial neural networks in ecological applications. Ecological Modeling, 195:
83-93.
Playán, E., Faci, J.M. y Castillo, R. 1998. Consideraciones sobre la modernización de los
regadíos del valle medio del Ebro: Aspectos estructurales. En: XVI Congreso Nacional
de Riegos, Palma de Mallorca: 374-381.
72
V.- Referencias Bibliográficas
Plusquellec, H. 2002. How design, management and policy affect the performance of
irrigation projects. Emerging modernization procedures and design standards. FAO,
Bangkok, Thailand. 156 pp.
Renault, D. y Wallender, W.W. 1992. ALIVE (Advance Linear Velocity): Surface irrigation
rate balance theory. Journal of Irrigation and Drainage Engineering, ASCE, 118(1):
138-154.
Rocha, D., Abbasi, F. y Feyen, J. 2006. Sensitivity analysis of soil hydraulic properties on
subsurface water flow in furrows. Journal of Irrigation and Drainage Engineering,
ASCE, 132(4): 418-424.
Rodríguez, J.A. 1996. Caracterización del proceso de infiltración en el riego por surcos con
flujo continuo. Desarrollo teórico. Tesis presentada en cumplimiento al grado de
Master en Riego y Drenaje. Universidad Agrícola de la Habana. C. Habana, 114pp.
Rodríguez, J.A., Martos, J.C., Molina, F. y Oyonarte, N. 2005. Nueva metodología para
estimar las eficiencias de riego en el ámbito de la Confederación Hidrográfica del
Guadalquivir. Convenio de colaboración entre la Sociedad Estatal Aguas de la
Cuenca del Guadalquivir y la Empresa Pública Desarrollo Agrario y Pesquero.
Informe Final. Sevilla. 120 pp.
Saint-Venant, A.J.C. 1871. Théorie du mouvement non permanent des eaux, avec application
aux des rivières et a l'introduction des marées dans eut lits. Comptes rendus des
séances de l'Académies Sciences, 73: 147-154.
Scaloppi, E.J., Merkley, G.P. y Willardson, L.S. 1995. Intake parameters from advance and
wetting phases of surface irrigation. Journal of Irrigation Drainage Engineering,
ASCE, 121(1): 57–70.
73
Modelización de la Fase de Avance del Riego por Superficie
Skaggs, R.K. y Samani, Z. 2005. Farm size, irrigation practice and on-farm irrigation
efficiency. Irrigation and Drainage, 54: 43-57.
Smerdon, E.T., Blair, A.W. y Reddell, D.L. 1988. Infiltration from irrigation advance data. I:
Theory. Journal of Irrigation and Drainage Engineering, ASCE, 114(1):4-17.
Smith, M. 1993. Neural networks for statistical modeling. Van Nostrand Reinhold, New York.
Sridhar, D.V., Seagrave, R.C. y Barlett, E.B. 1996. Process modeling using stacked neural
networks. Artificial Intelligence Journal, 42(9): 2529–2539.
Strelkoff, T. 1969. One dimensional equations of open channel flow. Hydraulic Division
Journal, ASCE, 96(1): 223-252.
Strelkoff, T., Clemmens, A.J. y Bautista, E. 2000. Field parameter estimation for surface
irrigation management and design. In Watershed Management 2000 Science and
Engineering Technology for the New Millennium, M. Flug and D. Frever (eds.), ASCE
(Conf. Fort Collins, CO), Reston, VI, 10 pp.
Strelkoff, T.S., Clemmens, A.J. y Schmidt, B.V. 1999. SRFR v.4.06. Computer program for
simulating flow in surface irrigation: furrows-basin-border. U.S. Water Conservation
Lab. USDA-ARD, Phoenix, Arizona.
Strelkoff, T. y Katopodes, N.D. 1977. Border irrigation hydraulics with zero-inertia. Journal
of Irrigation and Drainage Division, ASCE, 103(3): 325-342
Styles, S.W. y Mariño, M.A. 2002. Water delivery service as a determinant of irrigation
project performance. 18th ICID Congress. Montreal, Canada.
74
V.- Referencias Bibliográficas
Trewin, D. 2006. Water use on Australian farms. 2004-2005. Australian Bureau of Statistics.
32 pp.
USDA. 2004. Census of agriculture farm and ranch irrigation survey (2003). National
Agricultural Statistics Service (NASS), Agricultural Statistics Board.
Valiantzas, J.D. 1997a. Surface irrigation advance equation: Variation of subsurface shape
factor. Journal of Irrigation and Drainage Engineering, ASCE, 123(4): 300-306.
Valiantzas, J.D. 1997b. Volume balance irrigation advance equation: Variation of surface
shape factor. Journal of Irrigation and Drainage Engineering, ASCE, 123(4): 307-
312.
Valiantzas, J.D. 1999. Explicit time of advance formula for furrow design. Journal of
Irrigation and Drainage Engineering, ASCE, 125(1): 19-25.
Valiantzas, J.D. 2001. Optimal furrow design. I: Time of advance equation. Journal of
Irrigation and Drainage Engineering, ASCE, 127(4): 201-208.
Valiantzas, J.D., Aggelides, S. y Sassalou, A. 2001. Furrow infiltration estimation from time
to a single advance point. Agricultural Water Management, 52: 17-32.
Walker, W.R. 1989. Guidelines for designing and evaluating surface irrigation system. FAO
Irrigation and Drainage Paper No. 45, Rome, 137 pp.
Walker, W.R. 1998. SIRMOD – Surface Irrigation Modeling Software. Utah State University.
Walker W.R. y Kasilingam, B. 2004. Correcting the volume balance equation for shape
factors during advance. World Water and Environmental Resources Congress. Gerald
Sehlke, Donald F. Hayes, David K. Stevens – Editors. Salt Lake City, Utah, USA.
75
Modelización de la Fase de Avance del Riego por Superficie
Walker, W.R. y Skogerboe, G.V. 1987. Surface irrigation: Theory and Practice. Prentice-
Hall, Englewood Cliffs, New Jersey, 386 pp.
Wilke, O.C. y Smerdon, E.T. 1965. A solution to the irrigation advance problem. Journal of
Irrigation and Drainage Division, ASCE, 91(3): 23-34.
Wolff, P. y Stein, T.M. 1999. Efficient and economic use of water in agriculture: Possibilities
and limits. Natural Resources and Development, Vol. 49/50: 151-159. ISSN 0340-
2797.
Wolpert, D.H. 1996a. The lack of a priori distinctions between learning algorithms. Neural
Computation, 8: 1341-1390.
Wolpert, D.H. 1996b. The existence of a priori distinctions between learning algorithms.
Neural Computation, 8: 1391-1420.
Wolters, W. 1992. Influence on the efficiency of irrigation water use. Publication 51.
International Institute for Land Reclamation and Improvement. Wageningen, The
Netherlands. ISBN 9070754290.
Zerihun, D., Feyen, J. y Reddy, J.M. 1996. Sensitivity analysis of furrow irrigation
performance parameters. Journal of Irrigation and Drain Engineering, ASCE, 122(1):
49-57.
76
Anexo I.- Actividades Realizadas en el Período Docente
El curso se desarrolló en dos fases: (i) repaso de conceptos básicos de estadística y base
teórica que sustentan a los principales métodos estadístico que intervienen en el diseño de los
experimentos y análisis de los resultados. (ii) Solución de casos prácticos con el apoyo de
programas informáticos.
78
Modelización de la Fase de Avance del Riego por Superficie
Hortofruticultura
79