Aplicación de modelo ARIMA para el análisis de series de volúmenes anuales en el río Magdalena

Applying ARIMA model for annual volume time series of the Magdalena River

  • Gloria Amaris Universidad Católica de Chile
  • Humberto Ávila Universidad del Norte
  • Thomas Guerrero Universidad Francisco de Paula Santander Ocaña
Palabras clave: Statistical model, autoregressive model, time series (en_US)
Palabras clave: Modelo estadístico, modelo auto regresivo, serie de tiempo (es_ES)

Resumen (es_ES)

Contexto: Los efectos del cambio climático, intervenciones humanas y características de los ríos, son factores que incrementan el riesgo en la población y de los recursos hídricos. Sin embargo, impactos negativos como inundaciones y desecación de ríos pueden ser identificados previamente mediante el uso de herramientas de modelación adecuadas.

Objetivos: Se estima un modelo ARIMA para el análisis de series de tiempo de volúmenes anuales (millones de m3/año) en el río Magdalena usando registros de la estación Calamar (Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia - Ideam), buscando la compatibilidad entre la hipótesis de modelación y los datos observados en el río.

Métodos: El modelo ARIMA es considerado uno de los enfoques más implementados en hidrología y estudios relacionados con variabilidad climática dado que considera registros no estacionarios.

Resultados: El pronóstico de volumen máximo del río Magdalena para los años 2013 a 2024 oscila entre 289.695 millones de m3 y 309.847 millones de m3. El pronóstico de volumen mínimo para los años de 2013 a 2024 oscila entre 179.123 millones de m3 y 157.764 millones de m3 con una tendencia de decrecimiento de 106 millones de m3 en 100 años.

Conclusiones: Los resultados de la simulación con el modelo ARIMA, comparados con los datos observados, muestran un ajuste adecuado de los valores mínimos y máximos. Esto permite concluir que, aunque estos modelos no simulan el comportamiento exacto en el tiempo, son una buena herramienta para aproximar eventos mínimos y máximos.

Resumen (en_US)

Context: Climate change effects, human interventions, and river characteristics are factors that increase the risk on the population and the water resources. However, negative impacts such as flooding, and river droughts may be previously identified using appropriate numerical tools.

Objectives: The annual volume (Millions of m3/year) time series of the Magdalena River was analyzed by an ARIMA model, using the historical time series of the Calamar station (Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia - IDEAM), and looking for matching the modelling hypothesis with the data measured in the river.

Methods: The ARIMA model is considered one of the most implemented approaches in hydrology and studies related to climatic variability because it considers non-stationary information.

Results: The maximum volume forecasted of the Magdalena River from 2013 to 2024 oscillates between 289,695 million m3 and 309,847 million m3. The minimum volume forecast for the same period ranges from 179,123 million m3 to 157,764 million m3, with a decreasing trend of 106 million m3 in 100 years.

Conclusions: The simulated results obtained with the ARIMA model compared to the observed data showed a fairly good adjustment of the minimum and maximum magnitudes. This allows concluding that it is a good tool for estimating minimum and maximum volumes, even though this model is not capable of simulating the exact behaviour of an annual volume time series.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Gloria Amaris, Universidad Católica de Chile
Ingeniera civil, magíster en Ingeniería Civil, estudiante Doctorado en Ciencias de la Ingeniería. Pontificia Universidad Católica de Chile. Departamento de Hidráulica y Ambiental
Humberto Ávila, Universidad del Norte

Ingeniero civil, especialista en ríos y costas, magíster en Recursos Hídricos, magíster en Estadística, doctor en Recursos Hídricos. Docente de la Universidad del Norte, Departamento de Ingeniería Civil y Ambiental. Barranquilla

Thomas Guerrero, Universidad Francisco de Paula Santander Ocaña
Ingeniero civil, magíster en Ingeniería Civil, docente asistente de la Universidad Francisco de Paula Santander Ocaña. Ocaña, Norte de Santander

Referencias

Bowerman, B. (2009). Pronósticos, series de tiempo y regresión: un enfoque aplicado. 4a. ed. México: Centro Ixtapaluca Edo. de México, CENGAGE Learning.

Box, G. E. P., y Jenkins, G. M. (1970). Time series analysis: forecasting and control, 1976. ISBN: 0-8162-1104-3.

Calle, E.; Angarita, H. y Rivera, H. (2010). Viabilidad para pronósticos hidrológicos de niveles diarios, semanales y decadales en Colombia. Ingenieria e Investigación, 30(2), 178-187.

Chatfield, C. (2003). The Analysis of Time Series: An Introduction. 6a. ed. Boca Raton, Florida: Chapman and Hall/CRC.

De Arce, R. y Mahía, R. (2003). Modelos Arima. Programa CITUS: Técnicas de Variables Financieras.

García M., B. y Baena E., R. (2015). El doble meandro abandonado del Guadalquivir en Cantillana (Sevilla): cambios de trazado y evolución geomorfológica. Geographicalia, (53), 101-119.

Guerrero, V. (2003). Análisis estadístico de series de tiempo económicas. 2a. ed. México, D.F.: Thomson.

Hildebrand, D. (1998). Estadística aplicada a la administración y a la economía. Serie de probabilidad y estadística. 3a. ed. México, D.F.: Addison Wesley Longman..

Ideam (2001). Primera Comunicación Nacional ante la Convención Marco de las Naciones Unidas sobre Cambio Climático. Bogotá, D. C.

Krajewski, L.; Ritzman, L. y Malhotra, M. (2008). Administración de operaciones. 8a. ed. México: Pearson Educación.

Lehner, B.; Döll, P.; Alcamo, J.; Henrichs, T. y Kaspar, F. (2006). Estimating the impact of global change on flood and drought risks in Europe: a continental, integrated analysis. Climatic Change, 75(3), 273-299.

Mauricio, J. (2007). Introducción al análisis de series temporales. Madrid: Universidad complutense de Madrid.

Ocampo, E.; Cabrera, A. y Ruiz, A. (2006). Pronóstico de bolsa de valores empleando técnicas inteligentes. Revista Tecnura, 9(18), 57-66.

Organización Meteorológica Mundial (OMM) (2003). Servicios de Información y Predicción del Clima y Aplicaciones Agrometeorológicas para los países andinos. Ginebra- Suiza.

Pabón, D. (1997). Variabilidad climática. En: Técnicas agrometeorológicas en la agricultura operativa de América Latina (pp. 99-103). Ginebra, Suiza: Organización Meteorológica Mundial.

Panel Intergubernamental sobre Cambio Climático (IPCC) (2007). Informe de síntesis. Contribución de los Grupos de trabajo I, II y III al Cuarto Informe de evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático. Suiza.

Pinilla, L.; Pérez G., A. y Benito, G. (1995). Cambios históricos de los cauces de los ríos Tajo y Jarama en Aranjuez. Geogaceta, 18(10), 101-104.

Vargas, J.; Hernández, C. y Aponte, G. (2012). Comparación del modelo FARIMA y SFARIMA para obtener la mejor estimación del tráfico en una red Wi-Fi. Revista Tecnura, 16(32), 84-90.

Velásquez, J.; Dyner, I. y Souza, R. (2008). Modelado del precio spot de la electricidad en Brasil usando una red neuronal autorregresiva. Ingeniare. Revista Chilena de Ingeniería, 16(3), 394-403.

Yaglom, A. (1955). Correlation theory of processes with random stationary nth increments. Matematicheskii Sbornik (N. S.), 37(79), 141-196.

Cómo citar
Amaris, G., Ávila, H., & Guerrero, T. (2017). Aplicación de modelo ARIMA para el análisis de series de volúmenes anuales en el río Magdalena. Tecnura, 21(52), 88-101. https://doi.org/10.14483/udistrital.jour.tecnura.2017.2.a07
Publicado: 2017-04-01
Sección
Estudio de caso