La influencia del efecto de borde en el pronóstico de precipitaciones utilizando DWT diádica, MODWT, ANN y ANFIS

Resumen

Se presentan los resultados que demuestran la influencia del efecto de borde al emplear modelos híbridos Wavelet Neuronal o Wavelet neurodifuso para pronosticar series de tiempo mensuales de lámina de precipitación con un mes de anticipación. Para la implementación de los modelo se utiliza la información de la estación climatológica ubicada en la presa Emilio López Zamora en la ciudad de Ensenada, al noroeste del Estado de Baja California, México. El estudio combina cuatro métodos: a) Transformada Wavelet Discreta con el algoritmo de Mallat (DWT): b) Transformada Wavelet Discreta de Máxima Superposición (MODWT); c) Feed Forward Back Propagation (FFBP), y, d) Adaptive-Networkbased Fuzzy Inference System (ANFIS). Se utilizan dos enfoques de preprocesamiento utilizados en la actualidad en la literatura para pronosticar series climáticas de variables hidrológicas. En el primer enfoque se emplean cuatro métodos para realizar la convolución de la transformada y se discute su relación con el fenómeno del efecto de borde. Los resultados muestran que el modelo híbrido utilizado influye de manera significativa para mejorar el entrenamiento de la red con fines de predicción, sin embargo, para la etapa de pronóstico sucede lo contrario debido al efecto de borde. En el segundo enfoque se encuentra que la serie de tiempo se tiene que reconstruir con coeficientes wavelet de escalas, que corresponden a un periodo de cinco años, y los resultados muestran que existe una componente de ruido significativa en la señal. Por último, se encontró que ANFIS autónomo es el método más sencillo y recomendable de utilizar para este tipo de series de tiempo.