Disminución de los tiempos de entrenamiento en redes neuronales artificiales aplicadas a hidrología

Resumen

Las redes neuronales artificiales (ANN) tienen un problema para modelar los fenómenos de lluvia y escorrentía: el tiempo requerido para lograr un buen entrenamiento. Esto se debe principalmente al uso de algoritmos lentos y al elevado número de parámetros. El presente trabajo tuvo como objetivo reducir los tiempos de entrenamiento de las redes neuronales, lo que se logró disminuyendo el tamaño de las ANN y seleccionando un algoritmo que entrene las redes en el menor tiempo posible. Específicamente, se estudió la aplicación del análisis de componentes principales (PCA) a los modelos hidrológicos y la búsqueda del algoritmo más rápido entre cuatro familias de algoritmos. El PCA selecciona la mejor proyección de la información de entrada de un modelo para representar el máximo de varianza, con el mínimo de variables o componentes principales.

Este método entrega redes más pequeñas, variables explicativas independientes entre sí y una reducción de parámetros en los modelos. Se examinaron los algoritmos de entrenamiento Adaptive gradient-descent momentum, Conjugate gradient descent, Broyden-fletcher-Goldfard-Shanno y Levenberg-Marquardt. Se modelaron dos problemas hidrológicos: el pronóstico de volúmenes mensuales escurridos en el río San Juan, Argentina, y la predicción de la intensidad de lluvia en el norte de California, Estados Unidos de América. Los resultados muestran que el uso de PCA lleva a entrenamientos más rápidos sin desmejorar la calidad de convergencia y que el algoritmo de mejor convergencia y mayor rapidez es el de Levenberg-Marquardt. Los autores recomiendan usar este algoritmo para redes neuronales tipo feedforward y utilizar PCA con fenómenos hidrológicos que posean un alto número de variables explicativas altamente correlacionadas entre sí.