Comparación de métodos de optimización locales y globales para la calibración y análisis de sensibilidad de un modelo hidrológico conceptual

Contenido principal del artículo

Maikel Mendez-Morales
Luis Alexander Calvo-Valverde

Resumen

Ocho métodos de optimización global y ocho métodos de optimización local fueron utilizados para calibrar el modelo hidrológico conceptual HBV-TEC en la cuenca alta del río Toro en Costa Rica para cuatro diferentes periodos de calibración (4, 8, 12 y 16 años). Con el propósito de evaluar la sensibilidad de quedar atrapados en mínimos locales, cada método fue probado contra 50 sets de parámetros iniciales generados aleatoriamente. Todos los métodos fueron entonces evaluados en términos del desempeño de optimización y el costo computacional. Los resultados muestran un desempeño comparable entre varios métodos locales y globales dado que se correlacionan fuertemente entre ellos. Sin embargo, los métodos locales son generalmente más sensitivos a quedar atrapados en mínimos locales independientemente de la duración del periodo de calibración. El desempeño de optimización parece ser independiente del número total de llamas del modelo, el cual puede variar varios órdenes de magnitud dependiendo del método de optimización seleccionado. La selección final de un método de optimización está grandemente influenciada por su eficiencia y el nivel de recursos computacionales disponible indistintamente de clase local o global.

Detalles del artículo

Cómo citar
Mendez-Morales, M., & Calvo-Valverde, L. A. (2019). Comparación de métodos de optimización locales y globales para la calibración y análisis de sensibilidad de un modelo hidrológico conceptual. Revista Tecnología En Marcha, 32(3), Pág. 24–36. https://doi.org/10.18845/tm.v32i3.4477
Sección
Artículo científico

Citas

[1] Duan, Q., Sorooshian, S., Gupta, V.K., 1992 “Effective and efficient global optimization for conceptual rainfall runoff models”. Water Resour. Res. 24, 1163-1173.
[2] Madsen, H., Wilson, G., Ammentorp, H.C., 2002. “Comparison of different automatic strategies for calibration of rainfall-runoff models”. J. Hydrol. 261, 48-59.
[3] Beven, K.J., 1993. “How far can we go in distributed hydrological modelling?” Hydrol. Earth Syst. Sci. 5, 1-12.
[4] Gramacy, R.B., Gray, G.A., Le Digabel, S., Lee, H.K.H., Ranjan, P., Wells, G. & Wild, S.M. 2015. “Rejoinder: Modeling an Augmented Lagrangian for Blackbox Constrained Optimization”. Technometrics. 58, 26-29.
[5] Gupta, H.V., Sorooshian, S., Yapo, P.O., 1998. “Toward improved calibration of hydrological models: multiple and noncommensurable measures of information”. Water Resour. Res. 34 (4), 751-763.
[6] Cheng, Y., Liang, F., 2016. Comment: “Modeling an Augmented Lagrangian for Blackbox Constrained Optimization” by Gramacy et.al. Technometrics. 58(1), 15-17.
[7] Jeon, J.H., Park, C.G., Engel, B., 2014. “Comparison of performance between Genetic Algorithm and SCE-UA for calibration of SCS-CN surface runoff simulation”. Water. 6 (11), 3433-3456.
[8] Arsenault, R., Poulin, A., Côté, P., Brissette, F., 2014. “Comparison of Stochastic Optimization Algorithms in Hydrological Model Calibration”. J. Hydrol. Eng. 19 (7). 1374-1384.
[9] Piotrowski, A.P., Napiorkowski, M.J., Napiorkowski, J.J., Osuch, M., Kundzewicz, Z.W., 2017. “Are modern metaheuristics successful in calibrating simple conceptual rainfall–runoff models?” Hydrol. Sci. J. 62 (4), 606-625.
[10] Mendez, M., Calvo-Valverde, L., 2016. “Development of the HBV Hydrological Model”. Procedia Eng. 154, 1116-1123.
[11] Lindström, G., Johansson, B., Persson, M., Gardelin, M., Bergström, S., 1997. “Development and test of the distributed HBV-96 hydrological model”. J. Hydrol. 201, 272-288.
[12] R Core Team. 2018. “R: A language and environment for statistical computing. R Foundation for Statistical Computing”. Vienna, Austria. URL https://www.R-project.org/.
[13] Booij, M.J., 2005. “Impact of climate change on river flooding assessed with different spatial model resolutions”. J Hydrol. 303, 176-198
[14] Kobold, M., Brilly, M., 2006. “The use of HBV model for flash flood forecasting”. Nat.Hazards Earth Syst.Sci. 6, 407-417.
[15] Wale, A., Rientjes, T.H.M., Gieske, A.S.M., Getachew, H.A., 2009. “Ungauged catchment contributions to Lake Tana’s water balance”. Hydrol. Process. 23, 3682-3693.
[16] Seibert, J., Vis, M.J.P., 2012. “Teaching hydrological modeling with a user-friendly catchment-runoff-model software package”. Hydrol. Earth Syst. Sci. 16, 3315-3325.
[17] Nelder, J.A., Mead, R., 1965. “A simplex algorithm for function minimization”. Comput. J. 7, 308-313.
[18] Broyden, C.G., 1965. “Quasi-Newton methods and their application to function minimization”. Math. Comput. 21, 368-381.
[19] Hooke, R., Jeeves, T.A., 1961. “ Direct search solutions of numerical and statistical problems”. J. ACM. 8, 212-229.
[20] Nash, J.C., 1979. “Compact Numerical Methods for Computers: Linear Algebra and Function Minimisation”. Adam Hilger, Bristol. Second Edition. Bristol: Institute of Physics Publications.
[21] Powell, M.J.D., 2009. “The BOBYQA algorithm for bound constrained optimization without derivatives”. Report No. DAMTP 2009/NA06, Centre for Mathematical Sciences, University of Cambridge, UK.
[22] Birgin, E.G., Martinez. J.M., Raydan, M., 2001. “SPG: software for convex-constrained optimization”. ACM T. Math. Soft. 27 (3), 340-349.
[23] Fox, P.A., Hall, A.D., Schryer, N.L., 1978. “The PORT Mathematical Subroutine Library”. ACM T. Math. Soft. 4, 104-126.
[24] Moré, J.J., 1978. “The Levenberg-Marquardt algorithm: implementation and theory”. Lecture Notes in Mathematics 630: Numerical Analysis, G.A. Watson (Ed.), Springer-Verlag: Berlin.
[25] Kirkpatrick, S., Gelatt, C.D., Vecchi, M.P., 1983. “Optimization by Simulated Annealing”. Science, 220, 671-680.
[26] Storn, R., Price, K., 1997. “Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces”. J. Global. Optim. 11 (4), 341-359.
[27] Wang, Q.J., 1991. “The genetic algorithm and its application to calibrating conceptual rainfall-runoff models”. Water Resour. Res. 27, 2467-2471.
[28] Duan, Q., Sorooshian, S., Gupta, V.K., 1994. “Optimal use of the SCE-UA global optimization method for calibrating watershed models”. J. Hydrol. 518, 265-284.
[29] Kennedy, J., Eberhart, R., 1995. “Particle Swarm Optimization”. in proceedings IEEE international conference on Neural networks, 1942-1948.
[30] Gablonsky, J.M., Kelley, C.T., 2001. “A locally-biased form of the DIRECT algorithm”. J Global. Optim. 21 (1), 27-37.
[31] Kaelo, P., Ali, M.M., 2006. “Some variants of the controlled random search algorithm for global optimization”. J .Optim. Theory. Appl. 130 (2), 253-264.
[32] Birgin, E.G. & Martinez, J.M. 2008. “Improving ultimate convergence of an augmented Lagrangian method”. Optim. Method. Softw. 23 (2), 177-195.
[33] Husson, F., Le, S., Pages, J., 2010. “Exploratory Multivariate Analysis by Example Using R”. Chapman and Hall. New York.