ESTIMACIÓN DE CRECIDAS DE ALTO PERÍODO Í DE RETORNO MEDIANTE FUNCIONES DE DISTRIBUCIÓN CON LÍMITE SUPERIOR E INFORMACIÓN NO SISTEMÁTICA Tesis doctoral presentada por: Blanca Adriana Botero Hernández Dirigida por: Dr. Félix Francés Planteamiento de la pregunta de fondo LLAMADA a los ingenieros e hidrólogos a la estimación p precisa de la p probabilidad de ocurrencia de crecidas extremas NECESIDAD real de: Evaluación Diseño Planeación EVITAR pérdidas humanas y económicas (Inundación de poblaciones, daños a obras civiles, i il d daños ñ agrícolas, í l d daños ñ medioambientales… CATÁSTROFES) Planteamiento de la pregunta de fondo • Según proyecto Æ estimar crecidas de mayor o menor probabilidad de ocurrencia • Crecidas de menor probabilidad de ocurrir asociadas a proyectos o situaciones críticas como: Grandes presas, emplazamiento de plantas nucleares, protección de ciudades contra inundaciones y otras donde algún fallo produciría grandes pérdidas económicas, humanas y medioambientales • En algunos proyectos de este tipo es necesaria la estimación de la crecida máxima probable, probable PMF Planteamiento de la pregunta de fondo Problemas en la estimación de crecidas, entre otros: Incertidumbre en la estimación, asociada a la longitud g relativamente corta de los registros. g Menor que el Tr de la crecida de interés… p … extrapolaciones Límite físico para las crecidas que se pueden dar en una cuenca de características climáticas e hidrológicas g determinadas. No incorporado p en el análisis Planteamiento de la pregunta de fondo Varias técnicas existentes para mejorar la estimación, entre ellas: • Extender la longitud del período con información: introduciendo datos adicionales al registro de la estación de aforo. Información No Sistemática • Introducir límite: funciones de distribución con límite superior ¿Es posible mejorar la estimación de las crecidas de alto p período de retorno utilizando información No Sistemática y funciones de distribución con límite superior? superior OBJETIVOS • Estructurar una metodología para la estimación de crecidas d de d alto l período d de d retorno con funciones f de distribución con límite superior e información No Sistemática S • Análizar el comportamiento de las funciones. funciones Habilidad descriptiva, predictiva • Establecer el error de los estimadores al usar esta metodología t d l í • Determinar D t i condiciones di i y recomendaciones d i d uso de •CONCEPTOS FUNDAMENTALES •METODOLOGÍA •APLICACIÓN •ANÁLISIS DEL ERROR •CONCLUSIONES Conceptos Fundamentales: • Crecidas de alto período de retorno • Funciones de distribución con límite superior • Información No Sistemática Conceptos Fundamentales Metodología Aplicación Análisis del Error Conclusiones 8 Crecidas de Alto Período de Retorno Según el interés del proyecto: Probabilidad de ocurrencia anuall Período de retorno ((Tr)) [años] ≤ 10-3 (NRC, 1988; Naghettini et al., 1996) ≥ 1000 ≤ 2 x 10-3 (England et al., 2003) ≥ 500 Conceptos Fundamentales Metodología Aplicación Análisis del Error Conclusiones 9 Funciones de Distribución con Límite Superior Con límite Período o de reto orno Tr P Período de retorrno Tr Sin límite xmin x ∞ xmin g x x <∞ F ( x) < 1 x< g F ( x) → 1 x →∞ F ( x) = 1 x≥ g F ( x) < 1 Conceptos Fundamentales Metodología Aplicación Análisis del Error 10 Conclusiones Funciones de distribución con límite superior Funciones con límite superior utilizadas en hidrología de extremos: Precipitación (Eliasson, 1994 y 1997; Takara y Loebis,1996;Takara y Tosa, 1999) Caudales (Takara y Tosa, 1999). Todos reportan aumento de precisión en la estimación de los cuantiles EV4 (Función de Distribución de Valor Extremo de 4 Parámetros) TDF (Función (F ió d de Di Distribución t ib ió d de V Valor l E Extremo t T Transformada) f d ) LN4 (Función de Distribución LogNormal de 4 Parámetros) Conceptos Fundamentales Metodología Aplicación Análisis del Error 11 Conclusiones Funciones de distribución con límite superior Función de Distribución EV4 ⎡ ⎧ g − x ⎫k ⎤ F ( x) = expp ⎢− ⎨ ⎬ ⎥ ⎢⎣ ⎩ v( x − a ) ⎭ ⎥⎦ ⎡ ⎧ g − x ⎫k ⎤ F ( x) = exp ⎢− ⎨ ⎬ ⎥ ⎢⎣ ⎩ v( x − a) ⎭ ⎥⎦ •Pertenece a la familia de las distribuciones de valor extremo •Formulada a p partir de las funciones EV tipo p II y tipo p III •Propuesta por Kanda (1981) •Utilizada por primera vez en Hidrología por Takara y Tosa (1999) Conceptos Fundamentales Metodología Aplicación Análisis del Error 12 Conclusiones Función de Distribución EV4 Parámetro v escala Parámetro k forma Conceptos Fundamentales Metodología Aplicación Análisis del Error 13 Conclusiones Funciones de distribución con límite superior Gumbel: ⎡ ⎛ ⎛x ⎞ ⎞⎤ F ( x) = exp p ⎢− exp p⎜ − ⎜ + b ⎟ ⎟⎥ ⎠ ⎠⎦ ⎝ ⎝a ⎣ Transformación x k y = +b+ a ⎛g ⎞ ⎛x ⎞ ⎜ + b⎟ − ⎜ + b⎟ ⎝ a ⎠ ⎝a ⎠ Variable reducida y = − ln (− ln[F ( x)]) = x + b a T Transformación f ió Conceptos Fundamentales y= x k +b+ a ⎛g ⎞ ⎛x ⎞ ⎜ + b⎟ − ⎜ + b⎟ ⎝a ⎠ ⎝a ⎠ Metodología Aplicación Análisis del Error 14 Conclusiones Función de Distribución TDF Propuesta por Elíasson (1994) ⎡ ⎛ k ⎞⎤ ⎟⎟⎥ F ( x) = exp ⎢− exp⎜⎜ − z + ylim − z ⎠⎦ ⎝ ⎣ x z = +b a Conceptos Fundamentales Metodología ylim li g = +b a Aplicación Análisis del Error 15 Conclusiones Funciones de distribución con límite superior Distribución TDF a controla la pendiente k parámetro negativo b parámetro de localización Conceptos Fundamentales Metodología F Forma de d aproximarse i all lí límite it Aplicación Análisis del Error 16 Conclusiones Funciones de distribución con límite superior Función de Distribución LN4 Utilizada en Hidrología por Takara y Loebis (1996) Variable transformada y, propuesta por Slade (1936) ⎛ x−a ⎞ ⎟⎟ y = ln⎜⎜ ⎝ g−x⎠ g −a f ( x) = (x − a )(g − x )σ y Conceptos Fundamentales Metodología ⎡ 1 ⎛ y − u ⎞2 ⎤ y ⎟ ⎥ exp ⎢− ⎜ 2π ⎢ 2 ⎜⎝ σ y ⎟⎠ ⎥ ⎣ ⎦ Aplicación Análisis del Error 17 Conclusiones Distribución LN4 Funciones de distribución con límite superior σy forma μy localización Conceptos Fundamentales Metodología Aplicación Análisis del Error 18 Conclusiones Conceptos Fundamentales • Crecidas alto período de retorno • Funciones de distribución con límite superior p • Información No Sistemática Conceptos Fundamentales Metodología Aplicación Análisis del Error 19 Conclusiones Información No Sistemática •Valor de incorporar información No Sistemática en el análisis de frecuencia de crecidas reconocido ampliamente en la literatura. Entre otros por: Leese, 1973; USWRC, 1982; Stendinger y Cohn Cohn, 1986; Stedinger y Baker Baker, 1987; Pilon y Adamowski Adamowski, 1993; Francés et al., 1994; Cohn et al., 1997; O’Conell et al., 2002; England et al., 2003; Benito et al., 2004a; O’Conell, 2005… •Información adicional al registro sistemático de la estación de aforo • Según su origen se clasifica en: Información Histórica Información sobre Paleocrecidas Conceptos Fundamentales Metodología Aplicación Análisis del Error 20 Conclusiones Información No Sistemática Información Histórica Información sobre los daños producidos, las fechas y niveles alcanzados entre otros alcanzados, otros, por crecidas recopiladas en documentos históricos tales como: • Eclesiásticos ((Archivos parroquiales) p q ) • Archivos municipales • Otros: Periódicos, Periódicos Reportes técnicos de daños sufridos por construcciones de la época, Crónicas, Reportes de marcas dejadas por el agua en los edificios locales… locales Resultado Æ Cronología de eventos : Fecha, daños, niveles alcanzados caudal de la crecida alcanzados, Historiadores e hidráulicos Conceptos Fundamentales Metodología Aplicación Análisis del Error 21 Conclusiones Información No Sistemática Información de Paleocrecidas Información obtenida de evidencias dejadas por la crecida BOTÁNICAS FÍSICAS Esquema. Sección transversal del cauce y valle de inundación Tomado de Benito et al. 2004b Recopilada R il d y analizada li d por geólogos, ól geomorfólogos fól e hid hidráulicos á li que finalmente obtienen, fecha, nivel, caudal mínimo… Conceptos Fundamentales Metodología Aplicación Análisis del Error 22 Conclusiones Información No Sistemática Información de Paleocrecidas Información Histórica Hay información de una crecida porque excedió algún umbral a partir del cual quedó en la memoria de la población, en los documentos históricos o dejó huellas físicas que se conservan h hasta ahora h Umbral de percepción XH (St di (Stedinger y Cohn, C h 1986 y Francés F é ett al, l 1994) Información No Sistemática para el análisis estadístico se traduce a grandes rasgos en : F h y magnitud Fecha i dd de la l crecida id Fecha en que XH fue excedido Conceptos Fundamentales Metodología Aplicación Análisis del Error 23 Conclusiones Clasificación de los Datos Información No Sistemática EX (Exacto) Æ Magnitud de la crecida UB ((Upper pp Bound)) Æ Límite superior p no excedido LB (Lower Bound) Æ Límite inferior excedido DB (Double Bound) Æ Crecida dentro de Intervalo Si solo UB y EX: Información Censurada ((CE CE)) Si solo UB y LB: Información Binomial Censurada (BC BC) Conceptos Fundamentales Metodología Aplicación Análisis del Error 24 Conclusiones •CONCEPTOS FUNDAMENTALES •METODOLOGÍA •APLICACIÓN •ANÁLISIS DEL ERROR •CONCLUSIONES E ti Estimación ió de d parámetros á t por Máxima Má i V Verosimilitud i ilit d •Permite incorporar fácilmente cualquier tipo de dato •Estimadores más eficientes con muestras largas Conceptos Fundamentales Metodología Aplicación Análisis del Error 26 Conclusiones Estimación de parámetros por Máxima Verosimilitud Probabilidad P b bilid d conjunta j t de d ocurrencia de la muestra Función de verosimilitud L( L(Θ Θ) Producto de las probabilidades de ocurrencia de cada observación n Si variable es i.i.d LX (Θ) = ∏ f X ( xi , Θ) i =1 L(Θ) de muestra con L(Θ d t EX, datos EX UB, UB DB, DB LB El producto de la probabilidad de ocurrencia i d de cada d uno d de ellos ll Æ “el aporte de cada tipo de dato” N EX NUB N LB N DB i =1 i =1 i =1 i =1 LX (Θ) = ∏ f X ( EX i , Θ)∏ FX (UBi , Θ)∏ [1 − FX ( LBi , Θ)]∏ [ FX (URi , Θ) − FX ( LRi , Θ)] En el caso de las 3 distribuciones propuestas se desarrolla explícitamente la función de verosimilitud Conceptos Fundamentales Metodología Aplicación Análisis del Error 27 Conclusiones Estimación de parámetros por Máxima Verosimilitud Función de verosimilitud para la EV4 N EX N EX i =1 i =1 LLEX (Θ) = N EX ln( l (k ) + (k − 1) ∑ ln( l ( g − EX i ) − (k + 1) ∑ ln( l ( EX i − a ) ⎡ g − UBi ⎤ LLUB (Θ) = − ∑ ⎢ ⎥ i =1 ⎣ v (UBi − a ) ⎦ NUB k k ⎡ g − EX i ⎤ + N EX ln( g − a ) − N EX k ln(v) − ∑⎢ ⎥ i =1 ⎣ v ( EX i − a ) ⎦ N EX k ⎡ ⎡ g − LBi ⎤ ⎤ LLLB (Θ) = ∑ ln ⎢1 − exp ⎢− ⎥ ⎥ i =1 ⎣ v( LBi − a ) ⎦ ⎥⎦ ⎢⎣ N LB k ⎡ ⎡ g − UR ⎤ k ⎤ ⎡ ⎤ g − LRi i LLDB (Θ) = ∑ ln l ⎢exp ⎢− − exp ⎢− ⎥ ⎥ ⎥ ( ) ( ) i =1 ⎣ v LRi − a ⎦ ⎥⎦ ⎢⎣ ⎣ v URi − a ⎦ N DB Conceptos Fundamentales Metodología Aplicación Análisis del Error 28 Conclusiones Estimación de parámetros por Máxima Verosimilitud Función de verosimilitud para la TDF ⎡ EX i ⎤ N EX i N akk akk LLEX (Θ) = − ∑ exp ⎢− + − b⎥ − ∑ +∑ − Nb g − EX i i =1 i =1 g − EX i ⎣ a ⎦ i =1 a N EX EX EX ⎡1 ⎤ ak + ∑ ln l ⎢ − 2⎥ i =1 ⎣ a ( g − EX i ) ⎦ N EX ⎡UB ⎤ ak − b⎥ LLUB (Θ) = − ∑ exp ⎢ i + g − UBi i =1 ⎣ a ⎦ NUB ⎡ ⎡ ⎡ LBi ⎤⎤⎤ ak LLLB (Θ) = ∑ ln ⎢1 − exp p ⎢exp p⎢ + − b⎥ ⎥ ⎥ g − LBi i =1 ⎢⎣ ⎦ ⎦ ⎥⎦ ⎣ ⎣ a N LB ⎧⎪ ⎡ ⎛ URi ⎡ ⎛ LRi ⎞⎤ ⎞⎤ ⎫⎪ ak ak LLDB (Θ) = ∑ ln ⎨exp ⎢exp⎜⎜ + − b ⎟⎟⎥ − exp ⎢exp⎜⎜ + − b ⎟⎟⎥ ⎬ g − URi g − LRi i =1 ⎪⎩ ⎣ ⎝ a ⎠⎦ ⎠⎦ ⎪⎭ ⎣ ⎝ a N LB Conceptos Fundamentales Metodología Aplicación Análisis del Error 29 Conclusiones Estimación de parámetros por Máxima Verosimilitud Función de verosimilitud para la LN4 LLEX (Θ) = NEX ln( g − a) − ∑ ln(EXi − a) − ∑ ln( g − EXi ) − NEX ln(σ y ) N EX N EX i =1 i =1 N EX ln ( ) 2π − 1 2 LL UB ( Θ ) = ⎡ ⎡ ⎛ UB i − a ⎞−μ ⎤ σ ⎤ ln Φ ⎟ ∑ y⎥ y⎥ ⎢ ⎢⎣ ⎜⎝ g − UB i ⎠ i =1 ⎦ ⎣ ⎦ LL LB ( Θ ) = ∑ ln ⎢1 − Φ ⎢ ⎛⎜⎝ N EX ∑ i =1 ⎡ ln ⎛ EX i − a ⎞−μ ⎤ ⎜ y ⎥ ⎢ ⎝ g − EX i ⎟⎠ ⎢ ⎥ σ y ⎥ ⎢ ⎣ ⎦ 2 N UB N LB i =1 ⎡ ⎣ ⎡ LB i − a ⎞ − μ σ ⎤⎤ y y ⎥⎥ g − LB i ⎟⎠ ⎣ ⎦⎦ LLDB (Θ) = ∑ ln{Φ[(((URi − a) ( g − URi )) − μ y ) σ y ] − Φ[(((URi − a) ( g − URi )) − μ y ) σ y ]} N DB i =1 Conceptos Fundamentales Metodología Aplicación Análisis del Error 30 Conclusiones Estimación i i d dell Límite i Superior i Desafortunadamente en ciertos casos ĝ por ML Æ Máximo observado • Hidrología con funciones de límite superior (Eliasson, 1994 y 1997; Takara y Loebis, 1996; Takara y Tosa, 1999) : No se reporta que ĝ por ML=Máximo observado Desafortunadamente en ciertos casos Estimar límite superior g, por ML como un parámetro más ĝ por ML Æ Máximo observado Para la EV4 a medida que ĝ se acerca al Máximo •Sin Sin embargo Æ observado b d ell ajuste j t mejora j (Takara (T k y Tosa,1999) T 1999) •Sismología (Kijko y Sellevoll, 1989)Æ Informacion No Sistemática + distribución con límite superior + ML Æ g se estima por otro método ≠ML Conceptos Fundamentales Metodología Aplicación Análisis del Error 31 Conclusiones Estimación del límite superior L(Θ) Max.Obs g PMF ∞ Para esta función en particular la función de verosimilitud es monótonamente decreciente con g (Kijko y Sellevoll, 1989) Conceptos Fundamentales Metodología Aplicación Análisis del Error 32 Conclusiones Estimación del límite superior Análisis de la L(Θ) de cada una de las distribuciones LB DB, UB EX DB DB UB EX LB ĝ≠M Máx.Obss EX LN4 UB EX ĝ≠Má áx.Obs UB TDF ĝ≠Má áx.Obs ĝ≠Máx.Obs ĝ=M Máx.Obs DB ĝ=Máx.Obs = s EV4 LB LB L(Θ L( Θ) Conceptos Fundamentales Metodología Aplicación Análisis del Error 33 Conclusiones Estimación del límite superior Ecuación Genérica (EG) g ∫ [ F X ( x )] dx g = Max .Obs + n x min Máxima observación de la información Sistemática y No Sistemática Max.Obs. n Información Censurada Orden del Max.Obs. Propuesta por Kijko (2004), b d en ell estimador basado i d del d l límite superior de una variable aleatoria de Cooke (1979) λ L (Kijko,2004) Q máx ins. anual Parámetro de frecuencia en una Poisson λ 1 λ=1 n=L L=M+N=Longitud del período con información C Cuando d se tienen i d datos tipo i LB no es posible ibl establecer bl ell orden d del Max.ObsÆ Max.ObsÆ no se puede aplicar EG Conceptos Fundamentales Metodología Aplicación Análisis del Error 34 Conclusiones Estimación del límite superior Límite Superior Preestablecido •Máximo observado •Crecida C id máxima á i probable b bl (PMF, (PMF Probable P b bl Maximum M i Fl Flood) d) Conceptos Fundamentales Metodología Aplicación Análisis del Error 35 Conclusiones Límite superior preestablecido Estimación del límite superior PMF “…la crecida que se puede esperar de la combinación de las más severas condiciones razonablemente posibles en una región determinada” (US Army y Corp p of Engineers, g , 1975)) Asociada a la precipitación máxima probable, PMP “La La mayor altura acumulada de precipitación meteorológicamente posible para una duración determinada, para un tamaño de tormenta dado localizado sobre un área específica específica, en determinado momento del año” (WMO, 1986) Conceptos Fundamentales Metodología Aplicación Análisis del Error 36 Conclusiones Límite superior preestablecido Estimación del límite superior PMF PMP/PMF Estimación estadística Trasposición, p , maximización de tormentas Æ PMP • Se asocia PMF con qT de 10 mil años de Tr PMP Modelo Lluvia – Escorrentía PMF Conceptos Fundamentales Relaciones empíricas Envolventes de las crecidas mayores mundiales mundiales, regionales… Metodología Aplicación Análisis del Error 37 Conclusiones Límite superior preestablecido 6⎛ A ⎞ PMF = 10 ⎜ 8 ⎟ ⎝ 10 ⎠ Estimación del límite superior (1− 0.1k ) Francou y Rodier (1969) •1200 crecidas máximas vs área Rodier y Roche (1984) •Completan p el estudio con crecidas de 95 países. •Obtienen k=6 para las crecidas mayores y para A>100km k 2 Crecidas Máximas mundiales Tomadas de Smith y Ward (1998) Conceptos Fundamentales Metodología Aplicación Análisis del Error 38 Conclusiones Estimación del límite superior Límite i Superior i Preestablecido bl id •Máximo observado •Crecida máxima probable •A efectos de la presente tésis •Método Método aproximado Conceptos Fundamentales Metodología 6⎛ A ⎞ PMF = 10 ⎜ 8 ⎟ ⎝ 10 ⎠ Aplicación (1− 0.1k ) Análisis del Error Con k=6 39 Conclusiones Métodos de Estimación para Funciones con Límite Superior Estimación resto de parámetros Estimación g ML ML ML--Completo ML C l t x L(Θ’) ( ) Proceso máx Iterativo ML--EG ML G EG Θ por ML gˆ = gˆ(Θ') G=PMF Preestablecido ML--Prestablecido ML G=Xmax Obs Θ conjunto j de d parámetros á Θ’ conjunto de parámetros sin incluir g Conceptos Fundamentales Metodología ĝ=G y máx L(Θ’) Aplicación Análisis del Error 40 Conclusiones •CONCEPTOS FUNDAMENTALES •METODOLOGÍA •APLICACIÓN •ANÁLISIS DEL ERROR •CONCLUSIONES •6 sitios con información No Sistemática en la región g del Mediterráneo Español. Algunos parte del proyecto europeo SPHERE (Systematic, Palaeoflood and Historical data for the ImprovEment of flood Risk Estimation) Área Media km2 [m3/s] Lleida 11369 995 0.95 3.05 Castellvell 3293 221 0.88 2.71 Vilomara 1885 319 0.84 2.6 Onyar Girona 295 202 0.82 0.92 Júcar Huerto Mulet 22000 713 2.73 5.26 Turia La presa 6300 262 2.53 4.39 Río Segre Llobregat Estación CV C.Asim. •Información Histórica: 4 •Informacion de Paleocrecidas: 2 Conceptos Fundamentales Metodología Aplicación Análisis del Error 42 Conclusiones Algunas series Júcar: UB, EX 150 40 Longitudes grandes del período con información co o ac ó No Sistemática S ste át ca 500 30 Si el régimen de crecidas ha cambiado, es decir si las características estadísticas de las series permanecen constantes con el tiempo Onyar: LB,UB,EX Conceptos Fundamentales •Cuestionar la estacionaridad: Metodología Aplicación Análisis del Error 43 Conclusiones Análisis de Estacionaridad Test estacionaridad para muestras censuradas (Lang et al. 1999) •Se recortan la serie del Onyar y la de Vilomara, considerando solo d d 1870 desde Onyar 1870, Final de la LIA para la peninsula Ibérica (Barriendos, Martín-Vide,1998) Conceptos Fundamentales Metodología Aplicación Análisis del Error 44 Conclusiones Análisis de Estacionaridad Test estacionaridad para muestras censuradas (Lang et al. 1999) Lleida Intervalo del 90% para ell número ú d de eventos por encima de un umbral en el tiempo t) Conceptos Fundamentales Metodología Aplicación •Futuro próximo Æpasado reciente Análisis del Error 45 Conclusiones Bondad del Ajuste •MML ((máxima verosimilitud logarítmica): g ) n MLL = ∑ ln f ( xi ,θˆ) Mejor ajuste, mayor MML i =1 •AIC (criterio de información de Akaike): A C = −2 MLL + 2k AIC Mejor ajuste, menor AIC •Comparación C ió visual i ld de llos ajustes j a llos d datos (probabilidad empírica) ÆUtilizando expresiones para muestras censuradas ÆIndispensable conocer el orden de todos los datos Æ No N es posible ibl en muestras con d datos LB. LB Intervalos I l Conceptos Fundamentales Metodología Aplicación Análisis del Error 46 Conclusiones Algunos ajustes Intervalo de probabilidad empírica de un dato EX de magnitud mayor que el umbral b l LB Turia LB, UB, EX Efecto f ” pata d de perro” ”d dell inglés “Dog leg” (Potter,1958) LN4 EV4 TDF Conceptos Fundamentales Metodología Aplicación XH Análisis del Error 47 Conclusiones Turia LB, UB, EX LN4 EV4 TDF G=MaxObs ML-Completo np p 3 2 2 3 2 2 4 3 3 Mode o Modelo EV4/ML-Completo EV4/G=PMF EV4/G=XmaxObs LN4/ML C LN4/ML-Completo l LN4/G=PMF LN4/G=XmaxObs TDF/ML-Completo / p TDF/G=PMF TDF/G=XmaxObs Conceptos Fundamentales 39753.2 20881.7 3700.1 41742 2 41742.2 20881.7 3700.1 43179.9 20881.7 3700.1 MM MML -262.69 -262.76 -263.96 -272.05 272 05 -272.34 -291.47 -323.37 -323.37 -383.48 Metodología AIC C 531.384 529.516 531.915 550 099 550.099 548.672 586.94 654.744 652.745 772.967 Aplicación G=PMF Análisis del Error 48 Conclusiones Algunos ajustes Júcar UB, EX ML-Completo G=Max.Obs LN4 EV4 TDF ML-GE EV4 TDF G=PMF Conceptos Fundamentales Metodología Aplicación Análisis del Error 49 Conclusiones Júcar UB, EX np Modelo MML AIC 3 EV4/ML-Completo 13000 -338.58 683.164 2 EV4/G=XmaxObs V /G axObs 13000.1 3000. -338.8 338.8 681.591 68 .59 3 EV4/ML-GE 18067.6 -340.03 686.055 2 EV4/G=PMF 34434.9 -340.74 685.471 3 LN4/ML Completo LN4/ML-Completo 93066 3 93066.3 -344.07 344 07 694 131 694.131 2 LN4/G=PMF 34434.9 -344.68 693.367 2 LN4/G=XmaxObs 13000.1 -367.26 738.525 4 TDF/ML C TDF/ML-Completo l 13000 -385.03 385 03 778 063 778.063 4 TDF/ML-GE 99253.2 -395.52 799.034 34434.9 -395.52 797.036 13000.1 -449.76 905.514 3 3 TDF/G=PMF TDF/G=XmaxObs Conceptos Fundamentales Metodología Aplicación Método con ĝ ≠ Max.Obs con mejor MML y AIC Análisis del Error 50 Conclusiones Algunos ajustes Onyar y LB, UB, EX G=MaxObs ML-Completo LN4 EV4 TDF •Por ML-Completo ML Completo ĝ=Max. ĝ=Max Obs Obs. para todas las F(x) •TDF sigue la forma de los datos G=PMF Conceptos Fundamentales Metodología Aplicación Análisis del Error 51 Conclusiones Aspectos a Destacar de la Aplicación •La función que mejor describe series con características de régimen mediterráneo es la EV4 •No LBÆ EV4/ML EV4/ML/ -GE Æpara p un ĝ ≠ Max.Obs •Cando C d h hay LB : EV4/ML-Completo EV4/ML C l t EV4/G=PMF LN4/ML-Completo Si hay “efecto pata de perro”Æ los que involucran EV4 •Coeficientes de Asimetria bajos, el máximo observado es determinante para estimar g Conceptos Fundamentales Metodología Aplicación Análisis del Error 52 Conclusiones •CONCEPTOS FUNDAMENTALES •METODOLOGÍA •APLICACIÓN •ANÁLISIS DEL ERROR •CONCLUSIONES Simulación por MonteCarlo Generando series sintéticas pertenecientes a : M +N Escenario 1: Datos tipo UB, EX Coef. Asim. Alto γx=5.77 Escenario 2: 2 Datos tipo UB, EX Coef. Asim. Menor γx=2.39 Coef. Asim. Alto Escenario 3: 3 Datos tipo UB, LB, EX γx=5.77 Coef Asim Asim. Menor Escenario 4: 4 Datos tipo UB, LB, EX Coef. γx=2.39 Longitud del período Sistemático [100, 50] THÆ Período de retorno del Umbral de percepción Longitud del período Histórico [200, 400, 800] Xh. [25, 75, …, 250] ((9)) Explorar varias longitudes y TH. En la línea de lo observado en las muestras con información No Sistemática Conceptos Fundamentales Metodología Aplicación Análisis del Error 54 Conclusiones Medida del Error R.M.S.E 1 N E Error (%) = θ QT θˆi Q̂T Conceptos Fundamentales g ĝ Metodología ∑i=1 N 2 ˆ (θ i −θ ) θ Adimensional En porcentaje × 100 Teóricos Estimados st ados a pa partir t de laa serie se e i Aplicación Análisis del Error 55 Conclusiones Modelos Incluidos en el Análisis de Error Se asume conocido S id ell error asociado al valor PMF preestablecido EV4/ML--GE EV4/ML μ=PMF+0.1PMF CV=0.3 EV4/ML--Completo EV4/ML EV4/G=PMF EV4/G=Max.Obs PMF ¿Cómo influye el error previo de la PMF en los cuantiles estimados? Conceptos Fundamentales Metodología Aplicación Análisis del Error 56 Conclusiones Error con Información CE (datos UB y EX) •E(%) por ML-Completo y G=MaxObs practicamente igual •Error de ML-completo, ML-GE, G=MaxObs, aprox del 20%, con asimetría mayor y y 10% asimetría menor γx=5.77 •E(%) a partir de cierto Tr aumenta •Metodo ML-GE en E1 casi constante •G=PMF mayor error. Directamente para la PMF y el cuantil de 10 mil años corresponde con el error asociado previo Resultados para TH=100 años, M=400 y N=50 Conceptos Fundamentales Metodología γx=2.39 Aplicación Análisis del Error 57 Conclusiones Error con Información BC (datos UB y EX) •E(%) por ML-Completo diferente al E(%) por G=Max. Obs. γx=5.77 •Menor error con Métodos g Preestablecido γx=2.39 •ML-Completo a partir de qT 1000 E(%) >50% con asimetría mayor y E(%)>40% con asimetría i t í menor •E(%) crece a partir de cierto Tr Conceptos Fundamentales Metodología Resultados para TH=100 años, M=400 y N=5058 Aplicación Análisis del Error Conclusiones Influencia del Umbral TH en el Error •Optimo de menor error aproximadamente cuando el Tr del qT estimado igual al TH. Reportado R t d por Francés F é (1995). (1995) Pero P para ML ML-Completo C l t y ML ML-GE GE desplazado d l d •Punto de referencia que indica los cuantiles a los cuales la información No y Sistemática está contribuyendo Conceptos Fundamentales Metodología Aplicación Análisis del Error 60 Conclusiones Conceptos Fundamentales Metodología Aplicación Análisis del Error 61 Conclusiones Robustez Comportamiento con series provenientes de otras poblaciones Población TCEV Población GEV EV4 GEV EV4 TCEV GEV TCEV Conceptos Fundamentales Metodología Aplicación Análisis del Error 62 Conclusiones Población EV4 Comportamiento con series provenientes de otras poblaciones Población TCEV Población GEV •EV4 puede modelar muestras provenientes de dos mecanismos generadores d diferentes dif t como las l generadas d con TCEV •Presenta igual o mayor robustez que función sin límite GEV Resultados para Escenario 2 Conceptos Fundamentales Metodología Aplicación Análisis del Error 63 Conclusiones •CONCEPTOS FUNDAMENTALES •METODOLOGÍA •APLICACIÓN •ANÁLISIS DEL ERROR •CONCLUSIONES Conclusiones R Respecto t all comportamiento t i t d de llas ffunciones i de d di distribución: t ib ió •De las funciones con límite superior la EV4 es la que mejor representa las características de los ríos mediterráneos. mediterráneos Muestra capacidad para describir series con el efecto “pata de perro”. presenta el efecto “pata p de •La TDF no se recomienda en casos donde se p perro”. Respecto p a la variación del error: •Se destaca la presencia de un óptimo de mínimo error. error En los métodos ML--GE y ML ML ML--Completo este óptimo se desplaza hacia los cuantiles de período í d de d retorno t mayor que ell período í d d de retorno t d dell XH. Respecto a la robustez: •La EV4 demuestra ser robusta frente a muestras de una única población (GEV) y de dos poblaciones (TCEV). Conceptos Fundamentales Metodología Aplicación Análisis del Error 65 Conclusiones Conclusiones Respecto al tipo de Información No Sistemática: •El estimador del límite superior de las funciones EV4 y TDF cuando hay datos tipo EX, UB y DB es la máxima observación. observación •Es posible estimar la PMF como el límite superior de las funciones. Cuando se tiene información BC por el método ML ML--Completo. Completo Cuando se tiene información CE por el método ML ML--GE . • Se recomienda el uso del método EV4/ML EV4/ML--GE cuando se tiene información CE ya que produce los menores errores en los cuantiles de alto período de retorno. •Con información BC se recomienda el método método--preestablecido ya que produce d los l cuantiles l con menor error. Conceptos Fundamentales Metodología Aplicación Análisis del Error 66 Conclusiones Aportes •Inclusión en el análisis de frecuencia de crecidas de dos herramientas hasta aahora o a no o ut utilizadas adas conjuntamente, conjuntamente co ju ta e te, te co como o so son la a incorporación co po ac ó de información o ac ó No Sistemática y el uso de distribuciones con límite superior. superior •Se analizó la capacidad p descriptiva p y predictiva p de las funciones EV4,, TDF y LN4. Análisis de las relaciones entre los principales estadísticos y los LN4 parámetros de las funciones. •Sistematización Si i ió de d la l información i f ió Si Sistemática á i y No N Sistemática Si á i para su incorporación en una estructura de ML general. general Se implementa un esquema de ML el cual permite agregar cualquier tipo de dato que sea parte de la i f información ió Si Sistemática t áti o de d la l No N Sistemática. Si t áti •Se sistematizaron diferentes alternativas para la estimación del límite p de las funciones. superior •Inclusión de la Ecuación Genérica la cual no se reporta que haya sido utilizada antes t en Hid Hidrología. l í Conceptos Fundamentales Metodología Aplicación Análisis del Error 67 Conclusiones Aportes •Definición de los casos cuando el límite superior puede ser estimado por ML sin obtener la máxima observación. observación •Especificación de las recomendaciones de uso para estas funciones de para los método de estimación p propuestos, p ,ap partir del distribución y p análisis de robustez y de error realizados. •Se realizó por primera vez el análisis de frecuencia en ríos Españoles con Información No Sistemática utilizando funciones de distribución con límite superior. Obteniendo un estimador estadístico de la PMF para todos ellos. superior •Se desarrolló el software de libre distribución AFINS para el Análisis de Frecuencia de crecidas con Información No Sistemática. http://lluvia.dihma.upv.es/software.php?language=es Conceptos Fundamentales Metodología Aplicación Análisis del Error 68 Conclusiones Futuras líneas de investigación •Investigar comportamiento de las funciones bajo escenarios más complejos con otros tipos de datos No Sistemáticos. Sistemáticos •Error asintótico de la LN4 la cual también mostró buenos resultados en las aplicaciones. •Analizar si es posible la implementación de una método que permita utilizar la Ecuación Genérica cuando se tienen datos LB. •Desarrollo de un modelo que pueda involucrar la no estacionaridad de las series. Se puede beneficiar directamente del esquema tipo ML año año. Conceptos Fundamentales Metodología Aplicación Análisis del Error 69 Conclusiones Agradecimientos g •Al Vicerrectorado de Investigación, Investigación, Desarrollo e Innovación de la Universidad Politécnica de Valencia y al Grupo de Investigación en Hidráulica e Hidrología del Departamento de Ingeniería Hidráulica y Medio Ambiente de la misma uni universidad, ersidad responsables de la beca F.P.I para la realización de los estudios de doctorado. •Al Al proyecto europeo SPHERE S (S (Systematic, Palaeoflood P l fl d and d Historical H l data for the improvEment of flood Risk Estimation) bajo el cual se desarrolló parte de esta tesis doctoral y de donde se obtuvo la mayoría de los datos utilizados. Gracias por su atención Referencias Barriendos, M. y Martin-Vide, J., 1998, Secular Climatic Oscilations in the Spanish Coastal Area, Climatic Change, 38, pags. 473-491. Benito, G., Lang, M., Barriendos, M., Llasat, M. C., Francés, F., Ouarda, T., Thorndycraft, V. R., Enzel, Y., Bardossy A., Coeur, D. y Bobèe, b B., 2004a, Use off Systematic, i Palaeoflood l fl d and d Historical i i l Data for f the h Improvement off Flood l d Risk Estimation. Review of Scientic Methods, Natural Hazards, 31, pags. 623-643. Benito, G., Thorndycraft, V. R., Enzel, Y., She®er, N. A., Rico, M., Sopeña, A. y Sáanchez-Moya, Y., 2004b, Palaeoflood Data Collection and Analysis, en Benito, G. y Thorndycraft, V. R., editores, Systematic, Palaeoflood and Historical i i l Data for f the h improvement i off Flood l d Risk i k Estimation. i i Methodological h d l i l Guidelines, id li págs.15-27, CSIC Centro de Ciencias Medioambientales. Cohn, T. A., Lane, W. L. y Baier, W. G., 1997, An Algorithm for Computing Moment-Based Flood Quantile Estimates When Historical Flood Information is Available., Water Resources Research, 33(9), págs. 2089-2096. Cooke, P., 1979, Statistical Inference for Bounds of Random Variables, Biometrika, 66, págs. 367-374. Elíasson, J., 1994, Statistical Estimates of PMP Values, Nordic Hydrology, 25, págs.301-312. Elíasson, J., 1997, A Statistical Model for Extreme Precipitation, Water Resources Research, 33(3), págs. 449-455. England, J. F., Jarrett, R. D. y Salas, J. D., 2003, Data-Based Comparisons of Moments Estimators Using Historical and Paleoflood Data, Journal of Hydrology, 278, págs. 172-196. Francés, F., 1995, Utilización de la Información Histórica en el Análisis Regional de Avenidas, Monografía No 27, g Centro internacional de métodos numéricos en ingeniería. Francés, F., Salas, J. D. y Boes, D. C., 1994, Flood Frequency Analysis with Systematic and Historical or Paleoflood Data Based on the Two Parameter General Extreme Value Models, Water Resources Research, 30(6), págs. 1653-1664. Francou, J. y Rodier, J., 1969, Essai de Classi¯cation Des Crues Maximales, en Floods and Their Computation, páags. 518{527 IAHS/UNESCO/WMO. 518{527, IAHS/UNESCO/WMO Kanda, J., 1981, A New Value Ditribution with Lower and Upper Limits for Earth-quake Motions and Wind Speeds, Theoretical and Applied Mechanics. Tokyo, 31, págs. 351-360. Kijko, A., 2004, Estimation of the Maximum Earthquake Magnitude, Mmax, Pure and Applied Geophysics, 161, págs. 1-27. Kijko, A. y Sellevoll, M. A., 1989, Estimation of Earthquake Hazard Parameters from Incomplete Data Files. Part I. Utilization of Extreme and Complete Catalogs with Different Threshold Magnitudes, Bulletin of the Seismological Society y off America,, 79(3), ( ), págs. p g 645-654. Lang, M., Ouarda, T. B. M. J. y Bobèe, B., 1999, Towards Operational Guidelines for Over-Threshold Modeling, Journal of Hydrology, 225, págs. 103-117. Leese, M., 1973, Use of Censored Data in the Estimation of Gumbel Distribution Parameters for Annual Maximum Fl d S Flood Series, i Water W t R Resources R Research, h 9(6), 9(6) págs. á 1534 1534-1542. 1542 Naghettini, M., Potter, K. W. y Illangasekare, T., 1996, Estimating the Upper Tail of Flood-Peak Frequency Distributions Using Hydrometeorological Information, Water Resources Research, 32(6), págs. 1729-1740. NRC, 1988, Estimating Probabilities of Extreme Floods, Methods and Recommended Research, National Research Council, National Academy Press, Washington, D. C. O'Connell, D. R. H., 2005, Nonparametric Bayesian Flood Frequency Estimation, Journal of Hydrology, 313, págs. 7996 96. O'Connell, D. R. H., Ostenaa, D. A., Levish, D. R. y Klinger, R. E., 2002, Bayesian Flood Frequency Analysis with Paleohydrologic Bound Data, Water Resources Research, 38(5), págs. 16. 1- 16. 14. Pilon, P. J. y Adamowski, Pilon Adamowski K., K. 1993, 1993 Asymptotic Variance of Flood Quantile in Log Pearson Type III Distribution with Historical Information, Journal of Hydrology,143, págs. 481-503. Potter, W. D., 1958, Upper and Lower Frequency Curves for Peak Rates of Runnof, EOS. Trans. AGU, 39, págs. 100105. Stedinger, J. R. y Baker, V. R., 1987, Surface Water Hydrology: Historical and Paleoflood Information, Reviews of Geophysics, 25(2), págs. 119-124. Stedinger, J. R. y Cohn, T. A., 1986, Flood Frequency Analysis with Historical and Paleoflood Information, Water Resources Research, 22(9), págs. 785-793. Slade, J. J., 1936, An Asymmetric Probability Function, Transactions. American Society of Civil Engineers, 62, págs. 35-104. Smith, K. y Ward, R., 1998, Floods. Physical Processes and Human Impacts, John Wiley and Sons. Takara, K. y Loebis, J., 1996, Frequency Analysis Introducing Probable Maximum Hydrologic Events: Preliminary Studies in Japan and in Indonesia, Indonesia en Loebis, Loebis J., J editor, editor Proceedings of International Symposium on Comparative Research on Hydrology and Water Resources in Southeast Asia and the Pacific, págs. 67-76, Indonesian National Committee For International Hydrological Programme. Takara, K. y Tosa, K., 1999, Storm and Flood Frequency Analysis Using PMP/PMF Estimates, en Proceedings of I t International ti lS Symposium i on Fl Floods d and dD Droughts, ht N Nanjing, ji Chi China, 18 18-20 20 October, O t b págs. á 7-17. 7 17 USWRC, 1982, Guidelines for Determining Flood Frequency, U.S. Government Printing Office, Washington, DC. WMO,, 1986,, Manual ffor Estimation off Probable Maximum Precipitation, p , World Meteorological g Organization, g , Operational Hydrology Report.