Associació Catalana
de Meteorologia

TETHYS, revista de meteorologia - Núm. 1    

Tethys > núm. 1 > articles > article 6

SISTEMA EXPERT BASAT EN XARXES NEURONALS APLICAT A LA PREDICCIÓ A CURT TERMINI DE LA INTENSITAT PLUVIAL I DELS NIVELLS A LA XARXA DE CLAVEGUERES

Josep M. Verdejo Rabassó
Llicenciat en Informàtica. Cap del Servei d’Informàtica i Cartografia de CLABSA.
Acer,16 - 08038 Barcelona

Iolanda Sans Rosell
Llicenciada en Informàtica. Tècnica de Sistemes Informàtics de CLABSA.
Acer,16 - 08038 Barcelona

TERMES CLAU: Clavegueres, Xarxes Neuronals, Predicció, Pluja, Cabal

RESUM
Fa uns anys que també en la gestió de les xarxes de clavegueres es van adoptant les noves tècniques de gestió de les xarxes de serveis. La concepció de les xarxes de clavegueres com si fossin xarxes estàtiques que evacuen aigües pluvials i residuals únicament per gravetat o amb l'ajuda de bombeig va tornant-se obsoleta.

Aquestes tècniques, basades principalment en la integració de tecnologies ja existents, requereixen una infrastructura de base: els actuadors de la xarxa. Val a dir, demanen la col·locació de rescloses, vàlvules, bombes, dipòsits de retenció, etc., a la xarxes de clavegueres. Per saber, tanamteix, la manera d'actuar-hi, cal disposar de mesuradors que ens ajudin a establir les accions més adequades. Així, doncs, cal disposar de pluviòmetres, limnímetres, cabalímetres, mesuradors de la qualitat de l'aigua, etc.

Les tecnologies informàtiques de computació i de comunicacions permetran de construir, amb tot plegat, un sistema de telecontrol. Amb aquest sistema, i amb els criteris d'actuació apuntalats en models hidrològics de simulació del comportament de la xarxa en qualsevol situació, podrem fer una nova i efectiva gestió de les clavegueres.

Anticipar-nos als esdeveniments ens possibilitarà actuacions millors. Concretament, disposar de prediccions sobre pluja o nivells d'aigua del col·lector a curt termini ens ajudarà a decidir quina és la millor operació de la xarxa possible. Aquest article presenta, gràcies a l'ús de xarxes neuronals, una possible aproximació a aquestes prediccions tan delejades.

INTRODUCCIÓ
Fa uns anys que també en la gestió de les xarxes de clavegueres es van adoptant les noves tècniques de gestió de les xarxes de serveis. La concepció de les xarxes de clavegueres com si fossin xarxes estàtiques que evacuen aigües pluvials i residuals únicament per gravetat o amb l’ajuda de bombeig va tornant-se obsoleta.

Les noves tècniques permeten d’anar molt més enllà en l’evacuació efectiva de les aigües aplegades a les àrees urbanes, de manera que es poden aconeguir objectius més ambiciosos quant a reducció de les inundacions i de l’impacte sobre el medi de les aigües descarregades pel sistema de sanejament, i també quant a informació al ciutadà o al cost de les obres d’infrastructura.

Aquestes tècniques, basades principalment en la integració de tecnologies ja existents, requereixen una infrastructura de base: els actuadors de la xarxa. Val a dir, requereixen la col·locació de rescloses, vàlvules, bombes, dipòsits de retenció, etc., a la xarxes de clavegueres.

Ara, per saber la manera d’actuar-hi, cal disposar d’un seguit de mesuradors que permetin d’establir les accions adequades. Així, doncs, cal disposar de pluviòmetres, limnímetres, cabalímetres, mesuradors de la qualitat de l’aigua, etc.

Les tecnologies informàtiques de computació i de comunicacions permetran de construir, amb tot plegat, un sistema de telecontrol. Amb aquest sistema, i amb els criteris d’actuació apuntalats en models hidrològics de simulació del comportament de la xarxa en qualsevol situació, podrem fer una nova i efectiva gestió de les clavegueres.

Anticipar-nos als esdeveniments ens possibilitarà actuacions millors. Concretament, disposar de prediccions sobre pluja o nivells d’aigua del col·lector a curt termini ens ajudarà a decidir quina és la millor operació de la xarxa possible. 

GESTIÓ DE CLAVEGUERES I PLUVIOMETRIA
Del sistema de clavegueres, n’esperem que sigui capaç d’aplegar i d’evacuar tota l’aigua caiguda en un episodi pluvial. Per tant, el coneixement de la pluviometria, a banda intervenir en les etapes del disseny de la xarxa, és important quan l’abordem en els termes exposats en l’apartat anterior, val a dir: en la seva explotació activa.

Així caldrà quantificar la pluviometria de la zona, establir si podem distingir-hi tipus de pluja distints quant a impacte sobre les clavegueres, monitoritzar els episodis pluvials quan s’esdevinguin i mirar de predir-ne l’evolució a curt termini segons el que hagi passat fins aleshores.

Cal estudiar bé, doncs, la història pluviomètrica disponible. Per a la monitorització i la previsió cal disposar de pluviòmetres que subministrin en temps real els volums i les intensitats de pluja al centre de control.

OBJECTIU: LA PREDICCIÓ A CURT TERMINI
L’objectiu que ara ens ocupa és el de predir els nivells d’agua dels col·lectors de la xarxa a curt termini, val a dir: durant la mitja hora ulterior.

Vam abordar el problema amb una eina, les xarxes neuronals, que abstreuen un model de funcionament d’un sistema quan els subministrem una determinada col·lecció d’entrades i sortides.

Amb aquests models, no basats en les lleis físiques que regeixen el sistema, podem plantejar-nos directament la predicció del nivell en un punt de la xarxa, subministrant-li per entrada l’evolució de l’episodi pluvial en curs. Això no obstant, de primer vam estimar-nos més d’abordar la predicció de la pluja a mitja hora vista a partir de la mitja hora de pluja anterior. El motiu d’aquesta elecció és que ja disposem de models matemàtics d’escorrentia de l’aigua en superfície, i de transport dintre la xarxa, que poden facilitar-nos els nivells i cabals requerits si els subministrem a l’entrada la predicció de la pluja.

Es tractava, per tant, d’imaginar una variable pluviomètrica que indiqués l’evolució de la pluja com una sèrie temporal i d’utilitzar una xarxa neuronal per predir els pròxims valors de la variable a partir dels últims valors disponibles.

Després aquesta mateixa operativa s’aplica per obtenir prediccions del nivell d’aigua en un punt de la xarxa segons la mitja hora de pluja anterior.

XARXES NEURONALS: UNA EINA DE PREDICCIÓ
El model "neuronal" de còmput es pot definir dient que és un sistema de procés d’informació no algorítmic, no digital i intensament paral·lel. Les neurones s’interconnecten per un gran nombre d’enllaços balançats per "pesos" que actuen de "filtres graduables" dels senyals d’entrada en una neurona determinada. Les connexions i els pesos poden ésser excitatoris o inhibitoris.

Les neurones reben senyals d’entrada, que tant poden ésser externs ("inputs") com interns (senyals que provenen de sortides d’unes altres neurones), i que es propaguen a les neurones connectades següents ("outputs" o senyals d’activació).

En tota aplicació "neuronal" hi ha tres fases diferenciades: aprenentatge, test i operació. La fase d’aprenentatge d’una xarxa neuronal consisteix, simplement, a determinar la millor col·lecció de pesos de totes les connexions entre neurones existents en la xarxa per tal d’obtenir una resposta òptima sobre el problema, modelització o procés plantejat. La fase de test ens indica el grau de bondat de les respostes, i pot fer replantejar l’aprenentatge. I la fase d’operació consisteix en l’explotació del coneixement adquirit durant l’aprenentatge.

Podem utilitzar les xarxes neuronals per diagnosticar problemes, prendre decisions, predir nous esdeveniments o resoldre problemes de classificació.

PREPARACIÓ DE LES DADES DE PLUJA
Abans d’encarar-nos amb la modelització d’un sistema qualsevol amb xarxes neuronals hem d’assegurar-nos que tenim una bona quantitat de dades, així d’entrades com de sortides del sistema, per poder ensenyar la xarxa a funcionar com el sistema original. No sabrem si són suficients o no fins que no veurem els errors d’aprenentatge, però no hi ha dubte que són necessàries tant la quantitat com la qualitat de dades.

Actualment, i a través de CLABSA, Barcelona té una xarxa de 20 pluviòmetres distribuïts per la seva àrea urbana (9.800 Ha). Alguns ja són operatius des del 1993 i integrats al seu sistema d’explotació centralitzada. En aquest estudi, vam utitilitzar 625 episodis pluvials, amb els registres corresponents d’uns quants punts de la ciutat.

Considerem episodi pluvial un període precedit i seguit de 30 minuts sense pluja. Cada episodi es discreta en períodes de 5 minuts. La variable pluviomètrica usada en l’estudi és la precipitació 5-minutal en mm.

De tots els registres disponibles, vam eliminar-ne els que no superaven els 20 l/m2 durant l’episodi a fi de no condicionar l’aprenentatge de la xarxes neuronals amb patrons d’evolució de pluges menors, que són poc problemàtiques i poc importants de predir.

A més, vam pre-classificar les pluges en tres tipus, segons la dificultat d’evacuació. Molt sintèticament:

  • Tipus A: la intensitat màxima és elevada i s’hi arriba bruscament (durant uns 10’)
  • Tipus B: la intensitat màxima és una mica inferior (durant uns 20’-25’)
  • Tipus C: la intensitat màxima és inferior i s’hi arriba més lentament i de forma continuada.

Les pluges de Tipus A són les més usuals i, alhora, més problemàtiques en la meteorologia mediterrània que afecta Barcelona. D’origen convectiu, també són les menys predictibles per llur variabilitat i brusquedat. Les pluges de Tipus B són molt poc freqüents i no en tenim prou registres per a poder construir un model amb xarxes neuronals. Tampoc no en tenim gaires de Tipus C, però sí prou per a intentar de fer-ne models.   

CONSTRUCCIÓ D’UN MODEL DE PREDICCIÓ
Vam servir-nos de NeuroShell, programari propi de xarxes neuronals, que va facilitar el procés d’execució i el mètode amb el qual hem treballat.

Per construir la xarxa vam recórrer al mètode "backpropagation-supervised learnig", perquè fa un procés de retrotracció ("backtracking") cap a l’entrada així que té les dades de sortida.

Al principi no vam tenir en compte els diversos tipus de pluja possibles, de manera que va desenvolupar-se un model per a tots els casos. Però el test va demostrar que ens calia fer una classificació prèvia per tipus de pluja.

La sortida del procés de classificació ens donarà el tipus de xarxa, amb el qual carregarem un model, o un altre, que ja haurà passat el procés d’aprenentatge.

En la predicció d’una precipitació 5-minutal la selecció del model a executar va seguir l’estàndard de creació d’una xarxa neuronal. Vam crear un SLAB d’entrada externa de 6 neurones, en el qual s’introdueixen les dades de la pluja de l’última mitja hora, un SLAB d’entrada intern de 6 neurones (que manté les dades de l’última mitja hora anterior), un SLAB intermedi per a la propagació de les entrades, i un SLAB de sortida de 6 neurones que ha de donar-nos les dades en períodes 5-minutals de la predicció dels 30 minuts posteriors.

En el procés d’aprenentatge va haver-hi iteracions de fins a 1.500 èpoques, amb què es van poder obtenir pesos amb un error de sortida que en la majoria decasos no superava el 10% del valor de l’entrada.


La predicció de nivells d’aigua al col·lector via xarxes neuronals va exigir un tractament previ de les dades d’entrada, tant per a la fase d’aprenentatge com per al test. Va consistir a sostreure, al nivell d’aigua efectivament mesurat en cada període d’episodi pluvial, el nivell d’aigua mitjà en temps eixut; val a dir: el nivell degut a les aigües residuals.

És clar que, per intentar aquesta predicció cal comptar amb informació síncrona de pluja i de nivell, obtinguda per pluviòmetres i limnímetres disposats a la mateixa conca hidrològica.

La xarxa seleccionada per a aquesta predicció va ser una de no recurrent de quatre nivells: 6-12-6-4.

Les col·leccions de dades disponibles per al procés d’aprenentatge no foren pas gaire nombroses, només 7 episodis --i 3 en la fase de test.

RESULTATS
Abans de poder oferir uns resultats acceptables, vam efectuar uns quants tipus de xarxes amb errors que superaven l’error estipulat màxim.

En la darrera realització d’estructura més estable vam poder veure que les gràfiques reals i les estimades començaven a assemblar-se, amb un error d’aproximació que no superava, com suara dèiem, el 10%. 

Aquesta gràfica és un exemple de pluja de Tipus A, amb entrada real (traç fi) i sortida estimada (traç puntejat). Hi apreciem que les corbes s’ajusten a les puntes, perquè la xarxa ha estat entrenada a detectar puntes, i en canvi no reconeix la pluja menys intensa.

Ara bé, en la gràfica de Tipus C observem que la predicció és millor on no hi ha puntes, com sigui que els pesos utilitzats havien estat calculats per a pluges suaus.

La predició amb xarxa neuronal de nivells d’aigua al col·lector deguts a la pluviometria permet d’obtenir resultats com els que es presenten en la figura següent.

El concepte de temps de concentració de l’aigua de pluja des de la caiguda a l’arribada al punt de mesura dins el col·lector és un dels factors que la xarxa aprèn, bo i facilitant-li la predicció. 

 

NOUS OBJECTIUS
Després d’abordar aquesta primera etapa de predicció pluvial a molt curt termini amb l’ús de xarxes neuronals, fóra interessant d’abordar noves temptatives de predicció, tenint sempre en compte la qualitat i la quantitat d’informació pluviomètrica disponible.

Les línies de treball que hem identificat de més utilitat són:

Predicció pluviomètrica en l’emplaçament d’un pluviòmetre accidentalment fora de servei: aprofitant la dispersió espacial dels 20 pluviòmetres en una àrea reduïda com la ciutat de Barcelona.

Millorar la predicció del nivell d’aigua en un punt de la xarxa de clavegueres a mesura que disposem de col·leccions de dades més àmplies per a l’aprenentatge o entrenament de la xarxa. 

Predicció de l’evolució d’un episodi pluvial a partir de la imatge del radar meteorològic: mitjançant l’extrapolació de les últimes imatges rebudes.

En totes hi ha un fons comú i és que la col·lecció sincronitzada, sitemàtica i exhaustiva de les dades servides per tots els sensors que realitza un sistema de control és bàsica per a disposar d’una història suficient que asseguri un bon aprenentatge de les xarxes neuronals.

No oblidéssim pas que l’objectiu real de tot plegat és d’ajudar a explotar efectivament les clavegueres. Per tant, la fase següent a l’estudi de fiabilitat és la de muntar un sistema de previsió de variables concretes realment operatiu i tan automatitzat com sigui possible.

CONCLUSIONS
En una primera aproximació és difícil d’abordar la predicció de pluja a curt termini, a partir de la pluja caiguda fins llavors, amb una xarxa neuronal. No n’hi ha pas prou amb un model tan senzill. Cal una pre-classificació de la pluja, si volem obtenir resultats acceptables. Aquesta pre-classificació es pot fer amb eficàcia utilitzant també xarxes neuronals. Així, doncs, un model basat en unes quantes xarxes neuronals, no pas en una de sola, sí que és vàlid per a la predicció.

Els diversos objectius de predicció aconsellen clarament de fer servir, després d’assaigs suficients, una topologia de xarxa o altra. No hi ha regles d’or que puguem aplicar a priori --àmpliament ho indica la bibliografia&emdash; per a discernir quina mena de xarxa resultarà més. En aquest estudi, per exemple, les xarxes recurrents s’adaptaven millor a la predicció de pluja, i les no recurrents a la predicció de nivell.

És interessant d’observar que els hietogrames de pluja es tradueixen en hidrogrames de cabal o de nivell en un punt de les clavegueres. Hi ha un efecte suavitzador de les puntes de pluja i un efecte de desfasament temporal força clars. Això afavoreix la predicció i fa que la predicció directa de nivells a partir de la pluja recent sigui molt més còmoda que no pas la predicció de la pluja mateixa a curt termini.

Les xarxes neuronals ens proporcionen flexibilitat en la modelització del sistema de predicció, simplicitat i eficiència predictiva. En definitiva, si disposem d’un bon banc de dades històric a l’hora d’abordar les fases d’aprenentatge i de test, és aconsellable d’utilitzar models basats en xarxes neuronals per a prediccions a curt termini. Ens seran de gran ajuda a l’hora d’explotar les clavegueres en temps real.

BIBLIOGRAFIA
Malgrat, P. - Martí J., "Aplicación de tecnologías avanzadas de gestión en una red de alcantarillado". XIV Jornadas Técnicas de la Asociación Española de Abastecimiento y Saneamiento. Las Palmas de Gran Canaria, 1993.

Raso, J. - Malgrat, P. - Castillo, F., Improvement in the Selection of Design Storms for the New Master Drain Plan of Barcelona. Lió, Novatech, 1995.

Martí, J. - Ballester, Ll. - Malgrat, P., "Implementation of Real Time Control in Barcelona's Urban Drainage System". 6th International Conference on Urban Storm Drainage. Ontàrio-Canadà, 1993.

Jacobsen, P. - Olsen, H. S., "Urban Hydrology and Neural Networks". 7th Junior Scientist Workshop on Integrated Urban Storm Runoff. Castell de Cernice-Txèquia, 1994.

Rasmussen, M. - Borsen, M. - Schaarup-Jensen, K., Runoff Modelling in Urban Storm Drainage by Neural Networks. Lió, Novatech, 1995.

Freeman, J. A. - Skapura, D. M., Neural Networks. Ed. Addison Wesley.

Caudill, M., - Butler, Ch., Understanding Neural Networks. MIT Press.

Widrow, J. - Rumelhart, D. E. - Lehr, M. A., "Neural Networks: Applications in Industry, Business and Science". ACM communications, vol. 37, 1994

Tethys > núm. 1 > articles > article 6