Calibración de canales aforadores en sistemas irrigados mediante el procesamiento de imágenes de video y la inferencia bayesiana
DOI:
https://doi.org/10.31285/AGRO.27.1182Palabras clave:
calibración de canales aforadores, RIveR, BaRatinAgeResumen
El arroz es un cultivo que requiere gran cantidad de agua a lo largo de todo su ciclo productivo para garantizar un buen rendimiento, lo que lleva a un gasto de agua mayor en comparación con otros cultivos. Uruguay siembra alrededor de 160.000 ha/año, lo que demanda unos 1.760 hm3/año de agua, obteniendo valores promedio de productividad muy altos a nivel internacional de 9.000 kg/ha. El riego por lo general se hace por inundación, conduciendo el agua a través de canales excavados donde se utilizan compuertas para la regulación del agua y, en algunos pocos casos, se instalan dispositivos para su medición. La creciente presión que existe sobre el recurso agua genera la necesidad de ampliar el conocimiento de los consumos de agua a nivel de chacras. Los canales aforadores son una oportunidad en este sentido, pero, sin embargo, requieren calibración y ajuste con mediciones, lo que generalmente es omitido por su alto costo y complejidad. Este trabajo propone una metodología económica para la calibración de canales aforadores mediante el procesamiento de imágenes de video. La metodología utiliza el software RIveR (https://riverdischarge.blogspot.com/) para procesar las imágenes de video, y el software BaRatinAGE para construir la relación nivel-caudal mediante la inferencia bayesiana. Como sensores de referencia se utiliza un radar de velocidad superficial y un velocímetro de efecto acústico doppler. La metodología se prueba en un canal aforador de garganta cortada. El experimento se realizó en un establecimiento arrocero en el norte de Uruguay. Los resultados sugieren que los canales aforadores se pueden calibrar mediante procesamiento de imágenes de video y que la incertidumbre puede ser cuantificada mediante inferencia bayesiana. Un beneficio del método propuesto es que utiliza software libre que puede ser aplicado de forma sencilla en pequeños establecimientos agrícolas.
Descargas
Referencias bibliográficas
Adeogun A, Mohammed A. Review of methods of measuring streamflow using hydraulic structures. En: Ahsan A, editor. Hydraulic structures: theory and applications [Internet]. London: IntechOpen; 2019 [citado 2023 Aug 21]. 12p. Disponible en: https://cdn.intechopen.com/pdfs/64627.pdf
Atkins MD. Velocity field measurement using Particle Image Velocimetry (PIV). En: Kim T, Lu TJ, Song SJ, editores. Application of thermo-fluidic measurement techniques: an introduction. Amsterdam: Elsevier; 2016. pp. 125¬66. Doi: 10.1016/B978-0-12-809731-1.00005-8.
Benacchio V, Piégay H, Buffin-Bélanger T, Vaudor L. A new methodology for monitoring wood fluxes in rivers using a ground camera: potential and limits. Geomorphology. 2017;279:44-58.
Berger JO, Pericchi LR. Training samples in objective Bayesian model selection. Ann Stat. 2004;32(3):841-69.
Betancur L, Ruiz A, Castaño V, Duran P. Medición de agua y transmisión de datos en sistemas de riego por gravedad. En: Arroz: resultados experimentales 2015-2016. Montevideo: INIA; 2016. p. 23-5.
Bi S, Bai Y, Zhou X. Bayesian updating: reducing epistemic uncertainty in hysteretic degradation behavior of steel tubular structures. ASCE ASME J Risk Uncertain Eng. 2022;8(3):04022039. Doi: 10.1061/AJRUA6.000125.
Carracelas G, Hornbuckle J, Rosas J, Roel A. Irrigation management strategies to increase water productivity in Oryza sativa (rice) in Uruguay. Agric Water Manag. 2019;222:161-72.
Catsamas S, Shi B, Deletic B, Wang M, McCarthy DT. A low-cost, low-power water velocity sensor utilizing acoustic doppler measurement. Sensors (Basel). 2022;22(19):7451. Doi: 10.3390/s22197451.
Cawley KM, Harrison N, Nickerson ZL. NEON user guide to stage‐discharge rating curves (NEON.DP4.00133) [Internet]. [lugar desconocido]: NEON; 2022 [citado 2023 Aug 21]. 14p. Disponible en: https://data.neonscience.org/api/v0/documents/NEON_ratingCurve_userGuide_vC?inline=true
Dobriyal P, Badola R, Tuboi C, Hussain SA. A review of methods for monitoring streamflow for sustainable water resource management. Appl Water Sci. 2017;7(6):2617-28.
Ferdous R, Khan F, Sadiq R, Amyotte P, Veitch B. Handling and updating uncertain information in bow-tie analysis. J Loss Prev Process Ind. 2012;25(1):8-19.
Fujita I, Muste M, Kruger A. Large-scale particle image velocimetry for flow analysis in hydraulic engineering applications. J Hydraul Res. 1998;36(3):397-414.
Garcia R, Costa V, Silva F. Bayesian rating curve modeling: alternative error model to improve low-flow uncertainty estimation. J Hydrol Eng. 2020;25(5):04020012. Doi: 10.1061/(ASCE)HE.1943-5584.0001903.
Green PJ, Łatuszyński K, Pereyra M, Robert CP. Bayesian computation: a summary of the current state, and samples backwards and forwards. Stat Comput. 2015;25(4):835-62.
Guía de buenas prácticas en el cultivo de arroz en Uruguay [Internet]. Montevideo: ACA; 2009 [citado 2023 Aug 21]. 32p. Disponible en: http://www.ainfo.inia.uy/digital/bitstream/item/4927/1/Guia-de-Buenas-Practicas-Arroz-Uruguay-ACA.pdf
Hauet A. Estimation de débit et mesure de vitesse en rivière par Large-scale particle image velocimetry. Houille Blanche. 2009;(1):80-5. Doi: 10.1051/lhb:2009009.
Hauet A, Morlot T, Daubagnan L. Velocity profile and depth-averaged to surface velocity in natural streams: a review over alarge sample of rivers. E3S Web Conf. 2018;40:06015. Doi: 10.1051/e3sconf/20184006015.
Heiner B. Parshall flume staff gauge location and entrance wingwall discharge calibration corrections [tesis de maestría]. Logan (US): Utah State University, Civil and Environmental Engineering; 2009. 46p. Doi: 10.26076/eae6-ebf8.
Heyrani M, Mohammadian A, Nistor I, Dursun OF. Application of numerical and experimental modeling to improve the efficiency of parshall flumes: a review of the state-of-the-art. Hydrology. 2022;9(2):26. Doi: 10.3390/hydrology9020026.
Horner I, Renard B, Le Coz J, Branger F, McMillan HK, Pierrefeu G. Impact of stage measurement errors on streamflow uncertainty. Water Resour Res. 2018;54(3):1952-76.
Jolley MJ, Russell AJ, Quinn PF, Perks MT. Considerations when applying large-scale piv and ptv for determining river flow velocity. Front Water. 2021;3:709269. Doi: 10.3389/frwa.2021.709269.
Kastali A, Zeroual A, Remaoun M, Serrano-Notivoli R, Moramarco T. Design flood and flood-prone areas under rating curve uncertainty: area of Vieux-Ténès, Algeria. J Hydrol Eng. 2021;26(3):05020054. Doi: 10.1061/(ASCE)HE.1943-5584.0002049.
Kazimierski LD, García PE, Ortiz N, Morales M. Aforos de ríos y arroyos en la Cuenca Matanza-Riachuelo: Informe 05. Elaboración de relaciones altura – caudal (curvas HQ) [Internet]. Ezeiza: Acumar; 2021 [citado 2023 Aug 21]. 163p. Disponible en: https://repositorio.ina.gob.ar/items/fc1504ca-a46c-4c6a-99cd-68184626bcd4
Khosronejad A, Herb W, Sotiropoulos F, Kang S, Yang X. Assessment of Parshall flumes for discharge measurement of open-channel flows: a comparative numerical and field case study. Measurement. 2021;167:108292. Doi: 10.1016/j.measurement.2020.108292.
Kraatz DB, Mahajan IK, editores. Small hydraulic structures [Internet]. Vol. 2. Rome: FAO; 1975 [citado 2023 Aug 21]. 292p. Disponible en: https://www.fao.org/3/bl046e/bl046e.pdf
Le Coz J. A literature review of methods for estimating the uncertainty associated with stage-discharge relations [Internet]. Geneva: WMO; 2012 [citado 2023 Aug 21]. 21p. Report No.: PO6a:21. Disponible en: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=b685243d91acd17a64c3e31ecff08ea39d5b279d
Le Coz J, Jodeau M, Hauet A, Marchand B, Le Boursicaud R. Image-based velocity and discharge measurements in field and laboratory river engineering studies using the free FUDAA-LSPIV software. En: River Flow 2014 [Internet]. Lausanne: [editor desconocido]; 2014 [citado 2023 Aug 21]. pp. 7. Disponible en: https://hal.inrae.fr/hal-02600735
Lüthi B, Philippe T, Peña-Haro S. Mobile device app for small open-channel flow measurement. En: Ames DP, Quinn NWT, Rizzoli AE, editores. Proceedings of the 7th International Congress on Environmental Modelling and Software, June 15-19, San Diego, California, USA [Internet]. [lugar desconocido]: IEMSS; 2014 [citado 2023 Aug 21]. pp. 2837. Available from: https://scholarsarchive.byu.edu/cgi/viewcontent.cgi?article=1035&context=iemssconference
Mansanarez V, Le Coz J, Renard B, Lang M, Pierrefeu G, Vauchel P. Bayesian analysis of stage-fall-discharge rating curves and their uncertainties. Water Resour Res. 2016;52(9):7424-43.
Martin J, Elster C. Aleatoric uncertainty for errors-in-variables models in deep regression. Neural Process Lett. 2022;55:4799-818. Doi: 10.1007/s11063-022-11066-3.
Muste M, Xiong Z, Schöne J, Li Z. Validation and extension of image velocimetry capabilities for flow diagnostics in hydraulic modeling. J Hydraul Eng. 2004;130(3):175-85.
Navas R, Vervoort W, Gamazo P. Bayesian inference of synthetic daily rating curves by coupling Chebyshev polynomials and the GR4J model. En: IAHS Scientific Assembly 2022. [lugar desconocido]: IAHS; 2022. Doi: 10.5194/iahs2022-2.
Patalano A, García CM, Rodríguez A. Rectification of Image Velocity Results (RIVeR): a simple and user-friendly toolbox for large scale water surface Particle Image Velocimetry (PIV) and Particle Tracking Velocimetry (PTV). Comput Geosci. 2017;109:323-30.
Porter NW, Mousseau VA. Understanding aleatory and epistemic parameter uncertainty in statistical models. En: Best Estimate Plus Uncertainty International Conference [Internet]. 2020 [citado 2023 Aug 21]. 10p. Disponible en: https://www.osti.gov/servlets/purl/1811616
Ran D, Wang W, Hu X. Three-dimensional numerical simulation of flow in trapezoidal cutthroat flumes based on FLOW-3D. Front Agr Sci Eng. 2018;5(2):168-76. Doi: 10.15302/J-FASE-2018217.
Rozos E, Mazi K, Lykoudis S. On the accuracy of particle image velocimetry with citizen videos: five typical case studies. Hydrology. 2022;9(5):72. Doi: 10.3390/hydrology9050072.
Rubio PB, Chamoin L, Louf F. Real-time Bayesian data assimilation with data selection, correction of model bias, and on-the-fly uncertainty propagation. Comptes Rendus Mécanique. 2019;347(11):762-79.
Sanjou M, Kato K, Aizawa W, Okamoto T. Development of drone-type float for surface-velocity measurement in rivers. Environ Fluid Mech. 2022;22(4):955-69.
Skogerboe GV, Bennett RS, Walker WR. Generalized discharge relations for cutthroat flumes. J Irrig Drain Div. 1972;98(4):569-83.
Temeepattanapongsa S, Merkley GP, Barfuss SL, Smith BL. Generic free-flow rating for cutthroat flumes. J Hydraul Eng. 2013;139(7):727-35.
Tomas G, Bleninger T, Rennie C, Guarneri H. Advanced 3D mapping of hydrodynamic parameters for the analysis of complex flow motions in a submerged bedrock canyon of the Tocantins River, Brazil. Water. 2018;10(4):367. Doi: 10.3390/w10040367.
Wasserman L. All of statistics: a concise course in statistical inference. Pittsburgh: Springer; 2004. 442p.
World Meteorological Organization. Manual on stream gauging. Geneva: WMO; 2010. 2p.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Agrociencia Uruguay
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
