- -

Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola

Mostrar el registro sencillo del ítem

Ficheros en el ítem

Thumbnail
Nombre: 2622-7838-1-PB.pdf
Tamaño: 479.0Kb
Formato: PDF
Abrir
dc.contributor.author Pulido Calvo, Inmaculada es_ES
dc.contributor.author Roldán Cañas, José es_ES
dc.contributor.author López Luque, Rafael es_ES
dc.contributor.author Gutiérrez Estrada, Juan Carlos es_ES
dc.date.accessioned 2019-05-08T07:58:29Z
dc.date.available 2019-05-08T07:58:29Z
dc.date.issued 2002-09-30
dc.identifier.issn 1134-2196
dc.identifier.uri http://hdl.handle.net/10251/120073
dc.description.abstract [ES] La demanda de agua es la magnitud de referencia en la gestión óptima de los sistemas de distribución. En este trabajo se propone la estimación de la demanda en las próximas 24 horas en un sistema de distribución de agua para riego, y se utilizan, junto con los métodos tradicionales de predicción de regresión múltiple y de modelos univariantes de series temporales (ARIMA), las Redes Neuronales Computacionales (RNCs). Se dispone de los datos de las demandas diarias de agua de las campañas de riegos 1987/88, 1988/89 y 1990/91 de la zona regable de Fuente Palmera (Córdoba). Los modelos se establecen considerando la relación de los datos presentes y pasados de la demanda, aunque también se analiza la influencia de datos climáticos (temperatura máxima, temperatura media, temperatura mínima, precipitación, humedad relativa, horas de sol y velocidad del viento). Las mejores estimaciones se consiguen con la RNC que considera como variables de entrada las demandas y las temperaturas máximas de los dos días anteriores al de estimación. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València
dc.relation.ispartof Ingeniería del Agua
dc.rights Reserva de todos los derechos es_ES
dc.subject Estimación demanda es_ES
dc.subject Regresión múltiple es_ES
dc.subject Análisis series temporales es_ES
dc.subject Red neuronal computacional es_ES
dc.subject Sistema de riego es_ES
dc.subject Control en tiempo real es_ES
dc.title Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola es_ES
dc.type Artículo es_ES
dc.date.updated 2019-05-08T07:22:24Z
dc.identifier.doi 10.4995/ia.2002.2622
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Pulido Calvo, I.; Roldán Cañas, J.; López Luque, R.; Gutiérrez Estrada, JC. (2002). Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola. Ingeniería del Agua. 9(3):319-331. https://doi.org/10.4995/ia.2002.2622 es_ES
dc.description.accrualMethod SWORD es_ES
dc.relation.publisherversion https://doi.org/10.4995/ia.2002.2622 es_ES
dc.description.upvformatpinicio 319 es_ES
dc.description.upvformatpfin 331 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 9
dc.description.issue 3
dc.identifier.eissn 1886-4996
dc.description.references ÁLVAREZ, J. y S. BOLADO (1996) Descripción de los procesos de infiltración mediante redes neurales artificiales. Ingeniería del Agua, 3: 39-46. es_ES
dc.description.references BOX, G.E.P. y G.M. JENKINS (1976) Time series analysis: forecasting and control. Holden-Day, San Francisco, CA. es_ES
dc.description.references CYBENCO, G. (1989) Approximation by superpositions of a sigmoidal function. Math. Controls, Signals, and Systems, 2: 303-314. es_ES
dc.description.references COULBECK, B., S.T. TENNANT y C.H. ORR (1985) Development of a demand prediction program for use in optimal control of water supply. Systems Sci., 11: 59-66. es_ES
dc.description.references FRENCH, M.N., W.F. KRAJEWSKI y R.R. CUYKENDAL I (1992) Rainfall forecasting in space and time using a neural network. J. Hydrol., 137: 1-31. es_ES
dc.description.references GRIÑÓ, R. (1992) Neural networks for univariate time series forecasting and their application to water demand prediction. Neural Network World, 437-450. es_ES
dc.description.references GUTIÉRREZ-ESTRADA, J.C., I. PULIDO-CALVO y J. PRENDA (2000) Gonadosomatic index estimates of an introduced pumpkinseed (Lepomis gibbosus) population in a Mediterranean stream, using computational neural networks. Aquat. Sci., 62: 350-363. es_ES
dc.description.references HAIR, JR., J.F., R.E. ANDERSON, R.L. TATHAM y W.C. BLACK (1999) Análisis de regresión múltiple. En Análisis multivariante. Pretince Hall Iberia, 5ª ed., Madrid, 4: 143-226. es_ES
dc.description.references HARTLEY, J.A. y R.S. POWELL (1991) The development of a combined demand prediction system. Civ. Engrg. Systems, 8: 231-236. es_ES
dc.description.references HSU, K., H.V. GUPTA y S. SOROOSHIAN (1995) Artificial neural network modeling of the rainfall-runoff process. Water Resour. Res., 31: 2517-2530. es_ES
dc.description.references JOWITT, P.W. y C. XU (1992) Demand forecasting for wáter distribution systems. Civ. Engrg. Systems, 9: 105-121. es_ES
dc.description.references KITANIDIS, P.K. y R.L. BRAS (1980) Real time forecasting with a conceptual hydrological model. 2. Applications and results. Water Resour. Res., 16: 1034-1044. es_ES
dc.description.references LEÓN, C., S. MARTÍN, J.M. ELENA y J. LUQUE (2000) EXPLORE-Hybrid expert system for water networks management. J. Water Resour. Planning and Mgmt., 126: 65-74. es_ES
dc.description.references MAIDMENT, D.R., S.P. MIAOU y M.M. CRAWFORD (1985) Transfer function models for daily urban water use. Water Resour. Res., 21: 425-432. es_ES
dc.description.references MINAI, A.A. y R.D. WILLIAMS (1990) Acceleration of back-propagation through learning rate and momentum adaptation. Int. Joint Conf. Neural Networks, 1: 676-679. es_ES
dc.description.references MOLINO, B., G. RASULO y L. TAGLIALATELA (1996) Forecast model of water consumption for Naples. Water Resour. Mgmt., 10: 321-332. es_ES
dc.description.references MOREU, P. (1999) Series temporales. En Estadística Informatizada. Paraninfo, 11: 93-108. es_ES
dc.description.references NEL, D. y J. HAARHOFF (1996) Sizing municipal water storage tanks with Monte Carlo simulation. J. Water SRTæAqua, 45: 203-212. es_ES
dc.description.references PULIDO-CALVO, I. (2001) Diseño y gestión óptimos de sistemas de impulsión y de almacenamiento de agua para riego. Tesis Doctoral, Dpto. de Agronomía, Universidad de Córdoba. es_ES
dc.description.references RAMAN, H. y V. CHANDRAMOULI (1996) Deriving a general operating policy for reservoirs using neural networks. J. Water Resour. Plng. and Mgmt., 122: 342-347. es_ES
dc.description.references RANJITHAN, S., J.W. EHEART y J.H. GARRET JR. (1993) Neural network-based screening for groundwater reclamation under uncertainty. Water Resour. Res., 29: 563-574. es_ES
dc.description.references RIZZO, D.M. y D.E. DOUGHERTY (1994) Characterization of aquifer properties using artificial neural networks: neural kriging. Water Resour. Res., 30: 483-497. es_ES
dc.description.references RÜFENATCH, H.P. y H. GUIBENTIF (1997) A model for forecasting water consumption in Geneva canton, Switzerland. J. Water SRTæAqua, 46: 196-201. es_ES
dc.description.references RUMELHART, D.E., G.E. HINTON y R.J. Willians (1986) 'Learning' representations by backpropagation errors. Nature, 323: 533-536. es_ES
dc.description.references SAPORTA, D. y M. MUÑOZ (1994) El consumo en redes de distribución. Predicción diaria de la demanda. En Mejora del rendimiento y de la fiabilidad en sistemas de distribución de agua. Aguas de Valencia y U.D. Mecánica de Fluidos (UPV), 2: 43-75. es_ES
dc.description.references SHVARTSER, L., U. SHAMIR y M. FELDMAN (1993) Forecasting hourly water demands by pattern recognition approach. J. Water Resour. Planning and Mgmt., 119: 611-627. es_ES
dc.description.references THIRUMALAIAH, K. y M.C. DEO (2000) Hydrological forecasting using neural networks. J. Hydrol. Engrg., 5: 180-189. es_ES
dc.description.references VENTURA, S., M. SILVA, D. PÉREZ-BENDITO y C. HERVÁS (1995) Artificial neural networks for estimation of kinetic analytical parameters. Anal. Chem., 67: 1521-1525. es_ES
dc.description.references VENTURA, S., M. SILVA, D. PÉREZ-BENDITO y C. HERVÁS (1997) Computational neural networks in conjuction with principal component analysis for resolving highly nonlinear kinetics. J. Chem. Inform. and Computer Sci., 37: 287-291. es_ES
dc.description.references YANG, C.C., S.O. PRASHER, R. LACROIX, S. SREEKANTH, N.K. PATNI y L. MASSE (1997) Artificial neural network model for subsurface-drained farmlands. J. Irrig. And Drain. Engrg., 123: 285-292. es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem