- -

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 completo del ítem

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

Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10251/120073

Ficheros en el ítem

Thumbnail
Nombre: 2622-7838-1-PB.pdf
Tamaño: 479.0Kb
Formato: PDF
Abrir/Preview

Metadatos del ítem

Título: Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola
Autor: Pulido Calvo, Inmaculada Roldán Cañas, José López Luque, Rafael Gutiérrez Estrada, Juan Carlos
Fecha difusión:
Resumen:
[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 ...[+]
Palabras clave: Estimación demanda , Regresión múltiple , Análisis series temporales , Red neuronal computacional , Sistema de riego , Control en tiempo real
Derechos de uso: Reserva de todos los derechos
Fuente:
Ingeniería del Agua. (issn: 1134-2196 ) (eissn: 1886-4996 )
DOI: 10.4995/ia.2002.2622
Editorial:
Universitat Politècnica de València
Versión del editor: https://doi.org/10.4995/ia.2002.2622
Tipo: Artículo

References

ÁLVAREZ, J. y S. BOLADO (1996) Descripción de los procesos de infiltración mediante redes neurales artificiales. Ingeniería del Agua, 3: 39-46.

BOX, G.E.P. y G.M. JENKINS (1976) Time series analysis: forecasting and control. Holden-Day, San Francisco, CA.

CYBENCO, G. (1989) Approximation by superpositions of a sigmoidal function. Math. Controls, Signals, and Systems, 2: 303-314. [+]
ÁLVAREZ, J. y S. BOLADO (1996) Descripción de los procesos de infiltración mediante redes neurales artificiales. Ingeniería del Agua, 3: 39-46.

BOX, G.E.P. y G.M. JENKINS (1976) Time series analysis: forecasting and control. Holden-Day, San Francisco, CA.

CYBENCO, G. (1989) Approximation by superpositions of a sigmoidal function. Math. Controls, Signals, and Systems, 2: 303-314.

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.

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.

GRIÑÓ, R. (1992) Neural networks for univariate time series forecasting and their application to water demand prediction. Neural Network World, 437-450.

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.

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.

HARTLEY, J.A. y R.S. POWELL (1991) The development of a combined demand prediction system. Civ. Engrg. Systems, 8: 231-236.

HSU, K., H.V. GUPTA y S. SOROOSHIAN (1995) Artificial neural network modeling of the rainfall-runoff process. Water Resour. Res., 31: 2517-2530.

JOWITT, P.W. y C. XU (1992) Demand forecasting for wáter distribution systems. Civ. Engrg. Systems, 9: 105-121.

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.

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.

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.

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.

MOLINO, B., G. RASULO y L. TAGLIALATELA (1996) Forecast model of water consumption for Naples. Water Resour. Mgmt., 10: 321-332.

MOREU, P. (1999) Series temporales. En Estadística Informatizada. Paraninfo, 11: 93-108.

NEL, D. y J. HAARHOFF (1996) Sizing municipal water storage tanks with Monte Carlo simulation. J. Water SRTæAqua, 45: 203-212.

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.

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.

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.

RIZZO, D.M. y D.E. DOUGHERTY (1994) Characterization of aquifer properties using artificial neural networks: neural kriging. Water Resour. Res., 30: 483-497.

RÜFENATCH, H.P. y H. GUIBENTIF (1997) A model for forecasting water consumption in Geneva canton, Switzerland. J. Water SRTæAqua, 46: 196-201.

RUMELHART, D.E., G.E. HINTON y R.J. Willians (1986) 'Learning' representations by backpropagation errors. Nature, 323: 533-536.

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.

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.

THIRUMALAIAH, K. y M.C. DEO (2000) Hydrological forecasting using neural networks. J. Hydrol. Engrg., 5: 180-189.

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.

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.

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.

[-]

recommendations

 

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

Mostrar el registro completo del ítem