- -

Aproximaciones neuronales univariantes para la predicción de caudales diarios en cuencas portuguesas

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Aproximaciones neuronales univariantes para la predicción de caudales diarios en cuencas portuguesas

Mostrar el registro sencillo del ítem

Ficheros en el ítem

Thumbnail
Nombre: Pulido-Calvo;Portela ...
Tamaño: 996.6Kb
Formato: PDF
Descripción: Versión editorial
Abrir
dc.contributor.author Pulido-Calvo, I. es_ES
dc.contributor.author Portela, M. Manuela es_ES
dc.coverage.spatial east=-7.389238889519212; north=41.242676028413655; name=Rio Tua, Portugal es_ES
dc.coverage.spatial east=-7.103419318329869; north=40.90742337091931; name=Rio Côa, Portugal es_ES
dc.date.accessioned 2020-04-29T14:17:34Z
dc.date.available 2020-04-29T14:17:34Z
dc.date.issued 2007-06-30
dc.identifier.issn 1134-2196
dc.identifier.uri http://hdl.handle.net/10251/142003
dc.description.abstract [ES] Desde hace unos años, las redes neuronales computacionales están siendo una de las herramientas más prometedoras para la estimación de caudales en cuencas. La mayoría de los trabajos de la literatura utilizan para las predicciones, junto con los datos registrados de caudales, otras variables de entrada de carácter hidro-metorológico. En este estudio se analizó el funcionamiento de redes neuronales de retropropagación para la estimación de caudales diarios en cuencas portuguesas, considerando que sólo los datos de caudal de días previos están disponibles para la calibración de los modelos. Además de los modelos tradicionales de redes neuronales que tienen como variables de entrada los caudales en días previos, se realizó un procedimiento de convolución en las neuronas de la capa de entrada y se probó una metodología híbrida combinando redes neuronales computacionales y modelos ARIMA. Los modelos neuronales complementados con un proceso de convolución dieron las mejores estimaciones considerando los caudales de los tres días previos como variables de entrada. También se realizó un análisis preliminar de la capacidad de esta aproximación para estimar caudales diarios en una cuenca diferente a la utilizada para la calibración de los modelos, obteniéndose resultados satisfactorios. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.relation.ispartof Ingeniería del agua es_ES
dc.rights Reserva de todos los derechos es_ES
dc.title Aproximaciones neuronales univariantes para la predicción de caudales diarios en cuencas portuguesas es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.4995/ia.2007.2905
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Pulido-Calvo, I.; Portela, MM. (2007). Aproximaciones neuronales univariantes para la predicción de caudales diarios en cuencas portuguesas. Ingeniería del agua. 14(2):97-111. https://doi.org/10.4995/ia.2007.2905 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.4995/ia.2007.2905 es_ES
dc.description.upvformatpinicio 97 es_ES
dc.description.upvformatpfin 111 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 14 es_ES
dc.description.issue 2 es_ES
dc.identifier.eissn 1886-4996
dc.relation.pasarela OJS\2905 es_ES
dc.description.references Abrahart, R.J., See, L. y Kneale, P.E., (1999). Using pruning algorithms and genetic algorithms to optimize network architectures and forecasting inputs in a neural network rainfall-runoÆ model. J. Hydroinformatics, 1(2), 103-114. es_ES
dc.description.references Abrahart, R.J. y See, L., (2000). Comparing neural network and autoregressive moving average techniques for the provision of continuous river flow forecasts in two contrasting catchments. Hydrol. Process., 14, 2157-2172. es_ES
dc.description.references Abrahart, R.J. y See, L., (2002). Multi-model data fusion for river flow forecasting: an evaluation of six alternative methods based on two contrasting catchments. Hydrol. Earth Syst. Sci., 6(4), 655-670. es_ES
dc.description.references Al-Saba, T. y El-Amin, I., (1999). Artificial neural networks as applied to long-term demand forecasting. Artif. Intell. Eng., 13(2), 189-197. es_ES
dc.description.references Alvarez, J. y Bolado, S., (1996). Descripción de los procesos de infiltración mediante redes neuronales artificiales. Ing. Agua, 3(2), 39-46. es_ES
dc.description.references American Society of Civil Engineering (ASCE) Task Committee on Application of Artificial Neural Networks in Hydrology, (2000a). Artificial neural networks in hydrology. I: Preliminary concepts. J. Hydrol. Eng., 5(2), 115-123. es_ES
dc.description.references American Society of Civil Engineering (ASCE) Task Committee on Application of Artificial Neural Networks in Hydrology, (2000b). Artificial neural networks in hydrology. II: Hydrologic applications. J. Hydrol. Eng., 5(2), 124-137. es_ES
dc.description.references Anctil, F. y Rat, A., (2005). Evaluation of neural network streamflow forecasting on 47 watersheds. J. Hydrol. Eng., 10(1), 85-88. es_ES
dc.description.references Box, G.E.P. y Jenkins, G.M., (1976). Time series analysis: Forecasting and control, Holden-Day, Oakland, California. es_ES
dc.description.references Cameron, D., Kneale, P. y See, L., (2002). An evaluation of a traditional and a neural net modelling approach to flood forecasting for an upland catchment. Hydrol. Process., 16, 1033-1046. es_ES
dc.description.references Chang, F.-J. y Chen, Y.-C., (2001). A counter propagation fuzzy-neural network modeling approach to real time streamflow prediction. J. Hydrol., 245, 153-164. es_ES
dc.description.references Chiang, Y.-M., Chang, L.-C. y Chang, F.-J., (2004). Comparison of static-feedforward and dynamic-feedbackward neural networks for rainfall-runoff modeling. J. Hydrol., 290, 297-311. es_ES
dc.description.references De Vries, B. y Principe, J.C., (1991). A theory for neural networks with time delays, Advances in neural information processing systems 3, Morgan Kaufmann Publishers, California. es_ES
dc.description.references Duan, Q., Sorooshian, S. y Gupta, V.K., (1992). Effective and efficient global optimization for conceptual rainfall-runoff models. Water Resour. Res., 28(4), 1015-1031. es_ES
dc.description.references Duan, Q., Gupta, V.K. y Sorooshian, S., (1993). A shuffled complex evolution approach for effective and effcient global minimization. J. Optim. Theory Appl., 73(3), 501-521. es_ES
dc.description.references Duan, Q., Sorooshian, S. y Gupta, V.K., (1994). Optimal use of SCE-UA global optimization method for calibrating watershed models. J. Hydrol., 158, 265-284. es_ES
dc.description.references French, M.N., Krajewski, W.F. y Cuykendall, R.R., (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, 2(5), 437-450. es_ES
dc.description.references Gutiérrez-Estrada, J.C., de Pedro-Sanz, E., López-Luque, R. y Pulido-Calvo, I., (2004). Comparison between traditional methods and artificial neural networks for ammonia concentration forescasting in an eel (Anguilla anguilla L.) intensive rearing system. Aquacult. Eng., 31, 183-203. es_ES
dc.description.references Gutiérrez-Estrada, J.C., de Pedro-Sanz, E., López-Luque, R. y Pulido-Calvo, I., (2005). Estimación a corto plazo de la temperatura del agua. Aplicación en sistemas de producción en medio acuático. Ing. Agua, 12(1), 77-92. es_ES
dc.description.references Hansen, J.V. y Nelson, R.D., (1997). Neural networks and traditional time series methods: a synergistic combination in state economic forecasts. IEEE Tran. Neural Networks, 8(4), 863-873. es_ES
dc.description.references Hsu, K., Gupta, H.V. y Sorooshian, S., (1995). Artificial neural network modeling of the rainfall-runoff process. Water Resour. Res., 31(10), 2517-2530. es_ES
dc.description.references Jakeman, A.J. y Hornberger, G.M., (1993). How much complexity is warranted in a rainfall-runoff model? Water Resour. Res., 29(8), 2637-2649. es_ES
dc.description.references Kitanidis, P.K. y Bras, R.L., (1980). Real time forecasting with a conceptual hydrological model. 2: Applications and results. Water Resour. Res., 16(6), 1034-1044. es_ES
dc.description.references Kuligowski, R.J. y Barros, A.P., (1998). Experiments in short-term precipitation forecasting using artificial neural networks. Mon. Wea. Rev., 126(2), 470-482. es_ES
dc.description.references Legates, D.R. y McCabe Jr, G.J., (1999). Evaluating the use of "goodness-of-fit" measures in hydrologic and hydroclimatic model validation. Water Resour. Res., 35(1), 233-241. es_ES
dc.description.references Lorrai, M. y Sechi, G.M., (1995). Neural nets for modelling rainfall-runoff transformations. Water Resour. Manage., 9, 299-313. es_ES
dc.description.references Martín-del-Brío, B. y Sanz-Molina, A., (2001). Redes neuronales y sistemas borrosos, RaMa, Madrid. es_ES
dc.description.references Mason, J.C., Tem'me, A. y Price, R.K., (1996). A neural network model of rainfall-runoff using radial basis functions. J. Recherches Hydrauliques, 34(4), 537-548. es_ES
dc.description.references Moradkhani, H., Hsu, K., Gupta, H.V. y Sorooshian, S., (2004). Improved streamflow forecasting using self-organizing radial basis function artificial neural networks. J. Hydrol., 295, 246-262. es_ES
dc.description.references Nash, J.E. y Sutcliffe, J.V., (1970). River flow forecasting through conceptual models. I: A discussion of principles. J. Hydrol., 10, 282-290. es_ES
dc.description.references Palazón, J. y García, A., (2004). Modelado de series climatológicas mediante una red neuronal artificial. Ing. Agua, 11(1), 41-52. es_ES
dc.description.references Park, H.-H., (1998). Analysis and prediction of walleye pollock (Theragra chalcogramma) landings in Korea by time series analysis. Fisheries Res., 38, 1-7. es_ES
dc.description.references Pérez-Marín, D., Garrido-Varo, A., Guerrero, J.E. y Gutiérrez-Estrada, J.C., (2006). Use of artificial neural networks in near-infrared reflectance spectroscopy calibrations for predicting the inclusion percentages of wheat and sunflower meal in compound feedingstuffs. Appl. Spect., 60(9), 1062-1069. es_ES
dc.description.references Portela, M.M. y Quintela, A.C., (2000). A altura do escoamento anual médio numa bacia hidrográfica como parâmetro de regionalizaçao de informaçao hidrométrica (Mean annual flow height as a regionalization parameter of hydrologic information), 1 Congresso sobre Aproveitamentos e Gestao de Recursos Hídricos em Países de Idioma Português, Rio de Janeiro, Brasil, 218-227. es_ES
dc.description.references Portela, M.M. y Quintela, A.C., (2002a). Assessment of the streamflow characteristics under unavailability of discharge data: the mean annual flow depth over the watershed as a regionalization parameter. The Portuguese case, 2002, EGS Conference, Nice, Francia. es_ES
dc.description.references Portela, M.M. y Quintela, A.C., (2002b). Evaluation of the water resources in Portuguese watersheds without streamflow data. International Conference of Basin Organizations, Madrid, España. es_ES
dc.description.references Portela, M.M. y Quintela, A.C., (2005). Regionalization of hydrologic information: establishment of flow series at ungauged watersheds, Water Resources Management 2005, Third International Conference on Water Resources Management, Wessex Institute of Technology, UK, and University of Coimbra, Portugal. es_ES
dc.description.references Pulido-Calvo, I., Roldán, J., López-Luque, R. y Gutiérrez-Estrada, J.C., (2002). Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola. Ing. Agua, 9(3), 319-331. es_ES
dc.description.references Pulido-Calvo, I., Roldán, J., López-Luque, R. y Gutiérrez-Estrada, J.C. (2003) Demand forecasting for irrigation water distribution system. J. Irrig. Drain. Eng., 129(6), 422-431. es_ES
dc.description.references Pulido-Calvo, I., Montesinos, P., Roldán, J. y Ruiz-Navarro, F.J., (2005). Estimación de la demanda de agua para riego: Regresiones lineales versus aproximaciones neuronales. Avances en Recursos Hidráulicos, 12, 7-19. es_ES
dc.description.references Qi, M. y Zhang, G.P., (2001). An investigation of model selection criteria for neural network time series forecasting. Eur. J. of Oper. Res., 132, 666-680. es_ES
dc.description.references Roger, L.L. y Dowla, F.U., (1994). Optimization of groundwater remediation using artificial neural networks with parallel solute transport modeling. Water Resour. Res., 30(2), 457-481. es_ES
dc.description.references Rumelhart, D.E., Hinton, G.E. y Williams, R.J., (1986). "Learningrepresentations by back-propagation errors. Nature, 323, 533-536. es_ES
dc.description.references See, L. y Openshaw, S., (2000). A hybrid multimodel approach to river level forecasting. Hydrol. Sci. J., 45(4), 523-536. es_ES
dc.description.references Shepherd, A.J., (1997). Second-Order Methods for Neural Networks, Springer, Nueva York. es_ES
dc.description.references Shin, H-S. y Salas, J.D., (2000). Regional drought analysis based on neural networks. J. Hydrol. Eng., 5(2), 145-155. es_ES
dc.description.references Sorooshian, S., Duan, Q. y Gupta, V.K., (1993). Calibration of rainfall-runoff models: Application of global optimization to the Sacramento soil moisture accounting model. Water Resour. Res., 29(4), 1185-1194. es_ES
dc.description.references Tan, Y. y van Cauwenberghe, A., (1999). Neural-network-based d-step-ahead predictors for nonlinear systems with time delay. Eng. Applic. Artif. Intell., 12(1), 21-25. es_ES
dc.description.references Thirumalaiah, K. y Deo, M.C., (1998). River stage forecasting using artificial neural networks. J. Hydrol. Eng., 3(1), 26-32. es_ES
dc.description.references Thirumalaiah, K. y Deo, M.C., (2000). Hydrological forecasting using neural networks. J. Hydrol. Eng., 5(2), 180-189. es_ES
dc.description.references Tokar, A.S. y Johnson, P.A., (1999). Rainfall-runoff modeling using artificial neural networks. J. Hydrol. Eng., 4(3), 232-239. es_ES
dc.description.references Tokar, A.S. y Markus, M., (2000). Precipitation-runoff modeling using artificial neural networks and conceptual models. J. Hydrol. Eng., 5(2), 156-161. es_ES
dc.description.references Tsoukalas, L.H. y Uhrig, R.E., (1997). Fuzzy and neural approaches in engineering, Wiley Interscience, Nueva York. es_ES
dc.description.references Ventura, S., Silva, M., Pérez-Bendito, D. y Hervás, C., (1995). Artificial neural networks for estimation of kinetic analytical parameters. Anal. Chem., 67(9), 1521-1525. es_ES
dc.description.references Wedding II, D.K. y Cios, K.J., (1996). Time series forecasting by combining RBF networks, certainty factors, and the Box-Jenkins model. Neurocomputing, 10, 149-168. es_ES
dc.description.references Wilson, J.H. y Keating, B., (1996). Business forecasting, Irwin, Londres. es_ES
dc.description.references Yang, C.C., Prasher, S.O., Lacroix, R., Sreekanth, S., Patni, N.K. y Masse, L., (1997). Artificial neural network model for subsurface-drained farmland. J. Irrig. Drain. Eng., 123(4), 285-292. es_ES
dc.description.references Yapo, P.O., Gupta, H.V. y Sorooshian, S., (1996). Automatic calibration of conceptual rainfall-runoÆ models: sensitivity to calibration data. J. Hydrol., 181, 23-48. es_ES
dc.description.references Zhang, G.P., (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175. es_ES
dc.description.references Zhang, M., Fulcher, J. y Scofield, R.A., (1997). Rainfall estimation using artificial neural network group. Neurocomputing, 16, 97-115. es_ES
dc.description.references Zhang, G.P., Patuwo, B.E. y Hu, M.Y., (2001). A simulation study of artificial neural networks for nonlinear time-series forecasting. Comp. Oper. Res., 28(4), 381-396. es_ES


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

Mostrar el registro sencillo del ítem