- -

Aplicación de redes neuronales artificiales para predicción de variables en ingeniería del riego: evapotranspiración de referencia y pérdidas de carga localizadas en emisores integrados

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Aplicación de redes neuronales artificiales para predicción de variables en ingeniería del riego: evapotranspiración de referencia y pérdidas de carga localizadas en emisores integrados

Show simple item record

Files in this item

dc.contributor.advisor Royuela Tomás, Álvaro es_ES
dc.contributor.author Martí Pérez, Pau Carles es_ES
dc.date.accessioned 2016-05-30T09:48:52Z
dc.date.available 2016-05-30T09:48:52Z
dc.date.created 2009-03-10T23:00:00Z es_ES
dc.date.issued 2016-05-30T09:48:47Z es_ES
dc.identifier.uri http://hdl.handle.net/10251/64909
dc.description.abstract En esta tesis se presenta la aplicación de redes neuronales artificiales (ANNs) para modelar dos variables de gran importancia en la ingeniería del riego: la evapotranspiración de referencia y las pérdidas de carga localizadas provocadas por los emisores integrados. Por una parte, se ha propuesto un modelo ANN para la predicción de las pérdidas de presión ocasionadas por la inserción de emisores integrados en los laterales de riego localizado, lo que nunca se ha llevado a cabo mediante redes neuronales. Por otro lado, se ha analizado la validez de un modelo ANN de 4 inputs existente para predicción de ETo en distintos contextos continentales de la Comunidad Valenciana y se ha planteado un nuevo modelo ANN de 6 inputs para mejorar el rendimiento del anterior. Para llevar a cabo dichos estudios, se ha recurrido al uso de perceptrones multinivel (MLP) sometidos al algoritmo Levenberg Marquardt. En los tres casos, se analizaron redes con múltiples configuraciones y se repitió el proceso de entrenamiento de cada red un número variable de veces para compensar el efecto derivado de la asignación inicial aleatoria de pesos en dicho proceso. Asimismo, en los tres problemas abordados se llevaron a cabo distintas estrategias en la asignación de los datos disponibles a los conjuntos de entrenamiento, validación cruzada y test. A diferencia de los modelos estadísticos existentes, el modelo ANN propuesto para predicción de pérdidas de carga localizadas posee indicadores de rendimiento referidos a un set de test independiente, lo que ha permitido evaluar su potencial real de generalización. Para diferentes combinaciones de validación cruzada, con datos al menos de tres emisores, se obtuvieron valores medios del performance index por encima de 0.85. En cuanto a los modelos de predicción de ETo, el rendimiento del modelo existente de 4 inputs depende del grado de oscilación térmica del contexto continental en que se utilice y su validez fuera de la sede de entrenamiento es muy lim es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.rights Reserva de todos los derechos es_ES
dc.source Riunet es_ES
dc.subject ANN es_ES
dc.subject ETo es_ES
dc.subject Pérdidas de carga localilzadas es_ES
dc.subject Riego es_ES
dc.subject.classification INGENIERIA AGROFORESTAL es_ES
dc.title Aplicación de redes neuronales artificiales para predicción de variables en ingeniería del riego: evapotranspiración de referencia y pérdidas de carga localizadas en emisores integrados
dc.type Tesis doctoral es_ES
dc.subject.unesco 3102 05 es_ES
dc.subject.unesco 3305 15 es_ES
dc.identifier.doi 10.4995/Thesis/10251/64909 es_ES
dc.rights.accessRights Abierto es_ES
dc.contributor.affiliation Universitat Politècnica de València. Departamento de Ingeniería Rural y Agroalimentaria - Departament d'Enginyeria Rural i Agroalimentària es_ES
dc.description.bibliographicCitation Martí Pérez, PC. (2009). Aplicación de redes neuronales artificiales para predicción de variables en ingeniería del riego: evapotranspiración de referencia y pérdidas de carga localizadas en emisores integrados [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/64909 es_ES
dc.description.accrualMethod Palancia es_ES
dc.type.version info:eu-repo/semantics/acceptedVersion es_ES
dc.relation.tesis 3009 es_ES


This item appears in the following Collection(s)

Show simple item record