You are on page 1of 6

HIDROLOGIA

PRACTICA
ALUMNO:GAMBOA CONTRERAS,Luis Guillermo.
ARTICULO 01
El objetivo principal de esta investigación es la creación de un modelo basado en redes
1. ARTIFICIAL NEURAL NETWORKS
APPLIED TO FLOW PREDICTION: A USE neuronales artificiales (ANN) que permite predecir el flujo en el río Tomebamba, en
CASE FOR THE TOMEBAMBA RIVER tiempo real y en un día específico de un año. Como entradas, esta investigación está
REDES NEURONALES ARTIFICIALES utilizando la información de la precipitación y el flujo de las estaciones a lo largo del río.
APLICADAS A LA PREDICCIÓN DE FLUJO: Esta información se organiza en escenarios y cada escenario está preparado para un área
UN CASO DE USO PARA EL RÍO
TOMEBAMBA específica. Para este artículo, se han seleccionado dos escenarios. La información que se
adquiere de las estaciones hidrológicas situadas en la cuenca mediante un sistema
electrónico desarrollado en tiempo real y es compatible con cualquier tipo o marca de
este tipo de sensores. La predicción funciona muy buenos tres días de antelación. Esta
investigación incluye dos modelos de RNA: Retropropagación y un modelo híbrido entre
2.Pais
la propagación hacia atrás y OWO-HWO (peso de salida optimización-oculto optimización
del peso) para seleccionar los pesos iniciales de la conexión. Estos dos últimos modelos
Rio Tomebamba, Cuenca de han sido probados en una investigación preliminar. Para validar los resultados que
Ecuador.
estamos utilizando algunos indicadores de error como MSE, RMSE, EF, CD y BIAS. Los
3.COMPENDIO resultados de esta investigación alcanzaron altos niveles de fiabilidad y el nivel de error
Procedia Engineering es mínima. Estas predicciones son útiles para evitar inundaciones en la ciudad de Cuenca
en Ecuador.
hidrom eteorológ icos e ín dices climáticos en el este de Aust ralia
estandarizado de precipit ación y evapot ranspiración usando parámet ros
Aplicación del modelo de Red Neural Art if icial para predicción mensual Í ndice

PARAMETERS AND CLIMATE INDICES IN EASTERN AUSTRALIA


EVAPOTRANSPIRATION INDEX USING HYDROMETEOROLOGICAL
PREDICTION OF MONTHLY STANDARDIZED PRECIPITATION AND
APPLICATION OF THE ARTIFICIAL NEURAL NETWORK MODEL FOR

ARTICULO 02 La previsión de la sequía basada en la influencia acumulativa de la lluvia, la temperatura


y la evaporación es muy beneficioso para mitigar las consecuencias adversas en sectores
APPLICATION OF THE ARTIFICIAL sensibles al agua como la agricultura,ecosistemas, vida silvestre, turismo, recreación,
NEURAL NETWORK MODEL FOR salud de cultivos e ingeniería hidrológica. Modelos predictivos
PREDICTION OF MONTHLY de los índices de sequía ayudan a evaluar las situaciones de escasez de agua, la
STANDARDIZED PRECIPITATION AND identificación de la sequía y la gravedad caracterización. En este documento, probamos
EVAPOTRANSPIRATION INDEX USING la viabilidad de la Red Neural Artificial (ANN) como una modelo basado en datos para
HYDROMETEOROLOGICAL predecir la precipitación y evapotranspiración estandarizadas mensuales
PARAMETERS AND CLIMATE INDICES IN Index (SPEI) para ocho estaciones candidatas en el este de Australia utilizando datos
EASTERN AUSTRALIA variables predictivos de 1915-2005 (capacitación) y datos simulados para el período
2006-2012. Las variables predictivas fueron:
Aplicación del modelo de Red Neural totales mensuales de lluvia, temperatura media, temperatura mínima, temperatura
Artificial para predicción mensual Índice máxima y evapotranspiración, que se complementó con índices climáticos a gran escala
estandarizado de precipitación y (Oscilación del Sur) Índice, Oscilación Decadal del Pacífico, Modo Anular del Sur y Dipolo
evapotranspiración usando parámetros
del Océano Índico) y el Mar Temperaturas de la superficie (Nino 3.0, 3.4 y 4.0). Se
hidrometeorológicos e índices climáticos en
desarrollaron un total de 30 modelos ANN con 3
el este de Australia
capas redes ANN. Para determinar la mejor combinación de algoritmos de aprendizaje,
transferencia oculta y funciones de salida del modelo óptimo, Levenberg-Marquardt y
2.Pais Broyden-Fletcher-Goldfarb-
Los algoritmos de backpropagation quasi-Newton de Shanno (BFGS) se utilizaron para
Australia entrenar la red, ecuaciones sigmoideas tangentes y logarítmicas utilizadas como
funciones de activación y lineal,ecuaciones sigmoideas logarítmicas y tangentes utilizadas
3.COMPENDIO como función de salida. La mejor arquitectura ANN tenía 18 neuronas de entrada, 43
neuronas ocultas y 1 neurona de salida, entrenados usando el Levenberg-
Atmospheric Research Algoritmo de aprendizaje de Marquardt que usa la ecuación sigmoidal tangente como las
funciones de activación y de salida.
ARTICULO 03 El proceso de transformación de las precipitaciones en la descarga puede ser replicado y
1. Analysis of rainfall-runoff neuran input
model with artificial neural networks for simplificado en la forma de modelos, comúnmente llamadosmodelos de flujo de lluvia.
simulation for availability of discharge at
Bah BolonWatershed. Muchos modelos se han desarrollado en el análisis de flujo de lluvia. Uno de los métodos
convencionales en hidrología, la hidrología que simulan eventos reales es IHACRES [4]. En
Análisis del modelo de entrada de neura
lluvia-escorrentía con redes neuronales hidrología moderna, por inferencia, los modelos que fueron desarrollados usando
artificiales para la simulación de la
disponibilidad de descarga en la cuenca
hidrográfica de Bah Bolon.
Artificial Neural Network (ANN) para el análisis de flujo de lluvia ha sido hecho por
tecnología ANN es un algoritmo computacional que es parte de la inteligencia artificial
que simula las obras del sistema nervioso en el procesamiento de estímulos / información
2.Pais
entrante biológica y determina entonces la respuesta a esa información. Una de las
Rio Bah Boloh,Indonesia
aplicaciones que responden a la ANN es una cuestión de reconocimiento de patrones
3.COMPENDIO
basados en datos históricos que se alimenta a la ANN para llevar a cabo el proceso de
Procedia Engineering
aprendizaje. Las variables se procesan en el ANN es el número de entradas, número de
capas, y el número de salidas con la fiabilidad del modelo de confianza del 95%.
ARTICULO 04 El sistema del río Apalachicola es el más grande de Florida en términos de flujo y es el
sistema fluvial tercera más grande en el Golfo de México detrás de los sistemas de
1NEURAL NETWORKS METHOD IN Mississippi y Mobile Bay. La parte baja del río Apalachicola está situado en el extremo sur
REAL-TIME FORECASTING OF de la cuenca de Apalachicola-Chacttahoochee-Flint (ACF) y conectar con el Golfo de
APALACHICOLA RIVER FLOW
México a pesar de la Bahía de Apalachicola. La cuenca del ACF se origina en Georgia del
MÉTODO DE REDES NEURONALES EN Norte y Alabama. La cuenca ACF se extiende una distancia de aproximadamente 385
PRONÓSTICOS EN TIEMPO REAL FLUJO millas y abarca un área de 19.600 millas cuadradas. Durante los últimos 160 años, se han
DEL RÍO APALACHICOLA desarrollado los recursos de agua dulce en la cuenca del ACF para satisfacer diversas
demandas de suministro de agua municipal e industrial, control de inundaciones, la
energía hidroeléctrica, la navegación, el suministro de agua la agricultura, y el pescado y
la conservación de la vida silvestre. Hay cientos de embalses de la cuenca, que se utilizan
para regular el agua dulce para satisfacer ciertas
demandas de agua, con impacto en el flujo natural de agua dulce en el río Apalachicola.
Desde 1950, el crecimiento considerable se ha producido en el área de Atlanta-
2.Pais metropolitana (cuenca superior ACF). La población en esta zona
aumenta desde menos 0.
Apalachicola,Florida,EE.UU La previsión del caudal del río, con un tiempo de advertencia de varios días, beneficiaría
a las actividades de gestión de los recursos hídricos en la cuenca del río. red neural
3.COMPENDIO artificial (ANN) ha sido ampliamente utilizado en el modelado de series de tiempo no
lineal de procesamiento de la señal multivariable y el control en las áreas tales
Bridging the Gap: Meeting the como la electrónica, aeroespacial, y la ingeniería de fabricación. En los últimos años, hay
World's Water and Environmental algunas aplicaciones ANN éxito en la ingeniería de los recursos hídricos. Para ejemplos,
Resources Challenges. Tai y Lee (1999) aplican para la previsión de ANN nivel de la marea.
Inspirado por el funcionamiento del cerebro y el sistema nervioso biológico, redes
ARTICULO 05 neuronales artificiales (ANN) se han aplicado a diversos problemas hidrológicos en los
últimos 10 años. En este estudio, los modelos ANN son en comparación con los modelos
1. PRECIPITATION-RUNOFF MODELING conceptuales tradicionales para predecir la escorrentía de cuencas como una función de
USING ARTIFICIAL NEURAL NETWORKS
la lluvia, el agua de nieve equivalente, y temperatura. La técnica ANN se aplicó a la
AND CONCEPTUAL MODELS.
escorrentía modelo de cuencas en tres cuencas con diferentes características climáticas
Modelado de precipitación-escorrentía y fisiográficas: el río Fraser en Colorado, Raccoon Creek en Iowa y Pequeño río Patuxent
usando redes neuronales artificiales y en Maryland. En la cuenca del río Fraser, la técnica ANN se aplicó al modelo Flujo de flujo
modelos conceptuales. mensual y se comparó con un modelo conceptual de equilibrio de agua (Watbal). La
técnica ANN fueutilizado para modelar el proceso diario de precipitación-escorrentía y se
comparó con la contabilidad de humedad del suelo de Sacramento(SAC-SMA) modelo en
la cuenca del río Raccoon. El proceso diario de precipitación-escorrentía también se
modeló usando la técnica ANN en la cuenca del río Little Patuxent, y los resultados de
entrenamiento y prueba se compararon con los de un modelo simple de lluvia-
escorrentía conceptual (SCRR). En todos los casos, los modelos ANN proporcionaron
mayor precisión, un enfoque más sistemático y acortar el tiempo dedicado al
2.Pais entrenamiento de los modelos. Para el Fraser River, la precisión de las predicciones de
flujo mensual por el modelo ANN fue significativamente mayor en comparación con la
Fraser River en Colorado, Raccoon
precisión del modelo Watbal. El modelo de ANN mejor ajustado realizado así como el
Creek en Iowa, y Little Patuxent modelo de SAC-SMA en el Raccoon River. La precisión de prueba y entrenamiento del
River en Maryland. modelo ANN en Little Patuxent River fue comparativamente más alto que el del modelo
SCRR. Los resultados iniciales indican que las RNA pueden ser herramientas poderosas en
COMPENDIO el modelado el proceso de precipitación-escorrentía para diversas escalas de tiempo,
topografía y patrones climáticos.
Journal of Hydrologic Engineering