Mostrar el registro sencillo del ítem

Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca

dc.contributor.advisorAgudelo Otálora, Luis Mauricio
dc.contributor.advisorObregón Neira, Nelson
dc.contributor.authorGarrido Arévalo, Augusto Rafael
dc.date.accessioned2014-06-12T15:05:55Z
dc.date.available2014-06-12T15:05:55Z
dc.date.created2014
dc.date.issued2014-06-12
dc.identifier.citationA. Kheirkhah, A. A. (2013). Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering , 425–441.
dc.identifier.citationA.K. Lohani, R. K. (2012). Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques. Journal of Hydrology, 23–35.
dc.identifier.citationA.K. Mishra, P. C. (2010). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology, 420–437.
dc.identifier.citationAinslie, B., C. Reuten, D. S., Le, N. D., & Zidek, J. V. (2009). Application of an entropybased Bayesian optimization technique to the redesign of an existing monitoringnetwork for single air pollutants. Journal of Environmental Management, 2715-2729.
dc.identifier.citationAliguliyev, R. M. (2009). Performance evaluation of density-based clustering methods. Information Sciences .
dc.identifier.citationAni E. Asimakopoulou, G. J. (2013). Estimation of seasonal variation of ground resistance using Artificial Neural Networks. Electric Power Systems Research , 113–121.
dc.identifier.citationAnish C. Turlapaty, V. G. (2010). Precipitation data fusion using vector space transformation and artificial neural networks. Pattern Recognition Letters .
dc.identifier.citationAurbacher, J., & Dabbert, S. (2010). Generating crop sequences in land-use models using maximumentropy and Markov chains. Agricultural Systems , 470-479.
dc.identifier.citationBernal, G., & Gutiérrez, J. (1999). Aplicación de Redes Neuronales en la Programación y Control de la Producciín. Medellín: Universidad EAFIT.
dc.identifier.citationCalisto, O. E. (2002). El aforo de ríos con un punto de velocidad basado en el principio de la máxima entropía. Ingeniería Hidráulica en México , 5-19.
dc.identifier.citationCAR. (2009). Caracterización de usuarios CAR. Bogotá: Subdirección de Gestión Social - CAR
dc.identifier.citationCAR. (2009). Estudio de diagnóstico, prospectiva y formulación para la cuenca hidrográfica del río Minero. Bogotá: Corporación Autónoma Regional de Cundinamarca.
dc.identifier.citationCAR. (2011). Plan de acción 2007- junio 2012. Bogotá: Corporación Autónoma Regional de Cundinamarca.
dc.identifier.citationCAR. (2012). Plan de acción 2012-2015 CAR. Bogotá: Corporación Autónoma Regional de Cundinamarca.
dc.identifier.citationCAR. (2006). Plan de ordenación y manejo de la cuenca hidrográfica del río Bogotá. Bogotá: Corporación Autónoma Regional de Cundinamarca.
dc.identifier.citationCarvalho, F. M. (2008). Clustering constrained symbolic data. Pattern Recognition Letters.
dc.identifier.citationChing-Hsue Chenga, J.-W. W.-C. (2010). OWA-weighted based clustering method for classification problem. Expert Systems with Applications
dc.identifier.citationDaleziosa, N. R., & Tyraskis, P. A. (2003). Maximum entropy spectra for regional precipitation analysis and forecasting. Journal of Hydrology, 25-42.
dc.identifier.citationDursun, M., & Özden, S. (2014). An efficient improved photovoltaic irrigation system with artificial neural network based modeling of soil moisture distribution – A case study in Turkey. Computers and Electronics in Agriculture .
dc.identifier.citationFenga, L., & Hongb, W. (2007). On hydrologic calculation using artificial neural networks. Applied Mathematics Letters , 453–458.
dc.identifier.citationFernández, Ó. (1991). El análisis de clúster: aplicación, interpretación y validación. Papers: Revista de sociología , 65-76.
dc.identifier.citationFukushima, K. (2013). Artificial vision by multi-layered neural networks: Neocognitron and its advances. Neural Networks , 103–119.
dc.identifier.citationGontijo, W. C. (2007). Avaliação e redimensionamento de redes para o monitoramento fluviométrico utilizando o método sharp e o conceito de entropia
dc.identifier.citationGonzález, F. (2012). Agrupación ecohidrológica de corrientes en la cuenca MagdalenaCauca dentro del marco de referencia ELOHA, empleando mapas autorganizados de Kohonen. Bogotá: Pontificia Univerisidad Javeriana
dc.identifier.citationGwo-Fong Lin, L.-H. C. (2005). Identification of homogeneous regions for regional frequency analysis using the self-organizing map . Journal of Hydrology .
dc.identifier.citationHooman Adib, R. H. (2013). Modeling and optimization of FischereTropsch synthesis in the presence of Co (III)/Al2O3 catalyst using artificial neural networks and genetic algorithm. Journal of Natural Gas Science and Engineering , 14-24.
dc.identifier.citationIDEAM. (2007). Diseño de la ampliación de la red hidrometeorológica de Bogotá y cuenca alta del río Tunjuelo. Santafé de Bogotá: IDEAM
dc.identifier.citationIDEAM. (2002). Sistema de información ambiental de Colombia . Bogotá: Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia
dc.identifier.citationJ.P. Noonan, P. B. (2007). On estimation error using maximum entropy density estimates. Kybernetes , 52 - 64.
dc.identifier.citationJain, A., & Kumar, A. M. (2007). Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing , 585-592.
dc.identifier.citationJung-Woo Kim, Y. A. (2010). Reconstructing missing daily precipitation data using regression trees and artificial neural networks for SWAT stream flow simulation. Journal of Hydrology.
dc.identifier.citationK. Srinivasa Raju, D. N. (2011). Classification of micro watersheds based on morphological characteristics. Journal of Hydro-environment Research, 101-109.
dc.identifier.citationKalyani, & Swarup. (2011). Particle swarm optimization based K-means clustering approach for security assessment in power systems. Expert Systems with Applications , 10839–10846.
dc.identifier.citationKarabacaka, K., & Cetin, N. (2013). Artificial neural networks for controlling wind–PV power systems: A review. Renewable and Sustainable Energy Reviews .
dc.identifier.citationKohler Max, L. R. (1977). Hidrología para ingenieros. Bogotá: McGraw-Hill.
dc.identifier.citationMartínez Alfaro, P., Martínez Santos, P., & Castaño, S. (2005). Fundamentos de Hidrogeología. Madrid: Ediciones Mundi-Prensa.
dc.identifier.citationMinisterio de Ambiente y Desarrollo Sostenible. (2005). Plan de ordenación y manejo de la cuenca del río Blanco – Negro – Guayuriba. Bogotá.
dc.identifier.citationMishra, A. K., Özger, M., & Singh, V. P. (2009). An entropy-based investigation into the variability of precipitation. Journal of Hydrology , 139-154.
dc.identifier.citationMishra, A., & Coulibaly, P. (2009). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology.
dc.identifier.citationMonsalve Sáenz, G. (1995). Hidrología en la ingeniería. Santafé de Bogotá: Escuela Colombiana de Ingeniería.
dc.identifier.citationMuhammed Ernur Akiner, A. A. (2012). Modeling and forecasting river flow rate from the Melen Watershed, Turkey. Journal of Hydrology , 121–129.
dc.identifier.citationNiño, L., & De Moya, M. (2005). Representación y clasificación de datos geoespaciales usando Redes Neuronales. XXXI Conferencia Latinoamericana de Informática.
dc.identifier.citationOEA. (2010). Manual para el diseño, instalación, operación y mantenimiento de sistemas comunitarios de alerta temprana ante inundaciones. Departamento de Desarrollo Sostenible - Secretaría General de la Organización de los Estados Americanos.
dc.identifier.citationPayandeh Najafabadi, A., Hatami, H., & Najafabadi, M. O. (2011). A maximum-entropy approach to the linear credibility formula. Insurance: Mathematics and Economics.
dc.identifier.citationPuangthongthub, S., Wangwongwatana, S., Kamens, R. M., & Serre, M. L. (2007). Modeling the space/time distribution of particulate matter in Thailand and optimizing its monitoringnetwork. Atmospheric Environment, 7788-7805
dc.identifier.citationQian-Jin Liu, Z.-H. S.-F.-D. (2013). Modeling the daily suspended sediment concentration in a hyperconcentrated riveron the Loess Plateau, China, using the Wavelet–ANN approach on the Loess Plateau, China, using the Wavelet–ANN approach. Geomorphology, 181–190.
dc.identifier.citationRibeiro, F., & Bezerra, M. C. (2014). Evaluation of chemical composition of waters associated with petroleum production using Kohonen neural networks. Fuel.
dc.identifier.citationRiccardo Taormina, K.-w. C. (2012). Artificial neural network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering Applications of Artificial Intelligence, 1670–1676
dc.identifier.citationSambu Seo, K. O. (2004). Self-organizing maps and clustering methods for matrix data. Neural Networks.
dc.identifier.citationShanon. (1948). A Mathematical Theory of Communication. The Bell System Technical Journal.
dc.identifier.citationShengwei Wang, J. F. (2011). Application of seasonal time series model in the precipitation forecast. Mathematical and Computer Modelling .
dc.identifier.citationSrinivas, S. T. (2008). Regional flood frequency analysis by combining self-organizing feature map and fuzzy clustering. Journal of Hydrology.
dc.identifier.citationTomi Kinnunen, I. S. (2011). A distance based clustering method for arbitrary shaped clusters in large datasets. Pattern Recognition Letters.
dc.identifier.citationVidal Díaz, d. R. (1998). Diseño de tipologías de consumidores mediante la utilización conjunta del Análisis Cluster y otras técnicas multivariantes. Revista española de economía agraria, 75-104.
dc.identifier.citationVinod, H. D. (2006). Maximum entropy ensembles for time series inference in economics. Journal of Asian Economics.
dc.identifier.citationWeber, T. (2010). Maximum entropy modeling of mature hardwood forest distribution in four U.S. states. Forest Ecology and Management, 779-788
dc.identifier.citationYegnanarayana. (2006). Artificial neural networks. New Delhi: Prentice-Hall of India.
dc.identifier.citationZhao, Z., & Zhang, Y. (2011). Design of ensemble neural network using entropy theory. Advances in Engineering Software, 838-845
dc.identifier.urihttp://hdl.handle.net/10818/10854
dc.description96 páginas
dc.description.abstractEn este proyecto se evaluó el diseño de una red pluviométrica a partir de conceptos de entropía de la información y de redes neuronales artificiales. Para ello se analizó la red de estaciones registradas en la Corporación Autónoma Regional de Cundinamarca. La red estudiada está compuesta por 182 estaciones para la medida de la precipitación. Posee una serie histórica que va, en algunos casos, desde 1931 hasta 2012. Abarcó dos fases, en la primera se realizó una clasificación de las estaciones pluviométricas de la región de estudio mediante la aplicación de la técnica de Mapas Auto-organizados. En la segunda fase se evaluó el desempeño de la red mediante la aplicación de conceptos de entropía, teniendo en cuenta la distribución de las estaciones en cada uno de los grupos obtenidos previamente. Nota: Para consultar la carta de autorización de publicación de este documento por favor copie y pegue el siguiente enlace en su navegador de internet: http://hdl.handle.net/10818/10855es_CO
dc.language.isospaes_CO
dc.publisherUniversidad de La Sabana
dc.sourceUniversidad de La Sabana
dc.sourceIntellectum Repositorio Universidad de La Sabana
dc.subjectPluviometría -- (Bogotá) Colombia
dc.subjectAbastecimiento de agua -- (Bogotá) Colombia
dc.subjectLluvia -- (Bogotá) Colombia
dc.subjectAgua -- Almacenamiento -- (Bogotá) Colombia
dc.titleEvaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarcaes_CO
dc.typemasterThesis
dc.publisher.programMaestría en Diseño y Gestión de Procesos
dc.publisher.departmentFacultad de Ingeniería
dc.identifier.local259451
dc.identifier.localTE06582
dc.type.localTesis de maestría
dc.type.hasVersionpublishedVersion
dc.rights.accessRightsopenAccess
dc.creator.degreeMagíster en Diseño y Gestión de Procesos


Ficheros en el ítem

Thumbnail
Nombre:
Augusto Rafael Garrido Arevalo ...
Tamaño:
25.83Kb
Formato:
Microsoft Excel 2007
Ver/
Thumbnail
Nombre:
Augusto Rafael Garrido Arevalo ...
Tamaño:
3.498Mb
Formato:
PDF
Descripción:
Ver documento en PDF
Ver/

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

Mostrar el registro sencillo del ítem