Show simple item record

dc.contributor.advisorAgudelo Otálora, Luis Mauricio
dc.contributor.authorMoscoso Barrera, William Daniel
dc.date.accessioned2014-08-20T00:25:13Z
dc.date.available2014-08-20T00:25:13Z
dc.date.created2014-08-19
dc.date.issued2014
dc.identifier.citationAblan, M., Márquez, R., Rivas, Y., Molina, A., y Querales, J. (2011). Una librería en R para validación de modelos de simulación. Revista Ciencia e Ingeniería. Edición Especial: “Jornada de Modelado y Simulación” pp. 117-126.
dc.identifier.citationAqil, Muhammad, Ichiro Kita, Akira Yano, Soichi Nishiyama. (2007). Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. Journal of Environmental Management, Volume 85, Issue 1, Pages 215-223.
dc.identifier.citationArcGIS Resource Center. Cannot get exclusive schema lock. Either being edited or in use by another application. (2010). Recuperado el 18 de enero de 2014, de http://help.arcgis.com/
dc.identifier.citationBettín, Miguel Angel. (2007). Plan de manejo ambiental del parque ecológico distrital Humedal Tibanica,
dc.identifier.citationBiswajeeta, P., Saro, L. (2007). Utilization of optical remote sensing data and GIS tools for regional landslide hazard analysis using an artificial neural network model. Earth Sci. Frontiers 14, 143-151.
dc.identifier.citationCALAZAC (Centro del Agua para Zónas Áridas de América Latina y el Caribe) (2005). Guía metodológica para la elaboración del mapa de zónas áridas, semiáridas y húmedas de América Latina y el Caribe. Chile, Pag. 66.
dc.identifier.citationCallow, J. N., & Boggs, G. S. (2013). Studying reach-scale spatial hydrology in ungauged catchments. Journal of Hydrology, 496, 31–46.
dc.identifier.citationCamacho, L., Rodríguez, E., y Hernández, J. (2012) Metodología y resultados de la modelación dinámica de la calidad del agua del río Bogotá (Colombia). XX Seminario Nacional de Hidráulica e Hidrología, Barranquilla, Colombia
dc.identifier.citationC. Glenz, I. Iorgulescu, F. Kienast, R. Schlaepfer. (2008) Modelling the impact of flooding stress on the growth performance of woody species using fuzzy logic, Ecological Modelling, Volume 218, Issues 1–2, 24, Pags 18-28
dc.identifier.citationC. Mahabir, F.E. Hicks, A. Robinson Fayek. (2007) Transferability of a neuro-fuzzy river ice jam flood forecasting model, Cold Regions Science and Technology, Volume 48, Issue 3, Pags 188-201
dc.identifier.citationChandra Mahabir, Faye Hicks, Aminah Robinson Fayek. (2006) Neuro-fuzzy river ice breakup forecasting system, Cold Regions Science and Technology, Volume 46, Issue 2, November 2006, Pags 100-112.
dc.identifier.citationChang-Shian Chen, Boris Po-Tsang Chen, Frederick Nai-Fang Chou, Chao-Chung Yang. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting, Journal of Hydrology, Volume 385, Issues 1–4, Pages 173-182.
dc.identifier.citationChau, K.W., Wu, C.L. Li, Y.S. (2005). Comparison of several flood forecasting models in Yangtze River. Journal of Hydrologic Engineering, ASCE, Vol. 10, No. 6 , pp. 485491
dc.identifier.citationChen, C.-S., Chen, B. P.-T., Chou, F. N.-F., & Yang, C.-C. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting. Journal of Hydrology, 385(1-4), 173–182.
dc.identifier.citationChow, V.T.; Maidment, D. R. y Mays, L. W. (1994). Hidrología aplicada. Ed. McGrawHill, Santa Fe de Bogotá, Colombia.
dc.identifier.citationCorporación Autónoma Regional de Cundinamarca – C.A.R. (2006). Plan de Ordenación y manejo de la cuenca hidrográfica del río Bogotá – POMCA Río Bogotá, resumen ejecutivo.
dc.identifier.citationCorporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental. Versión final.
dc.identifier.citationCorporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental, cap. 7: Componente Biótico.
dc.identifier.citationCorredor, Jorge & Peñaranda, Víctor. (2012). Identificación de los parámetros del modelo del número de curva y su incertidumbre mensual en la cuenca alta del Río Bogotá. Universidad Militar Nueva Granada, Revista Ciencia e Ingeniería Neogranadina, Volumen 22-1, Pags. 75 - 93, Bogotá, Colombia.
dc.identifier.citationCorredor, Gina & Vargas, Laura. (2014) Pronóstico para inundaciones mediante sistemas de información geográfico (SIG) enfocado en el software Arcgis. Universidad de La Sabana.
dc.identifier.citationCybenko, G. (1989) Approximation by superposition of a sigmoidal function. Mathematics of Control Signals and Systems. Mathematics of Control, Signal and Systems, 2. Volume 2, Issue 4 pages. 303–314
dc.identifier.citationDawson, C. W., Wilby, R. L. (2001). Hydrological modelling using artificial neural networks. Prog. Phys. Geog. 25, 80-108.
dc.identifier.citationDawson, C. W., Abrahart, R. J., Shamseldin, a. Y., & Wilby, R. L. (2006). Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319(1-4)
dc.identifier.citationDawson, C.W., Abrahart, R.J., See, L.M. (2007). HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts, Environmental Modelling & Software, Volume 22, Issue 7, Pages 1034-1052
dc.identifier.citationFantin-Cruz, I., Pedrollo, O., Castro, N. M. R., Girard, P., Zeilhofer, P., & Hamilton, S. K. (2011). Historical reconstruction of floodplain inundation in the Pantanal (Brazil) using neural networks. Journal of Hydrology, 399(3-4), 376–384.
dc.identifier.citationFattorelli, Sergio y Fernandez, Pedro. (2011). Diseño Hidrológico, Segunda edición. Ed. Biblioteca virtual Water Assessment & Advisoy Global Network. ISBN:978-987-052738-2
dc.identifier.citationFirat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96
dc.identifier.citationFirat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96.
dc.identifier.citationGhose, D. K., Panda, S. S., & Swain, P. C. (2013). Prediction and optimization of runoff via ANFIS and GA. Alexandria Engineering Journal, 52(2), 209–220.
dc.identifier.citationGómez Vargas, E., Obregón Neira, N., Socarras Quintero, V. (2010) Aplicación del modelo neurodifuso ANFIS vs redes neuronales, al problema predictivo de caudales medios mensuales del río Bogotá en Villapinzón. Revista Tecnura, Volumen 14, Pags 18-29.
dc.identifier.citationGonzález, María Pilar (2009). Análisis de Series Temporales: Modelos ARIMA. Univerdiad del País Vasco. Facultad de Ciencias Económicas y Empresariales.
dc.identifier.citationGonzález Parra, Juan Diego. (2011). Modelación integrada del sistema de drenaje – PTAR – río de la ciudad de Bogotá. escenarios de control regional. Universidad Nacional de Colombia – Sede Bogotá, Facultad de Ingeniería.
dc.identifier.citationGraben, & Wright. (2011). From McCulloch-Pitts Neurons Toward Biology. Bulletin of Mathematical Biology. pages 261-265.
dc.identifier.citationGuanrong Chen y Trung Tat Pham. (2006). Introduction to fuzzy systems. Ed. Chapman and Hall, Estados Unidos.
dc.identifier.citationHamzaçebi, C., Akay, D., & Kutay, F. (2009). Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Systems with Applications, 36(2), 3839–3844. doi:10.1016/j.eswa.2008.02.042
dc.identifier.citationHerrero, Miguel & Álvarez, Rodrigo (2007). Análisis de series temporales pluviométricas en la Cuenca del Duero. 1Dpto. Física Aplicada y Dirección de Instalaciones y Telecomunicaciones INECO-TISSA, España.
dc.identifier.citationHo-Wen Chen, Ni-Bin Chang, (2010) Using fuzzy operators to address the complexity in decision making of water resources redistribution in two neighboring river basins, Advances in Water Resources, Volume 33, Issue 6, Pags 652-666.
dc.identifier.citationHorton, R. E. (1945). Erosional development of streams and their drainage basins; hydrophysical approach to quantitative morphology, Bui. Geol. Soc. Amer., 56, 275- 370.
dc.identifier.citationHuffman, W. S., (2001). Geographic information systems, expert systems and neural networks: disaster planning, mitigation and recovery. in: River Basin Management. International Conference. pp. 311-324
dc.identifier.citationInstituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2010).Planes de Ordenamiento Ambiental - POA aprobados: Pronósticos, Alertas e Hidrología.
dc.identifier.citationInstituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2012). Plan Institucional de Respuestas a Emergencias Hidrometereológicas - PIREH, creado en el Sistema Nacional de Gestión del Riesgo de Desastres – SNGRD, Ley 1523 del 2012.
dc.identifier.citationIstvan Bogardi, Andras Bardossy, Lucien Duckstein, Rita Pongracz. (2004). Chapter 6 - Fuzzy Logic in Hydrology and Water Resources, In: Robert V. Demicco and George J. Klir, Editor(s), Fuzzy Logic in Geology, Academic Press, Burlington, Pags 153-190
dc.identifier.citationKalayathankal, S. J., & Suresh Singh, G. (2010). A fuzzy soft flood alarm model. Mathematics and Computers in Simulation, 80(5), 887–893.
dc.identifier.citationKarimi, S., Kisi, O., Shiri, J., & Makarynskyy, O. (2013). Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia. Computers & Geosciences, 52, 50–59.
dc.identifier.citationKia, M. B., Pirasteh, S., Pradhan, B., Mahmud, A. R., Sulaiman, W. N. A., & Moradi, A. (2011). An artificial neural network model for flood simulation using GIS: Johor River Basin, Malaysia. Environmental Earth Sciences, 67(1), 251–264.
dc.identifier.citationKisi, O., Shiri, J., & Nikoofar, B. (2012). Forecasting daily lake levels using artificial intelligence approaches. Computers & Geosciences, 41, 169–180.
dc.identifier.citationKomatsu, Misako, Jun Namikawa, Zenas C. Chao, Yasuo Nagasaka, Naotaka Fujii, Kiyohiko Nakamura & Jun Tani. (2014). An artificial network model for estimating the network structureunderlying partially observed neuronal signals. Neuroscience Research, In Press, Corrected Proof
dc.identifier.citationKourentzes, Nikolaos, Barrow, D evon k. & Crone Sven F. (2014).Neural network ensemble operators for time series forecasting. Expert Systems with Applications, Volume 41, Issue 9,Pages 4235-4244.
dc.identifier.citationLewis, C. (1982). Industrial and business forecasting methods. London: Butterworths.
dc.identifier.citationLi, Q., Zhou, J., Liu, D., & Jiang, X. (2012). Research on flood risk analysis and evaluation method based on variable fuzzy sets and information diffusion. Safety Science, 50(5), 1275–1283.
dc.identifier.citationLin, L. (2002). Statistical Methods in Assessing Agreement: Models, Issues, and Tools. Journal of the American Statistical Association.
dc.identifier.citationLin, L. I.-K. (2011). A Concordance Correlation Coefficient to Evaluate Reproducibility. Biometrics, International Biometric Society.
dc.identifier.citationLópez, A. (2011). Estudio del AIC y BIC en la selección de modelos de vida con datos censurados.CIMAT
dc.identifier.citationLotfi A. Zadeh. (2008). Is there a need for fuzzy logic?, Information Sciences, Volume 178, Issue 13, Pags 2751-2779
dc.identifier.citationM. Erkan Turan, M. Ali Yurdusev. (2009) River flow estimation from upstream flow records by artificial intelligence methods, Journal of Hydrology, Volume 369, Issues 1–2, Pags 71-77
dc.identifier.citationMahabir, C., Hicks, F. E., & Fayek, a. R. (2007). Transferability of a neuro-fuzzy river ice jam flood forecasting model. Cold Regions Science and Technology, 48(3), 188–201.
dc.identifier.citationMahabir, C., Hicks, F., & Robinson, A. (2006). Neuro-fuzzy river ice breakup forecasting system, 46, 100–112.
dc.identifier.citationMamdani, E.H., Assilian, S. (1975). An experiment in linguistic synthesis witha fuzzy logic controller. International Journal of Man–Machine Studies 7 (1), Pags 1–13.
dc.identifier.citationMartín del Brío, Bonifacio & Sanz Molina, Alfredo. Redes Neuronales y Sistemas Difusos. Ed. Alfaomega, México, 2002.
dc.identifier.citationMasood, M., Takeuchi, K., 2012. Assessment of flood hazard, vulnerability and risk of mid-eastern Dhaka using DEM and 1D hydrodynamic model. Nat. Hazards 61, 757- 770.
dc.identifier.citationMatworks. (2013). Neural Network Toolbox, User’s guide MATLAB, version B.
dc.identifier.citationMerwade, V., Cook, A., Coonrod, J. (2008). GIS techniques for creating river terrain models for hydrodynamic modeling and flood inundation mapping. Environ. Modell. Softw. 23, 1300-1311.
dc.identifier.citationMoore, R.J., Bell, V.A., Jones, D.A. (2005). Forecasting for flood warning, Comptes Rendus Geoscience, Volume 337, Issues 1–2, Pages 203-217
dc.identifier.citationMoreno, J. (2009). Hydraulic plant generation forecasting in Colombian power market using ANFIS. Energy Economics, 31(3), 450–455.
dc.identifier.citationMulvaney, T. (1850) “On the use of self registering rain and flood gauges in making observations of the relation of rainfall and flood discharges in a given catchments”. Trans. Instn civ. Engrs Ire 4(2) 18
dc.identifier.citationNanía, L., Molero, E. (2007) Manual Básico de HEC-RAS 3.1.3 y HEC- GeoRAS 3.1.1. Universidad de Granada, Área de Ingeniería Hidráulica – Campus de Fuentenueva. España – Granada.
dc.identifier.citationNayak, P. C., Sudheer, K. P., & Ramasastri, K. S. (2005). Fuzzy computing based rainfallrunoff model for real time flood forecasting. Hydrological Processes, 19(4), 955–968.
dc.identifier.citationOakley, Stewart. (2011) Tratamiento de Aguas Residuales Domésticas en Centroamérica, Un Manual de Experiencias, Diseño, Operación y Sostenibilidad. Comisión Centroamericana de Ambiente y Desarrollo (CCAD)
dc.identifier.citationObregón, N., Fragala, F., Prada, L. F. (2003). Redes neuronales artificiales en hidroinformática. Seminario Internacional: La Hidroinformática en la Gestión Integrada de los Recursos Hídricos. Cartagena, Colombia. pp. 1– 5
dc.identifier.citationPark, C. H., Joo, J. G., & Kim, J. H. (2012). Integrated washland optimization model for flood mitigation using multi-objective genetic algorithm. Journal of HydroEnvironment Research, 6(2), 119–126.
dc.identifier.citationPearson, K. (1896). Mathematical contributions to the theory of evolution. III. Regression, heredity and panmixia. Philosophical Transactions of the Royal Society of London Series A 187, 253 - 318.
dc.identifier.citationPizarro, R., Ausensi, P., Aravena, D., Sangüesa, C. (2005). Evaluación de métodos hidrológicos para la completación de datos faltantes de precipitación en estaciones pluviográficas de la VII de Maule, Chile
dc.identifier.citationQuintero, Ernesto & González, Eulises. (2009). Aplicación del modelo de simulación hidráulica Hec-Ras para la emisión de pronósticos hidrológicos de inundaciones en tiempo real, en la cuenca media del río Bogotá - sector Alicachin. Universidad Libre.
dc.identifier.citationRuberto, A., Carreras, J. y Depettris, C. (2003). Estudio exploratorio de la sensibilidad del coeficiente de rugosidad en un río de llanura. Comunicaciones Científicas y Tecnológicas. Universidad Nacional del Nordeste - Chaco, Argentina.
dc.identifier.citationSalazar, A., Chaparro, N. (1990). Ajustes de las Curvas de gasto. Instituto Nacional de Hidrología, Metereorología y adecuación de tierras – HIMAT. Bogotá
dc.identifier.citationSantos Peña, A., Cubillos Peña, E., Vargas Luna, A. (2008). Modelación hidráulica de un sector de río caudaloso con derivaciones empleando HEC-RAS. Maestría en Recursos Hidráulicos, Grupo GIREH, Universidad Nacional de Colombia – Bogotá
dc.identifier.citationSarhadi, A., Soltani, S., Modarres, R. (2012). Probabilistic flood inundation mapping of ungauged rivers: Linking GIS techniques and frequency analysis. J. Hydrol. 458-459, 68-86.
dc.identifier.citationSerhat Kucukali. (2011). Risk assessment of river-type hydropower plants using fuzzy logic approach, Energy Policy, Volume 39, Issue 10, Pags 6683-6688
dc.identifier.citationSinghal, D., & Swarup, K. S. (2011). Electricity price forecasting using artificial neural networks. International Journal of Electrical Power & Energy Systems, 33(3), 550- 555.
dc.identifier.citationSiou, L. K. a, Johannet, A., Borrell, V., & Pistre, S. (2011). Complexity selection of a neural network model for karst flood forecasting: The case of the Lez Basin (southern France). Journal of Hydrology, 403(3-4), 367–380.
dc.identifier.citationSistema Nacional para la Prevención y Atención de Desastres - SNPAD. (2010). Estado actual, perspectivas y prioridades para los preparativos ante desastres en Colombia. Documento País.
dc.identifier.citationSolaimani, K., Mohammadi, H., Ahmadi, M. Z., Habibnejad, M. (2005). Flood occurrence hazard forecasting based on geographical information system. Int. J. Environ. Sci. Tech. 2, 253-258.
dc.identifier.citationSoltani, F., Kerachian, R., Shirangi, E. (2010). Developing operating rules for reservoirs consideinr the water quality issues: Application of ANFIS-based surrogate models.
dc.identifier.citationTakagi, T., Sugeno, M., (1985). Fuzzy identification of systems and its application tomodelling and control. IEEE Transactions on System, Man and Cybernetics 15 (91), Pags 116–132
dc.identifier.citationTalei, A., Chua, L. H. C., Quek, C., & Jansson, P.-E. (2013). Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning. Journal of Hydrology, 488, 17–32.
dc.identifier.citationTalei, A., Chua, L. H. C., & Wong, T. S. W. (2010). Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall– runoff modeling. Journal of Hydrology, 391(3-4), 248–262
dc.identifier.citationTarekegn, T. H., Haile, A. T., Rientjes, T., Reggiani, P., Alkema, D. (2010). Assessment of an ASTER-generated DEM for 2D hydrodynamic flood modeling. Int. J. Appl. Earth Obs. 12, 457–465.
dc.identifier.citationUS Army Corps Engineers – Hec-Ras River Analysis System. (2006). User’s Manual, Version 4.0 Beta
dc.identifier.citationWang, Y., Wang, H., Lei, X., Jiang, Y., & Song, X. (2011). Flood simulation using parallel genetic algorithm integrated wavelet neural networks. Neurocomputing, 74(17), 2734– 2744. doi:10.1016/j.neucom.2011.03.018
dc.identifier.citationWei, Y., Xu, W., Fan, Y., Tasi, H.-T. (2002). Artificial neural network based predictive method for flood disaster. Comput. Ind. Eng. 42, 383-390.
dc.identifier.citationWeiguo Jiang, Lei Deng, Luyao Chen, Jianjun Wu, Jing Li. (2009). Risk assessment and validation of flood disaster based on fuzzy mathematics, Progress in Natural Science, Volume 19, Issue 10, Pages 1419-1425.
dc.identifier.citationWerner, A. D., Gallagher, M. R., & Weeks, S. W. (2006). Regional-scale, fully coupled modelling of stream–aquifer interaction in a tropical catchment. Journal of Hydrology, 328(3-4), 497–510.
dc.identifier.citationZacharia Katambara, John Ndiritu. (2009). A fuzzy inference system for modelling streamflow: Case of Letaba River, South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 34, Issues 10–12, Pags 688-700
dc.identifier.citationZacharia Katambara, John G. Ndiritu. (2010). A hybrid conceptual–fuzzy inference streamflow modelling for the Letaba River system in South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 35, Issues 13–14, Pags 582-595
dc.identifier.citationZadeh, L. A. (1994). Soft Computing and Fuzzy Logic. IEEE Software 11, 48-56.
dc.identifier.citationZhang, J. (2003). GIS and flood inundation model-based flood risk assessment in urbanized floodplain. in: Cheng, Y. et al. (Eds.), GIS and RS in Hydrology, Water Resources and Environment, vol. 1. Sun Yat-sen University Press, Guangzhou, pp. 92-99.
dc.identifier.citationZou, H. F., Xia, G. P., Yang, F. T., & Wang, H. Y. (2007). An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing, 70(16-18), 2913–2923.
dc.identifier.urihttp://hdl.handle.net/10818/11532
dc.description125 páginas
dc.description.abstractEsta investigación presenta la comparación entre modelos físicos (Hec-Ras) y modelos inteligentes (Redes Neuronales ANN – Redes Neurodifusas ANFIS) para la predicción de inundaciones. La investigación fue diseñada para comparar los pronósticos de caudal simulado mediante diferentes modelos tanto físicos como inteligentes con el objetivo de hallar el más eficaz. La simulación se realizó en el software computacional Matlab ® 2013, con datos de caudal tomados por la Corporación Autónoma Regional de Cundinamarca (CAR), desde el mes de septiembre de 2009 hasta octubre de 2013, sobre la cuenca alta del rio Bogotá en un tramo ubicado en los municipios de Gachancipá y Tocancipá. Los hallazgos sugieren que mediante el uso modelos inteligencia artificial se puede llegar a un pronóstico más acertado, cerca del 92% de Coeficiente de Correlación implementando un ANN, lo que sugiere que el modelo simulado tiene un enfoque más preciso en la dinámica de predicción del caudal del rio. El modelo de ANN con una distribución sigmoidal-sigmoidal fue capaz de superar los pronósticos del modelo ANFIS y el modelo Hec-Ras con un mean square error (MSE) del 10.1%, y el mean absolute percentage error (MAPE) del 11.9% lo que hace que la predicción sea catalogada como muy buena. A partir de los resultados arrojados por los modelos simulados se generaron los mapas de zonas inundadas, por medio de un Sistema de Información Geográfica simulado en ArGis, la cartografía suministrada por el Instituto Geográfico Agustín Codazzi IGAC) y un Modelo digital de elevación (DEM) de 3 metros suministrado por la Corporación Autónoma Regional de Cundinamarca (CAR). ​es_CO
dc.language.isospaes_CO
dc.publisherUniversidad de La Sabana
dc.sourceUniversidad de La Sabana
dc.sourceIntellectum Repositorio Universidad de La Sabana
dc.subjectControl de ríos -- Meteorología - (Gachancipá, Cundinamarca) Colombia
dc.subjectControl de ríos -- Meteorología -- (Tocancipá, Cundinamarca) Colombia
dc.subjectSoftware de aplicación -- Meteorología -- Control de ríos -- (Gachancipá, Cundinamarca) Colombia
dc.subjectControl de inundaciones -- Software de aplicación -- (Tocancipá, Cundinamarca) Colombia
dc.titleAnálisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipáes_CO
dc.typemasterThesis
dc.publisher.programMaestría en Diseño y Gestión de Procesos
dc.publisher.departmentFacultad de Ingeniería
dc.identifier.local259653
dc.identifier.localTE06713
dc.type.localTesis de maestría
dc.type.hasVersionpublishedVersion
dc.rights.accessRightsopenAccess
dc.creator.degreeMagíster en Diseño y Gestión de Procesos


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record