@misc{10818/36378,
year = {2018},
url = {http://hdl.handle.net/10818/36378},
abstract = {La hidrología ha utilizado métodos tradicionales para pronosticar niveles de inundación. Sin embargo, éstos pueden generar problemas de precisión, causados por el comportamiento no lineal de las inundaciones y las limitaciones al no incluir todas las variables, como flujo, y nivel de agua y precipitación. En consecuencia, algunos científicos comenzaron a utilizar métodos no convencionales basados en modelos de inteligencia artificial, pronosticando las inundaciones de manera más precisa y rigurosa. Este artículo presenta una comparación de un modelo de tránsito de flujo unidimensional desarrollado en HEC-RAS y un modelo de inteligencia artificial, basado en redes neuronales artificiales, desarrollado en MatLab, para predecir inundaciones. El análisis de los resultados se llevó a cabo utilizando seis indicadores estadísticos: error absoluto medio (MAE, por su nombre en inglés); error cuadrático medio (MSE); error medio porcentual absoluto (MAPE, por su nombre en inglés); raíz cuadrada de la MSE; coeficiente de correlación de Pearson (CC, por su nombre en inglés), y coeficiente de correlación de concordancia (ρc, por su nombre en inglés). Además, el coeficiente de eficiencia se calculó empleando una herramienta virtual llamada Hydrotest. A partir del análisis se observó en los modelos de pronóstico que el uso de redes neuronales tiene resultados precisos, dada su cercanía con los datos reales: MAPE, entre 11.95 y 12.51; CC, entre 0.90 y 0.92; ρc, entre 0.84 y 0.87, y finalmente un CE más grande que 0.8. El estudio se realizó en una sección de las partes altas del río Bogotá, en Colombia, entre las estaciones hidrológicas de puente Florencia y Tocancipá. Los datos de flujo fueron tomados por la Corporación Autónoma Regional de Cundinamarca (CAR) de septiembre de 2009 a octubre de 2013.},
publisher = {Tecnología y Ciencias del Agua},
keywords = {Redes neuronales},
keywords = {HEC-RAS},
keywords = {Modelo físico},
keywords = {Modelo inteligente},
keywords = {Pronóstico de inundaciones},
title = {Comparación de modelos físicos y de inteligencia artificial para predicción de niveles de inundación},
doi = {10.24850/j-tyca-2018-04-09},
author = {Agudelo Otálora, Luis Mauricio and Moscoso Barrera, William Daniel and Paipa Galeano, Luis A. and Mesa Sciarrotta, Catalina},
}