%0 Generic
%A Agudelo Otálora, Luis Mauricio
%A Moscoso Barrera, William Daniel
%A Paipa Galeano, Luis A.
%A Mesa Sciarrotta, Catalina
%8 2018
%@ 0187-8336
%U http://hdl.handle.net/10818/36378
%X 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.
%I Tecnología y Ciencias del Agua
%K Redes neuronales
%K HEC-RAS
%K Modelo físico
%K Modelo inteligente
%K Pronóstico de inundaciones
%T Comparación de modelos físicos y de inteligencia artificial para predicción de niveles de inundación
%R 10.24850/j-tyca-2018-04-09
%~ Intellectum