dc.contributor.author | Agudelo Otálora, Luis Mauricio | |
dc.contributor.author | Moscoso Barrera, William Daniel | |
dc.contributor.author | Paipa Galeano, Luis A. | |
dc.contributor.author | Mesa Sciarrotta, Catalina | |
dc.date.accessioned | 2019-07-26T13:31:44Z | |
dc.date.available | 2019-07-26T13:31:44Z | |
dc.date.issued | 2018 | |
dc.identifier.issn | 0187-8336 | |
dc.identifier.other | http://revistatyca.org.mx/ojs/index.php/tyca/article/view/1896 | |
dc.identifier.uri | http://hdl.handle.net/10818/36378 | |
dc.description | 28 páginas | es_CO |
dc.description.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. | en |
dc.format | application/pdf | es_CO |
dc.language.iso | spa | es_CO |
dc.publisher | Tecnología y Ciencias del Agua | es_CO |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.source | Universidad de La Sabana | es_CO |
dc.source | Intellectum Repositorio Universidad de La Sabana | es_CO |
dc.subject | Redes neuronales | es_CO |
dc.subject | HEC-RAS | es_CO |
dc.subject | Modelo físico | es_CO |
dc.subject | Modelo inteligente | es_CO |
dc.subject | Pronóstico de inundaciones | es_CO |
dc.title | Comparación de modelos físicos y de inteligencia artificial para predicción de niveles de inundación | es_CO |
dc.type | journal article | es_CO |
dc.type.hasVersion | publishedVersion | es_CO |
dc.rights.accessRights | openAccess | es_CO |
dc.identifier.doi | 10.24850/j-tyca-2018-04-09 | |