Show simple item record

dc.contributor.advisorCrespo Fidalgo, José Luis 
dc.contributor.authorLa Red Martínez, María del Carmen Montserrat
dc.contributor.otherUniversidad de Cantabriaes_ES
dc.date.accessioned2013-09-03T08:09:20Z
dc.date.available2013-09-03T08:09:20Z
dc.date.issued2013-07-29
dc.identifier.urihttp://hdl.handle.net/10902/3077
dc.description.abstractRESUMEN: El objetivo es la implementación de sistemas inteligentes para ajustar modelos hidrológicos, comparando las series temporales con redes neuronales, que permitan el aprendizaje y ajuste de parámetros para la obtención de modelos que realicen predicciones óptimas de alturas del río Paraná, en períodos de inundaciones. El interés radica en su aplicación en la provincia de Corrientes, Argentina, afectada por inundaciones que ocasionan pérdidas en la economía regional. Se realiza un análisis previo con series temporales que permite establecer las variables y factores que determinan las alturas hidrométricas, en períodos de inundación en la localidad de Corrientes. Posteriormente se presenta un pronóstico a corto plazo en períodos de crecidas, que predice las alturas hidrométricas a tres días implementando redes neuronales con función de penalización modificada. Se finaliza con un pronóstico a mediano plazo, para períodos de inundación, de alturas hidrométricas a siete días que se realiza con redes neuronales con diferentes arquitecturas.es_ES
dc.description.abstractABSTRACT: The aim is the implementation of intelligent systems to adjust hydrological models comparing time series and neural networks which allow learning and setting parameters for models that make optimal predictions of the Paraná river heights in flood periods. The interest lies in its implementation in the province of Corrientes, Argentina, hit by floods causing losses in regional economy. We performed a time-series analysis to discover the variables and factors that influence the hydrometric height in flood periods in the town of Corrientes. Subsequently we present a short-term prediction for flood periods, which predicts the hydrometric heights three days in advance, using neural networks with a modified penalty function. Then we obtain a medium-term forecast for flood periods, seven days in advance, using neural networks with different architectures.es_ES
dc.format.extent232 p.es_ES
dc.language.isospaes_ES
dc.relation.isversionofhttp://hdl.handle.net/10803/120163
dc.rightsAtribución-NoComercial-CompartirIgual 3.0 Españaes_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/es/
dc.subject.otherSistemas inteligenteses_ES
dc.subject.otherModelos hidrológicoses_ES
dc.subject.otherAprendizaje automáticoes_ES
dc.subject.otherRedes neuronaleses_ES
dc.subject.otherRedes neuronales modificadases_ES
dc.subject.otherSeries temporaleses_ES
dc.subject.otherInundacioneses_ES
dc.subject.otherRío Paranáes_ES
dc.subject.otherIntelligent systemses_ES
dc.subject.otherHydrological modelses_ES
dc.subject.otherMachine learninges_ES
dc.subject.otherNeural networkses_ES
dc.subject.otherModified neural networkses_ES
dc.subject.otherTime serieses_ES
dc.subject.otherFloodses_ES
dc.titleSistemas inteligentes para el ajuste de modelos hidrológicos. Aplicación al río Paranáes_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
dc.rights.accessRightsopenAccesses_ES


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-CompartirIgual 3.0 EspañaExcept where otherwise noted, this item's license is described as Atribución-NoComercial-CompartirIgual 3.0 España