Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales
El recurso hídrico en la subcuenca del río Shullcas es escaso en cantidad, calidad y oportunidad; el abastecimiento de agua potable para los pobladores de la ciudad de Huancayo se realiza con las aguas de este río y para su gestión es necesario realizar estimaciones de la oferta hídrica futura emple...
Main Authors: | , |
---|---|
Format: | Article |
Language: | Spanish |
Published: |
Universidad Nacional Santiago Antúnez de Mayolo
2020-12-01
|
Series: | Aporte Santiaguino |
Subjects: | |
Online Access: | http://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/737 |
id |
doaj-8acded95c08a4d1a9c8b8cfd42e710b4 |
---|---|
record_format |
Article |
spelling |
doaj-8acded95c08a4d1a9c8b8cfd42e710b42021-01-06T14:53:07ZspaUniversidad Nacional Santiago Antúnez de MayoloAporte Santiaguino2070-836X2616-95412020-12-01ág. 9210610.32911/as.2020.v13.n2.737737Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificialesToribio Marcos Reyes Rodríguez0Maximiliano Epifanio Asís López1Universidad Nacional Santiago Antúnez de Mayolo. Huaraz, Perú.Universidad Nacional Santiago Antúnez de Mayolo. Huaraz, Perú.El recurso hídrico en la subcuenca del río Shullcas es escaso en cantidad, calidad y oportunidad; el abastecimiento de agua potable para los pobladores de la ciudad de Huancayo se realiza con las aguas de este río y para su gestión es necesario realizar estimaciones de la oferta hídrica futura empleando diferentes métodos de pronóstico. El trabajo de investigación consistió en la estimación de caudales mensuales con modelos de redes neuronales artificiales con el objetivo de obtener modelos de pronóstico de caudales mensuales para el río Shullcas en la estación de Chamisería en función de las precipitaciones y evapotranspiraciones mensuales. La metodología consistió de cinco etapas: 1) se construyó el polígono de Thiessen para estimar las precipitaciones mensuales y temperaturas medias representativas de la subcuenca del río Shullcas; 2) se detectaron y corrigieron datos pluviométricos e hidrométricos mensuales fuera de intervalo; 3) se generaron las temperaturas medias mensuales para la estación de Huaytapallana, considerando el gradiente término determinado por la ANA y las precipitaciones mensuales para la estación de Huaytapallana correspondientes a los años 2014 a 2019 por el método de la razón normal; 4) se caracterizaron las precipitaciones mensuales y temperaturas medias mensuales de las estaciones meteorológicas de Santa Ana y Huaytapallana, a través de ajuste funcional a la serie de Fourier; 5)finalmente se empleó redes neuronales de tipo multilayer perceptrón (MLP) y radial basis function (RBF) para generar los modelos de pronóstico de los caudales mensuales en la estación hidrométrica de Chamisería en la subcuenca Shullcas y se validaron con el coeficiente de determinación (R2), el error cuadrático medio (RMSE), y la raíz de la media cuadrática (RMS). Los resultados indican que los modelos generados con redes neuronales multilayer perceptrón tienenmayor potencia predictiva según los coeficientes de determinación (R2) de 0; 947 y 0; 857 respectivamente.http://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/737redes neuronalespronóstico de caudalcaudal mensualmodelos de pronóstico. |
collection |
DOAJ |
language |
Spanish |
format |
Article |
sources |
DOAJ |
author |
Toribio Marcos Reyes Rodríguez Maximiliano Epifanio Asís López |
spellingShingle |
Toribio Marcos Reyes Rodríguez Maximiliano Epifanio Asís López Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales Aporte Santiaguino redes neuronales pronóstico de caudal caudal mensual modelos de pronóstico. |
author_facet |
Toribio Marcos Reyes Rodríguez Maximiliano Epifanio Asís López |
author_sort |
Toribio Marcos Reyes Rodríguez |
title |
Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales |
title_short |
Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales |
title_full |
Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales |
title_fullStr |
Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales |
title_full_unstemmed |
Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales |
title_sort |
modelos de pronóstico de caudales mensuales en el río shullcas (huancayo - perú) con redes neuronales artificiales |
publisher |
Universidad Nacional Santiago Antúnez de Mayolo |
series |
Aporte Santiaguino |
issn |
2070-836X 2616-9541 |
publishDate |
2020-12-01 |
description |
El recurso hídrico en la subcuenca del río Shullcas es escaso en cantidad, calidad y oportunidad; el abastecimiento de agua potable para los pobladores de la ciudad de Huancayo se realiza con las aguas de este río y para su gestión es necesario realizar estimaciones de la oferta hídrica futura empleando diferentes métodos de pronóstico. El trabajo de investigación consistió en la estimación de caudales mensuales con modelos de redes neuronales artificiales con el objetivo de obtener modelos de pronóstico de caudales mensuales para el río Shullcas en la estación de Chamisería en función de las precipitaciones y evapotranspiraciones mensuales. La metodología consistió de cinco etapas: 1) se construyó el polígono de Thiessen para estimar las precipitaciones mensuales y temperaturas medias representativas de la subcuenca del río Shullcas; 2) se detectaron y corrigieron datos pluviométricos e hidrométricos mensuales fuera de intervalo; 3) se generaron las temperaturas medias mensuales para la estación de Huaytapallana, considerando el gradiente término determinado por la ANA y las precipitaciones mensuales para la estación de Huaytapallana correspondientes a los años 2014 a 2019 por el método de la razón normal; 4) se caracterizaron las precipitaciones mensuales y temperaturas medias mensuales de las estaciones meteorológicas de Santa Ana y Huaytapallana, a través de ajuste funcional a la serie de Fourier; 5)finalmente se empleó redes neuronales de tipo multilayer perceptrón (MLP) y radial basis function (RBF) para generar los modelos de pronóstico de los caudales mensuales en la estación hidrométrica de Chamisería en la subcuenca Shullcas y se validaron con el coeficiente de determinación (R2), el error cuadrático medio (RMSE), y la raíz de la media cuadrática (RMS). Los resultados indican que los modelos generados con redes neuronales multilayer perceptrón tienenmayor potencia predictiva según los coeficientes de determinación (R2) de 0; 947 y 0; 857 respectivamente. |
topic |
redes neuronales pronóstico de caudal caudal mensual modelos de pronóstico. |
url |
http://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/737 |
work_keys_str_mv |
AT toribiomarcosreyesrodriguez modelosdepronosticodecaudalesmensualesenelrioshullcashuancayoperuconredesneuronalesartificiales AT maximilianoepifanioasislopez modelosdepronosticodecaudalesmensualesenelrioshullcashuancayoperuconredesneuronalesartificiales |
_version_ |
1724347297900265472 |