Sistemas inteligentes para el ajuste de modelos hidrológicos: aplicación al río Paraná

• Autores: María del Carmen Montserrat La Red Martínez
• Directores de la Tesis: José Luis Crespo Fidalgo (dir. tes.)
• Lectura: En la Universidad de Cantabria ( España ) en 2013
• Idioma: español
• Número de páginas: 232
• Tribunal Calificador de la Tesis: Enrique Castillo Ron (presid.) , Luis Joyanes Aguilar (secret.) , Bern Bank (voc.)
• Enlaces
  • Tesis en acceso abierto en: UCrea
• Resumen
  • español

    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.

  • English

    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.