Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá

125 páginas

Autores:
Moscoso Barrera, William Daniel
Tipo de recurso:
Fecha de publicación:
2014
Institución:
Universidad de la Sabana
Repositorio:
Repositorio Universidad de la Sabana
Idioma:
spa
OAI Identifier:
oai:intellectum.unisabana.edu.co:10818/11532
Acceso en línea:
http://hdl.handle.net/10818/11532
Palabra clave:
Control de ríos -- Meteorología - (Gachancipá, Cundinamarca) Colombia
Control de ríos -- Meteorología -- (Tocancipá, Cundinamarca) Colombia
Software de aplicación -- Meteorología -- Control de ríos -- (Gachancipá, Cundinamarca) Colombia
Control de inundaciones -- Software de aplicación -- (Tocancipá, Cundinamarca) Colombia
Rights
License
http://purl.org/coar/access_right/c_abf2
id REPOUSABA2_145cf1a6b322e47afb7772b9dfa1d755
oai_identifier_str oai:intellectum.unisabana.edu.co:10818/11532
network_acronym_str REPOUSABA2
network_name_str Repositorio Universidad de la Sabana
repository_id_str
dc.title.es_CO.fl_str_mv Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
title Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
spellingShingle Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
Magíster en Diseño y Gestión de Procesos
Control de ríos -- Meteorología - (Gachancipá, Cundinamarca) Colombia
Control de ríos -- Meteorología -- (Tocancipá, Cundinamarca) Colombia
Software de aplicación -- Meteorología -- Control de ríos -- (Gachancipá, Cundinamarca) Colombia
Control de inundaciones -- Software de aplicación -- (Tocancipá, Cundinamarca) Colombia
title_short Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
title_full Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
title_fullStr Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
title_full_unstemmed Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
title_sort Análisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y Tocancipá
dc.creator.fl_str_mv Moscoso Barrera, William Daniel
author Magíster en Diseño y Gestión de Procesos
author_facet Magíster en Diseño y Gestión de Procesos
author_role author
dc.contributor.advisor.none.fl_str_mv Agudelo Otálora, Luis Mauricio
dc.contributor.author.none.fl_str_mv Moscoso Barrera, William Daniel
dc.contributor.author.fl_str_mv Magíster en Diseño y Gestión de Procesos
dc.subject.none.fl_str_mv Control de ríos -- Meteorología - (Gachancipá, Cundinamarca) Colombia
Control de ríos -- Meteorología -- (Tocancipá, Cundinamarca) Colombia
Software de aplicación -- Meteorología -- Control de ríos -- (Gachancipá, Cundinamarca) Colombia
Control de inundaciones -- Software de aplicación -- (Tocancipá, Cundinamarca) Colombia
topic Control de ríos -- Meteorología - (Gachancipá, Cundinamarca) Colombia
Control de ríos -- Meteorología -- (Tocancipá, Cundinamarca) Colombia
Software de aplicación -- Meteorología -- Control de ríos -- (Gachancipá, Cundinamarca) Colombia
Control de inundaciones -- Software de aplicación -- (Tocancipá, Cundinamarca) Colombia
description 125 páginas
publishDate 2014
dc.date.accessioned.none.fl_str_mv 2014-08-20T00:25:13Z
dc.date.available.none.fl_str_mv 2014-08-20T00:25:13Z
dc.date.created.none.fl_str_mv 2014-08-19
dc.date.issued.none.fl_str_mv 2014
dc.type.none.fl_str_mv masterThesis
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_bdcc
dc.type.local.none.fl_str_mv Tesis de maestría
dc.type.hasVersion.none.fl_str_mv publishedVersion
dc.identifier.citation.none.fl_str_mv Ablan, M., Márquez, R., Rivas, Y., Molina, A., y Querales, J. (2011). Una librería en R para validación de modelos de simulación. Revista Ciencia e Ingeniería. Edición Especial: “Jornada de Modelado y Simulación” pp. 117-126.
Aqil, Muhammad, Ichiro Kita, Akira Yano, Soichi Nishiyama. (2007). Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. Journal of Environmental Management, Volume 85, Issue 1, Pages 215-223.
ArcGIS Resource Center. Cannot get exclusive schema lock. Either being edited or in use by another application. (2010). Recuperado el 18 de enero de 2014, de http://help.arcgis.com/
Bettín, Miguel Angel. (2007). Plan de manejo ambiental del parque ecológico distrital Humedal Tibanica,
Biswajeeta, P., Saro, L. (2007). Utilization of optical remote sensing data and GIS tools for regional landslide hazard analysis using an artificial neural network model. Earth Sci. Frontiers 14, 143-151.
CALAZAC (Centro del Agua para Zónas Áridas de América Latina y el Caribe) (2005). Guía metodológica para la elaboración del mapa de zónas áridas, semiáridas y húmedas de América Latina y el Caribe. Chile, Pag. 66.
Callow, J. N., & Boggs, G. S. (2013). Studying reach-scale spatial hydrology in ungauged catchments. Journal of Hydrology, 496, 31–46.
Camacho, L., Rodríguez, E., y Hernández, J. (2012) Metodología y resultados de la modelación dinámica de la calidad del agua del río Bogotá (Colombia). XX Seminario Nacional de Hidráulica e Hidrología, Barranquilla, Colombia
C. Glenz, I. Iorgulescu, F. Kienast, R. Schlaepfer. (2008) Modelling the impact of flooding stress on the growth performance of woody species using fuzzy logic, Ecological Modelling, Volume 218, Issues 1–2, 24, Pags 18-28
C. Mahabir, F.E. Hicks, A. Robinson Fayek. (2007) Transferability of a neuro-fuzzy river ice jam flood forecasting model, Cold Regions Science and Technology, Volume 48, Issue 3, Pags 188-201
Chandra Mahabir, Faye Hicks, Aminah Robinson Fayek. (2006) Neuro-fuzzy river ice breakup forecasting system, Cold Regions Science and Technology, Volume 46, Issue 2, November 2006, Pags 100-112.
Chang-Shian Chen, Boris Po-Tsang Chen, Frederick Nai-Fang Chou, Chao-Chung Yang. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting, Journal of Hydrology, Volume 385, Issues 1–4, Pages 173-182.
Chau, K.W., Wu, C.L. Li, Y.S. (2005). Comparison of several flood forecasting models in Yangtze River. Journal of Hydrologic Engineering, ASCE, Vol. 10, No. 6 , pp. 485491
Chen, C.-S., Chen, B. P.-T., Chou, F. N.-F., & Yang, C.-C. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting. Journal of Hydrology, 385(1-4), 173–182.
Chow, V.T.; Maidment, D. R. y Mays, L. W. (1994). Hidrología aplicada. Ed. McGrawHill, Santa Fe de Bogotá, Colombia.
Corporación Autónoma Regional de Cundinamarca – C.A.R. (2006). Plan de Ordenación y manejo de la cuenca hidrográfica del río Bogotá – POMCA Río Bogotá, resumen ejecutivo.
Corporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental. Versión final.
Corporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental, cap. 7: Componente Biótico.
Corredor, Jorge & Peñaranda, Víctor. (2012). Identificación de los parámetros del modelo del número de curva y su incertidumbre mensual en la cuenca alta del Río Bogotá. Universidad Militar Nueva Granada, Revista Ciencia e Ingeniería Neogranadina, Volumen 22-1, Pags. 75 - 93, Bogotá, Colombia.
Corredor, Gina & Vargas, Laura. (2014) Pronóstico para inundaciones mediante sistemas de información geográfico (SIG) enfocado en el software Arcgis. Universidad de La Sabana.
Cybenko, G. (1989) Approximation by superposition of a sigmoidal function. Mathematics of Control Signals and Systems. Mathematics of Control, Signal and Systems, 2. Volume 2, Issue 4 pages. 303–314
Dawson, C. W., Wilby, R. L. (2001). Hydrological modelling using artificial neural networks. Prog. Phys. Geog. 25, 80-108.
Dawson, C. W., Abrahart, R. J., Shamseldin, a. Y., & Wilby, R. L. (2006). Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319(1-4)
Dawson, C.W., Abrahart, R.J., See, L.M. (2007). HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts, Environmental Modelling & Software, Volume 22, Issue 7, Pages 1034-1052
Fantin-Cruz, I., Pedrollo, O., Castro, N. M. R., Girard, P., Zeilhofer, P., & Hamilton, S. K. (2011). Historical reconstruction of floodplain inundation in the Pantanal (Brazil) using neural networks. Journal of Hydrology, 399(3-4), 376–384.
Fattorelli, Sergio y Fernandez, Pedro. (2011). Diseño Hidrológico, Segunda edición. Ed. Biblioteca virtual Water Assessment & Advisoy Global Network. ISBN:978-987-052738-2
Firat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96
Firat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96.
Ghose, D. K., Panda, S. S., & Swain, P. C. (2013). Prediction and optimization of runoff via ANFIS and GA. Alexandria Engineering Journal, 52(2), 209–220.
Gómez Vargas, E., Obregón Neira, N., Socarras Quintero, V. (2010) Aplicación del modelo neurodifuso ANFIS vs redes neuronales, al problema predictivo de caudales medios mensuales del río Bogotá en Villapinzón. Revista Tecnura, Volumen 14, Pags 18-29.
González, María Pilar (2009). Análisis de Series Temporales: Modelos ARIMA. Univerdiad del País Vasco. Facultad de Ciencias Económicas y Empresariales.
González Parra, Juan Diego. (2011). Modelación integrada del sistema de drenaje – PTAR – río de la ciudad de Bogotá. escenarios de control regional. Universidad Nacional de Colombia – Sede Bogotá, Facultad de Ingeniería.
Graben, & Wright. (2011). From McCulloch-Pitts Neurons Toward Biology. Bulletin of Mathematical Biology. pages 261-265.
Guanrong Chen y Trung Tat Pham. (2006). Introduction to fuzzy systems. Ed. Chapman and Hall, Estados Unidos.
Hamzaçebi, C., Akay, D., & Kutay, F. (2009). Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Systems with Applications, 36(2), 3839–3844. doi:10.1016/j.eswa.2008.02.042
Herrero, Miguel & Álvarez, Rodrigo (2007). Análisis de series temporales pluviométricas en la Cuenca del Duero. 1Dpto. Física Aplicada y Dirección de Instalaciones y Telecomunicaciones INECO-TISSA, España.
Ho-Wen Chen, Ni-Bin Chang, (2010) Using fuzzy operators to address the complexity in decision making of water resources redistribution in two neighboring river basins, Advances in Water Resources, Volume 33, Issue 6, Pags 652-666.
Horton, R. E. (1945). Erosional development of streams and their drainage basins; hydrophysical approach to quantitative morphology, Bui. Geol. Soc. Amer., 56, 275- 370.
Huffman, W. S., (2001). Geographic information systems, expert systems and neural networks: disaster planning, mitigation and recovery. in: River Basin Management. International Conference. pp. 311-324
Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2010).Planes de Ordenamiento Ambiental - POA aprobados: Pronósticos, Alertas e Hidrología.
Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2012). Plan Institucional de Respuestas a Emergencias Hidrometereológicas - PIREH, creado en el Sistema Nacional de Gestión del Riesgo de Desastres – SNGRD, Ley 1523 del 2012.
Istvan Bogardi, Andras Bardossy, Lucien Duckstein, Rita Pongracz. (2004). Chapter 6 - Fuzzy Logic in Hydrology and Water Resources, In: Robert V. Demicco and George J. Klir, Editor(s), Fuzzy Logic in Geology, Academic Press, Burlington, Pags 153-190
Kalayathankal, S. J., & Suresh Singh, G. (2010). A fuzzy soft flood alarm model. Mathematics and Computers in Simulation, 80(5), 887–893.
Karimi, S., Kisi, O., Shiri, J., & Makarynskyy, O. (2013). Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia. Computers & Geosciences, 52, 50–59.
Kia, M. B., Pirasteh, S., Pradhan, B., Mahmud, A. R., Sulaiman, W. N. A., & Moradi, A. (2011). An artificial neural network model for flood simulation using GIS: Johor River Basin, Malaysia. Environmental Earth Sciences, 67(1), 251–264.
Kisi, O., Shiri, J., & Nikoofar, B. (2012). Forecasting daily lake levels using artificial intelligence approaches. Computers & Geosciences, 41, 169–180.
Komatsu, Misako, Jun Namikawa, Zenas C. Chao, Yasuo Nagasaka, Naotaka Fujii, Kiyohiko Nakamura & Jun Tani. (2014). An artificial network model for estimating the network structureunderlying partially observed neuronal signals. Neuroscience Research, In Press, Corrected Proof
Kourentzes, Nikolaos, Barrow, D evon k. & Crone Sven F. (2014).Neural network ensemble operators for time series forecasting. Expert Systems with Applications, Volume 41, Issue 9,Pages 4235-4244.
Lewis, C. (1982). Industrial and business forecasting methods. London: Butterworths.
Li, Q., Zhou, J., Liu, D., & Jiang, X. (2012). Research on flood risk analysis and evaluation method based on variable fuzzy sets and information diffusion. Safety Science, 50(5), 1275–1283.
Lin, L. (2002). Statistical Methods in Assessing Agreement: Models, Issues, and Tools. Journal of the American Statistical Association.
Lin, L. I.-K. (2011). A Concordance Correlation Coefficient to Evaluate Reproducibility. Biometrics, International Biometric Society.
López, A. (2011). Estudio del AIC y BIC en la selección de modelos de vida con datos censurados.CIMAT
Lotfi A. Zadeh. (2008). Is there a need for fuzzy logic?, Information Sciences, Volume 178, Issue 13, Pags 2751-2779
M. Erkan Turan, M. Ali Yurdusev. (2009) River flow estimation from upstream flow records by artificial intelligence methods, Journal of Hydrology, Volume 369, Issues 1–2, Pags 71-77
Mahabir, C., Hicks, F. E., & Fayek, a. R. (2007). Transferability of a neuro-fuzzy river ice jam flood forecasting model. Cold Regions Science and Technology, 48(3), 188–201.
Mahabir, C., Hicks, F., & Robinson, A. (2006). Neuro-fuzzy river ice breakup forecasting system, 46, 100–112.
Mamdani, E.H., Assilian, S. (1975). An experiment in linguistic synthesis witha fuzzy logic controller. International Journal of Man–Machine Studies 7 (1), Pags 1–13.
Martín del Brío, Bonifacio & Sanz Molina, Alfredo. Redes Neuronales y Sistemas Difusos. Ed. Alfaomega, México, 2002.
Masood, M., Takeuchi, K., 2012. Assessment of flood hazard, vulnerability and risk of mid-eastern Dhaka using DEM and 1D hydrodynamic model. Nat. Hazards 61, 757- 770.
Matworks. (2013). Neural Network Toolbox, User’s guide MATLAB, version B.
Merwade, V., Cook, A., Coonrod, J. (2008). GIS techniques for creating river terrain models for hydrodynamic modeling and flood inundation mapping. Environ. Modell. Softw. 23, 1300-1311.
Moore, R.J., Bell, V.A., Jones, D.A. (2005). Forecasting for flood warning, Comptes Rendus Geoscience, Volume 337, Issues 1–2, Pages 203-217
Moreno, J. (2009). Hydraulic plant generation forecasting in Colombian power market using ANFIS. Energy Economics, 31(3), 450–455.
Mulvaney, T. (1850) “On the use of self registering rain and flood gauges in making observations of the relation of rainfall and flood discharges in a given catchments”. Trans. Instn civ. Engrs Ire 4(2) 18
Nanía, L., Molero, E. (2007) Manual Básico de HEC-RAS 3.1.3 y HEC- GeoRAS 3.1.1. Universidad de Granada, Área de Ingeniería Hidráulica – Campus de Fuentenueva. España – Granada.
Nayak, P. C., Sudheer, K. P., & Ramasastri, K. S. (2005). Fuzzy computing based rainfallrunoff model for real time flood forecasting. Hydrological Processes, 19(4), 955–968.
Oakley, Stewart. (2011) Tratamiento de Aguas Residuales Domésticas en Centroamérica, Un Manual de Experiencias, Diseño, Operación y Sostenibilidad. Comisión Centroamericana de Ambiente y Desarrollo (CCAD)
Obregón, N., Fragala, F., Prada, L. F. (2003). Redes neuronales artificiales en hidroinformática. Seminario Internacional: La Hidroinformática en la Gestión Integrada de los Recursos Hídricos. Cartagena, Colombia. pp. 1– 5
Park, C. H., Joo, J. G., & Kim, J. H. (2012). Integrated washland optimization model for flood mitigation using multi-objective genetic algorithm. Journal of HydroEnvironment Research, 6(2), 119–126.
Pearson, K. (1896). Mathematical contributions to the theory of evolution. III. Regression, heredity and panmixia. Philosophical Transactions of the Royal Society of London Series A 187, 253 - 318.
Pizarro, R., Ausensi, P., Aravena, D., Sangüesa, C. (2005). Evaluación de métodos hidrológicos para la completación de datos faltantes de precipitación en estaciones pluviográficas de la VII de Maule, Chile
Quintero, Ernesto & González, Eulises. (2009). Aplicación del modelo de simulación hidráulica Hec-Ras para la emisión de pronósticos hidrológicos de inundaciones en tiempo real, en la cuenca media del río Bogotá - sector Alicachin. Universidad Libre.
Ruberto, A., Carreras, J. y Depettris, C. (2003). Estudio exploratorio de la sensibilidad del coeficiente de rugosidad en un río de llanura. Comunicaciones Científicas y Tecnológicas. Universidad Nacional del Nordeste - Chaco, Argentina.
Salazar, A., Chaparro, N. (1990). Ajustes de las Curvas de gasto. Instituto Nacional de Hidrología, Metereorología y adecuación de tierras – HIMAT. Bogotá
Santos Peña, A., Cubillos Peña, E., Vargas Luna, A. (2008). Modelación hidráulica de un sector de río caudaloso con derivaciones empleando HEC-RAS. Maestría en Recursos Hidráulicos, Grupo GIREH, Universidad Nacional de Colombia – Bogotá
Sarhadi, A., Soltani, S., Modarres, R. (2012). Probabilistic flood inundation mapping of ungauged rivers: Linking GIS techniques and frequency analysis. J. Hydrol. 458-459, 68-86.
Serhat Kucukali. (2011). Risk assessment of river-type hydropower plants using fuzzy logic approach, Energy Policy, Volume 39, Issue 10, Pags 6683-6688
Singhal, D., & Swarup, K. S. (2011). Electricity price forecasting using artificial neural networks. International Journal of Electrical Power & Energy Systems, 33(3), 550- 555.
Siou, L. K. a, Johannet, A., Borrell, V., & Pistre, S. (2011). Complexity selection of a neural network model for karst flood forecasting: The case of the Lez Basin (southern France). Journal of Hydrology, 403(3-4), 367–380.
Sistema Nacional para la Prevención y Atención de Desastres - SNPAD. (2010). Estado actual, perspectivas y prioridades para los preparativos ante desastres en Colombia. Documento País.
Solaimani, K., Mohammadi, H., Ahmadi, M. Z., Habibnejad, M. (2005). Flood occurrence hazard forecasting based on geographical information system. Int. J. Environ. Sci. Tech. 2, 253-258.
Soltani, F., Kerachian, R., Shirangi, E. (2010). Developing operating rules for reservoirs consideinr the water quality issues: Application of ANFIS-based surrogate models.
Takagi, T., Sugeno, M., (1985). Fuzzy identification of systems and its application tomodelling and control. IEEE Transactions on System, Man and Cybernetics 15 (91), Pags 116–132
Talei, A., Chua, L. H. C., Quek, C., & Jansson, P.-E. (2013). Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning. Journal of Hydrology, 488, 17–32.
Talei, A., Chua, L. H. C., & Wong, T. S. W. (2010). Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall– runoff modeling. Journal of Hydrology, 391(3-4), 248–262
Tarekegn, T. H., Haile, A. T., Rientjes, T., Reggiani, P., Alkema, D. (2010). Assessment of an ASTER-generated DEM for 2D hydrodynamic flood modeling. Int. J. Appl. Earth Obs. 12, 457–465.
US Army Corps Engineers – Hec-Ras River Analysis System. (2006). User’s Manual, Version 4.0 Beta
Wang, Y., Wang, H., Lei, X., Jiang, Y., & Song, X. (2011). Flood simulation using parallel genetic algorithm integrated wavelet neural networks. Neurocomputing, 74(17), 2734– 2744. doi:10.1016/j.neucom.2011.03.018
Wei, Y., Xu, W., Fan, Y., Tasi, H.-T. (2002). Artificial neural network based predictive method for flood disaster. Comput. Ind. Eng. 42, 383-390.
Weiguo Jiang, Lei Deng, Luyao Chen, Jianjun Wu, Jing Li. (2009). Risk assessment and validation of flood disaster based on fuzzy mathematics, Progress in Natural Science, Volume 19, Issue 10, Pages 1419-1425.
Werner, A. D., Gallagher, M. R., & Weeks, S. W. (2006). Regional-scale, fully coupled modelling of stream–aquifer interaction in a tropical catchment. Journal of Hydrology, 328(3-4), 497–510.
Zacharia Katambara, John Ndiritu. (2009). A fuzzy inference system for modelling streamflow: Case of Letaba River, South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 34, Issues 10–12, Pags 688-700
Zacharia Katambara, John G. Ndiritu. (2010). A hybrid conceptual–fuzzy inference streamflow modelling for the Letaba River system in South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 35, Issues 13–14, Pags 582-595
Zadeh, L. A. (1994). Soft Computing and Fuzzy Logic. IEEE Software 11, 48-56.
Zhang, J. (2003). GIS and flood inundation model-based flood risk assessment in urbanized floodplain. in: Cheng, Y. et al. (Eds.), GIS and RS in Hydrology, Water Resources and Environment, vol. 1. Sun Yat-sen University Press, Guangzhou, pp. 92-99.
Zou, H. F., Xia, G. P., Yang, F. T., & Wang, H. Y. (2007). An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing, 70(16-18), 2913–2923.
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10818/11532
dc.identifier.local.none.fl_str_mv 259653
TE06713
identifier_str_mv Ablan, M., Márquez, R., Rivas, Y., Molina, A., y Querales, J. (2011). Una librería en R para validación de modelos de simulación. Revista Ciencia e Ingeniería. Edición Especial: “Jornada de Modelado y Simulación” pp. 117-126.
Aqil, Muhammad, Ichiro Kita, Akira Yano, Soichi Nishiyama. (2007). Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. Journal of Environmental Management, Volume 85, Issue 1, Pages 215-223.
ArcGIS Resource Center. Cannot get exclusive schema lock. Either being edited or in use by another application. (2010). Recuperado el 18 de enero de 2014, de http://help.arcgis.com/
Bettín, Miguel Angel. (2007). Plan de manejo ambiental del parque ecológico distrital Humedal Tibanica,
Biswajeeta, P., Saro, L. (2007). Utilization of optical remote sensing data and GIS tools for regional landslide hazard analysis using an artificial neural network model. Earth Sci. Frontiers 14, 143-151.
CALAZAC (Centro del Agua para Zónas Áridas de América Latina y el Caribe) (2005). Guía metodológica para la elaboración del mapa de zónas áridas, semiáridas y húmedas de América Latina y el Caribe. Chile, Pag. 66.
Callow, J. N., & Boggs, G. S. (2013). Studying reach-scale spatial hydrology in ungauged catchments. Journal of Hydrology, 496, 31–46.
Camacho, L., Rodríguez, E., y Hernández, J. (2012) Metodología y resultados de la modelación dinámica de la calidad del agua del río Bogotá (Colombia). XX Seminario Nacional de Hidráulica e Hidrología, Barranquilla, Colombia
C. Glenz, I. Iorgulescu, F. Kienast, R. Schlaepfer. (2008) Modelling the impact of flooding stress on the growth performance of woody species using fuzzy logic, Ecological Modelling, Volume 218, Issues 1–2, 24, Pags 18-28
C. Mahabir, F.E. Hicks, A. Robinson Fayek. (2007) Transferability of a neuro-fuzzy river ice jam flood forecasting model, Cold Regions Science and Technology, Volume 48, Issue 3, Pags 188-201
Chandra Mahabir, Faye Hicks, Aminah Robinson Fayek. (2006) Neuro-fuzzy river ice breakup forecasting system, Cold Regions Science and Technology, Volume 46, Issue 2, November 2006, Pags 100-112.
Chang-Shian Chen, Boris Po-Tsang Chen, Frederick Nai-Fang Chou, Chao-Chung Yang. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting, Journal of Hydrology, Volume 385, Issues 1–4, Pages 173-182.
Chau, K.W., Wu, C.L. Li, Y.S. (2005). Comparison of several flood forecasting models in Yangtze River. Journal of Hydrologic Engineering, ASCE, Vol. 10, No. 6 , pp. 485491
Chen, C.-S., Chen, B. P.-T., Chou, F. N.-F., & Yang, C.-C. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting. Journal of Hydrology, 385(1-4), 173–182.
Chow, V.T.; Maidment, D. R. y Mays, L. W. (1994). Hidrología aplicada. Ed. McGrawHill, Santa Fe de Bogotá, Colombia.
Corporación Autónoma Regional de Cundinamarca – C.A.R. (2006). Plan de Ordenación y manejo de la cuenca hidrográfica del río Bogotá – POMCA Río Bogotá, resumen ejecutivo.
Corporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental. Versión final.
Corporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental, cap. 7: Componente Biótico.
Corredor, Jorge & Peñaranda, Víctor. (2012). Identificación de los parámetros del modelo del número de curva y su incertidumbre mensual en la cuenca alta del Río Bogotá. Universidad Militar Nueva Granada, Revista Ciencia e Ingeniería Neogranadina, Volumen 22-1, Pags. 75 - 93, Bogotá, Colombia.
Corredor, Gina & Vargas, Laura. (2014) Pronóstico para inundaciones mediante sistemas de información geográfico (SIG) enfocado en el software Arcgis. Universidad de La Sabana.
Cybenko, G. (1989) Approximation by superposition of a sigmoidal function. Mathematics of Control Signals and Systems. Mathematics of Control, Signal and Systems, 2. Volume 2, Issue 4 pages. 303–314
Dawson, C. W., Wilby, R. L. (2001). Hydrological modelling using artificial neural networks. Prog. Phys. Geog. 25, 80-108.
Dawson, C. W., Abrahart, R. J., Shamseldin, a. Y., & Wilby, R. L. (2006). Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319(1-4)
Dawson, C.W., Abrahart, R.J., See, L.M. (2007). HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts, Environmental Modelling & Software, Volume 22, Issue 7, Pages 1034-1052
Fantin-Cruz, I., Pedrollo, O., Castro, N. M. R., Girard, P., Zeilhofer, P., & Hamilton, S. K. (2011). Historical reconstruction of floodplain inundation in the Pantanal (Brazil) using neural networks. Journal of Hydrology, 399(3-4), 376–384.
Fattorelli, Sergio y Fernandez, Pedro. (2011). Diseño Hidrológico, Segunda edición. Ed. Biblioteca virtual Water Assessment & Advisoy Global Network. ISBN:978-987-052738-2
Firat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96
Firat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96.
Ghose, D. K., Panda, S. S., & Swain, P. C. (2013). Prediction and optimization of runoff via ANFIS and GA. Alexandria Engineering Journal, 52(2), 209–220.
Gómez Vargas, E., Obregón Neira, N., Socarras Quintero, V. (2010) Aplicación del modelo neurodifuso ANFIS vs redes neuronales, al problema predictivo de caudales medios mensuales del río Bogotá en Villapinzón. Revista Tecnura, Volumen 14, Pags 18-29.
González, María Pilar (2009). Análisis de Series Temporales: Modelos ARIMA. Univerdiad del País Vasco. Facultad de Ciencias Económicas y Empresariales.
González Parra, Juan Diego. (2011). Modelación integrada del sistema de drenaje – PTAR – río de la ciudad de Bogotá. escenarios de control regional. Universidad Nacional de Colombia – Sede Bogotá, Facultad de Ingeniería.
Graben, & Wright. (2011). From McCulloch-Pitts Neurons Toward Biology. Bulletin of Mathematical Biology. pages 261-265.
Guanrong Chen y Trung Tat Pham. (2006). Introduction to fuzzy systems. Ed. Chapman and Hall, Estados Unidos.
Hamzaçebi, C., Akay, D., & Kutay, F. (2009). Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Systems with Applications, 36(2), 3839–3844. doi:10.1016/j.eswa.2008.02.042
Herrero, Miguel & Álvarez, Rodrigo (2007). Análisis de series temporales pluviométricas en la Cuenca del Duero. 1Dpto. Física Aplicada y Dirección de Instalaciones y Telecomunicaciones INECO-TISSA, España.
Ho-Wen Chen, Ni-Bin Chang, (2010) Using fuzzy operators to address the complexity in decision making of water resources redistribution in two neighboring river basins, Advances in Water Resources, Volume 33, Issue 6, Pags 652-666.
Horton, R. E. (1945). Erosional development of streams and their drainage basins; hydrophysical approach to quantitative morphology, Bui. Geol. Soc. Amer., 56, 275- 370.
Huffman, W. S., (2001). Geographic information systems, expert systems and neural networks: disaster planning, mitigation and recovery. in: River Basin Management. International Conference. pp. 311-324
Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2010).Planes de Ordenamiento Ambiental - POA aprobados: Pronósticos, Alertas e Hidrología.
Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2012). Plan Institucional de Respuestas a Emergencias Hidrometereológicas - PIREH, creado en el Sistema Nacional de Gestión del Riesgo de Desastres – SNGRD, Ley 1523 del 2012.
Istvan Bogardi, Andras Bardossy, Lucien Duckstein, Rita Pongracz. (2004). Chapter 6 - Fuzzy Logic in Hydrology and Water Resources, In: Robert V. Demicco and George J. Klir, Editor(s), Fuzzy Logic in Geology, Academic Press, Burlington, Pags 153-190
Kalayathankal, S. J., & Suresh Singh, G. (2010). A fuzzy soft flood alarm model. Mathematics and Computers in Simulation, 80(5), 887–893.
Karimi, S., Kisi, O., Shiri, J., & Makarynskyy, O. (2013). Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia. Computers & Geosciences, 52, 50–59.
Kia, M. B., Pirasteh, S., Pradhan, B., Mahmud, A. R., Sulaiman, W. N. A., & Moradi, A. (2011). An artificial neural network model for flood simulation using GIS: Johor River Basin, Malaysia. Environmental Earth Sciences, 67(1), 251–264.
Kisi, O., Shiri, J., & Nikoofar, B. (2012). Forecasting daily lake levels using artificial intelligence approaches. Computers & Geosciences, 41, 169–180.
Komatsu, Misako, Jun Namikawa, Zenas C. Chao, Yasuo Nagasaka, Naotaka Fujii, Kiyohiko Nakamura & Jun Tani. (2014). An artificial network model for estimating the network structureunderlying partially observed neuronal signals. Neuroscience Research, In Press, Corrected Proof
Kourentzes, Nikolaos, Barrow, D evon k. & Crone Sven F. (2014).Neural network ensemble operators for time series forecasting. Expert Systems with Applications, Volume 41, Issue 9,Pages 4235-4244.
Lewis, C. (1982). Industrial and business forecasting methods. London: Butterworths.
Li, Q., Zhou, J., Liu, D., & Jiang, X. (2012). Research on flood risk analysis and evaluation method based on variable fuzzy sets and information diffusion. Safety Science, 50(5), 1275–1283.
Lin, L. (2002). Statistical Methods in Assessing Agreement: Models, Issues, and Tools. Journal of the American Statistical Association.
Lin, L. I.-K. (2011). A Concordance Correlation Coefficient to Evaluate Reproducibility. Biometrics, International Biometric Society.
López, A. (2011). Estudio del AIC y BIC en la selección de modelos de vida con datos censurados.CIMAT
Lotfi A. Zadeh. (2008). Is there a need for fuzzy logic?, Information Sciences, Volume 178, Issue 13, Pags 2751-2779
M. Erkan Turan, M. Ali Yurdusev. (2009) River flow estimation from upstream flow records by artificial intelligence methods, Journal of Hydrology, Volume 369, Issues 1–2, Pags 71-77
Mahabir, C., Hicks, F. E., & Fayek, a. R. (2007). Transferability of a neuro-fuzzy river ice jam flood forecasting model. Cold Regions Science and Technology, 48(3), 188–201.
Mahabir, C., Hicks, F., & Robinson, A. (2006). Neuro-fuzzy river ice breakup forecasting system, 46, 100–112.
Mamdani, E.H., Assilian, S. (1975). An experiment in linguistic synthesis witha fuzzy logic controller. International Journal of Man–Machine Studies 7 (1), Pags 1–13.
Martín del Brío, Bonifacio & Sanz Molina, Alfredo. Redes Neuronales y Sistemas Difusos. Ed. Alfaomega, México, 2002.
Masood, M., Takeuchi, K., 2012. Assessment of flood hazard, vulnerability and risk of mid-eastern Dhaka using DEM and 1D hydrodynamic model. Nat. Hazards 61, 757- 770.
Matworks. (2013). Neural Network Toolbox, User’s guide MATLAB, version B.
Merwade, V., Cook, A., Coonrod, J. (2008). GIS techniques for creating river terrain models for hydrodynamic modeling and flood inundation mapping. Environ. Modell. Softw. 23, 1300-1311.
Moore, R.J., Bell, V.A., Jones, D.A. (2005). Forecasting for flood warning, Comptes Rendus Geoscience, Volume 337, Issues 1–2, Pages 203-217
Moreno, J. (2009). Hydraulic plant generation forecasting in Colombian power market using ANFIS. Energy Economics, 31(3), 450–455.
Mulvaney, T. (1850) “On the use of self registering rain and flood gauges in making observations of the relation of rainfall and flood discharges in a given catchments”. Trans. Instn civ. Engrs Ire 4(2) 18
Nanía, L., Molero, E. (2007) Manual Básico de HEC-RAS 3.1.3 y HEC- GeoRAS 3.1.1. Universidad de Granada, Área de Ingeniería Hidráulica – Campus de Fuentenueva. España – Granada.
Nayak, P. C., Sudheer, K. P., & Ramasastri, K. S. (2005). Fuzzy computing based rainfallrunoff model for real time flood forecasting. Hydrological Processes, 19(4), 955–968.
Oakley, Stewart. (2011) Tratamiento de Aguas Residuales Domésticas en Centroamérica, Un Manual de Experiencias, Diseño, Operación y Sostenibilidad. Comisión Centroamericana de Ambiente y Desarrollo (CCAD)
Obregón, N., Fragala, F., Prada, L. F. (2003). Redes neuronales artificiales en hidroinformática. Seminario Internacional: La Hidroinformática en la Gestión Integrada de los Recursos Hídricos. Cartagena, Colombia. pp. 1– 5
Park, C. H., Joo, J. G., & Kim, J. H. (2012). Integrated washland optimization model for flood mitigation using multi-objective genetic algorithm. Journal of HydroEnvironment Research, 6(2), 119–126.
Pearson, K. (1896). Mathematical contributions to the theory of evolution. III. Regression, heredity and panmixia. Philosophical Transactions of the Royal Society of London Series A 187, 253 - 318.
Pizarro, R., Ausensi, P., Aravena, D., Sangüesa, C. (2005). Evaluación de métodos hidrológicos para la completación de datos faltantes de precipitación en estaciones pluviográficas de la VII de Maule, Chile
Quintero, Ernesto & González, Eulises. (2009). Aplicación del modelo de simulación hidráulica Hec-Ras para la emisión de pronósticos hidrológicos de inundaciones en tiempo real, en la cuenca media del río Bogotá - sector Alicachin. Universidad Libre.
Ruberto, A., Carreras, J. y Depettris, C. (2003). Estudio exploratorio de la sensibilidad del coeficiente de rugosidad en un río de llanura. Comunicaciones Científicas y Tecnológicas. Universidad Nacional del Nordeste - Chaco, Argentina.
Salazar, A., Chaparro, N. (1990). Ajustes de las Curvas de gasto. Instituto Nacional de Hidrología, Metereorología y adecuación de tierras – HIMAT. Bogotá
Santos Peña, A., Cubillos Peña, E., Vargas Luna, A. (2008). Modelación hidráulica de un sector de río caudaloso con derivaciones empleando HEC-RAS. Maestría en Recursos Hidráulicos, Grupo GIREH, Universidad Nacional de Colombia – Bogotá
Sarhadi, A., Soltani, S., Modarres, R. (2012). Probabilistic flood inundation mapping of ungauged rivers: Linking GIS techniques and frequency analysis. J. Hydrol. 458-459, 68-86.
Serhat Kucukali. (2011). Risk assessment of river-type hydropower plants using fuzzy logic approach, Energy Policy, Volume 39, Issue 10, Pags 6683-6688
Singhal, D., & Swarup, K. S. (2011). Electricity price forecasting using artificial neural networks. International Journal of Electrical Power & Energy Systems, 33(3), 550- 555.
Siou, L. K. a, Johannet, A., Borrell, V., & Pistre, S. (2011). Complexity selection of a neural network model for karst flood forecasting: The case of the Lez Basin (southern France). Journal of Hydrology, 403(3-4), 367–380.
Sistema Nacional para la Prevención y Atención de Desastres - SNPAD. (2010). Estado actual, perspectivas y prioridades para los preparativos ante desastres en Colombia. Documento País.
Solaimani, K., Mohammadi, H., Ahmadi, M. Z., Habibnejad, M. (2005). Flood occurrence hazard forecasting based on geographical information system. Int. J. Environ. Sci. Tech. 2, 253-258.
Soltani, F., Kerachian, R., Shirangi, E. (2010). Developing operating rules for reservoirs consideinr the water quality issues: Application of ANFIS-based surrogate models.
Takagi, T., Sugeno, M., (1985). Fuzzy identification of systems and its application tomodelling and control. IEEE Transactions on System, Man and Cybernetics 15 (91), Pags 116–132
Talei, A., Chua, L. H. C., Quek, C., & Jansson, P.-E. (2013). Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning. Journal of Hydrology, 488, 17–32.
Talei, A., Chua, L. H. C., & Wong, T. S. W. (2010). Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall– runoff modeling. Journal of Hydrology, 391(3-4), 248–262
Tarekegn, T. H., Haile, A. T., Rientjes, T., Reggiani, P., Alkema, D. (2010). Assessment of an ASTER-generated DEM for 2D hydrodynamic flood modeling. Int. J. Appl. Earth Obs. 12, 457–465.
US Army Corps Engineers – Hec-Ras River Analysis System. (2006). User’s Manual, Version 4.0 Beta
Wang, Y., Wang, H., Lei, X., Jiang, Y., & Song, X. (2011). Flood simulation using parallel genetic algorithm integrated wavelet neural networks. Neurocomputing, 74(17), 2734– 2744. doi:10.1016/j.neucom.2011.03.018
Wei, Y., Xu, W., Fan, Y., Tasi, H.-T. (2002). Artificial neural network based predictive method for flood disaster. Comput. Ind. Eng. 42, 383-390.
Weiguo Jiang, Lei Deng, Luyao Chen, Jianjun Wu, Jing Li. (2009). Risk assessment and validation of flood disaster based on fuzzy mathematics, Progress in Natural Science, Volume 19, Issue 10, Pages 1419-1425.
Werner, A. D., Gallagher, M. R., & Weeks, S. W. (2006). Regional-scale, fully coupled modelling of stream–aquifer interaction in a tropical catchment. Journal of Hydrology, 328(3-4), 497–510.
Zacharia Katambara, John Ndiritu. (2009). A fuzzy inference system for modelling streamflow: Case of Letaba River, South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 34, Issues 10–12, Pags 688-700
Zacharia Katambara, John G. Ndiritu. (2010). A hybrid conceptual–fuzzy inference streamflow modelling for the Letaba River system in South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 35, Issues 13–14, Pags 582-595
Zadeh, L. A. (1994). Soft Computing and Fuzzy Logic. IEEE Software 11, 48-56.
Zhang, J. (2003). GIS and flood inundation model-based flood risk assessment in urbanized floodplain. in: Cheng, Y. et al. (Eds.), GIS and RS in Hydrology, Water Resources and Environment, vol. 1. Sun Yat-sen University Press, Guangzhou, pp. 92-99.
Zou, H. F., Xia, G. P., Yang, F. T., & Wang, H. Y. (2007). An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing, 70(16-18), 2913–2923.
259653
TE06713
url http://hdl.handle.net/10818/11532
dc.language.iso.es_CO.fl_str_mv spa
language spa
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
dc.publisher.none.fl_str_mv Universidad de La Sabana
dc.publisher.program.none.fl_str_mv Maestría en Diseño y Gestión de Procesos
dc.publisher.department.none.fl_str_mv Facultad de Ingeniería
publisher.none.fl_str_mv Universidad de La Sabana
dc.source.none.fl_str_mv Universidad de La Sabana
Intellectum Repositorio Universidad de La Sabana
institution Universidad de la Sabana
bitstream.url.fl_str_mv https://intellectum.unisabana.edu.co/bitstream/10818/11532/1/William%20Daniel%20Moscoso%20Barrera%20%20%28tesis%29.pdf
https://intellectum.unisabana.edu.co/bitstream/10818/11532/2/license.txt
https://intellectum.unisabana.edu.co/bitstream/10818/11532/4/William%20Daniel%20Moscoso%20Barrera%20%20%28carta%29.pdf
https://intellectum.unisabana.edu.co/bitstream/10818/11532/3/William%20Daniel%20Moscoso%20Barrera%20%20%28tesis%29.pdf.txt
bitstream.checksum.fl_str_mv 0054617affe577b6236542ada55e292a
f52a2cfd4df262e08e9b300d62c85cab
920865fda4b18068dcafe0587ffab86e
f8d7c44dadcb723b321cb20aeba7c6cf
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Intellectum Universidad de la Sabana
repository.mail.fl_str_mv contactointellectum@unisabana.edu.co
_version_ 1766695330626142208
spelling Agudelo Otálora, Luis MauricioMoscoso Barrera, William DanielMagíster en Diseño y Gestión de Procesos2014-08-20T00:25:13Z2014-08-20T00:25:13Z2014-08-192014Ablan, M., Márquez, R., Rivas, Y., Molina, A., y Querales, J. (2011). Una librería en R para validación de modelos de simulación. Revista Ciencia e Ingeniería. Edición Especial: “Jornada de Modelado y Simulación” pp. 117-126.Aqil, Muhammad, Ichiro Kita, Akira Yano, Soichi Nishiyama. (2007). Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. Journal of Environmental Management, Volume 85, Issue 1, Pages 215-223.ArcGIS Resource Center. Cannot get exclusive schema lock. Either being edited or in use by another application. (2010). Recuperado el 18 de enero de 2014, de http://help.arcgis.com/Bettín, Miguel Angel. (2007). Plan de manejo ambiental del parque ecológico distrital Humedal Tibanica,Biswajeeta, P., Saro, L. (2007). Utilization of optical remote sensing data and GIS tools for regional landslide hazard analysis using an artificial neural network model. Earth Sci. Frontiers 14, 143-151.CALAZAC (Centro del Agua para Zónas Áridas de América Latina y el Caribe) (2005). Guía metodológica para la elaboración del mapa de zónas áridas, semiáridas y húmedas de América Latina y el Caribe. Chile, Pag. 66.Callow, J. N., & Boggs, G. S. (2013). Studying reach-scale spatial hydrology in ungauged catchments. Journal of Hydrology, 496, 31–46.Camacho, L., Rodríguez, E., y Hernández, J. (2012) Metodología y resultados de la modelación dinámica de la calidad del agua del río Bogotá (Colombia). XX Seminario Nacional de Hidráulica e Hidrología, Barranquilla, ColombiaC. Glenz, I. Iorgulescu, F. Kienast, R. Schlaepfer. (2008) Modelling the impact of flooding stress on the growth performance of woody species using fuzzy logic, Ecological Modelling, Volume 218, Issues 1–2, 24, Pags 18-28C. Mahabir, F.E. Hicks, A. Robinson Fayek. (2007) Transferability of a neuro-fuzzy river ice jam flood forecasting model, Cold Regions Science and Technology, Volume 48, Issue 3, Pags 188-201Chandra Mahabir, Faye Hicks, Aminah Robinson Fayek. (2006) Neuro-fuzzy river ice breakup forecasting system, Cold Regions Science and Technology, Volume 46, Issue 2, November 2006, Pags 100-112.Chang-Shian Chen, Boris Po-Tsang Chen, Frederick Nai-Fang Chou, Chao-Chung Yang. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting, Journal of Hydrology, Volume 385, Issues 1–4, Pages 173-182.Chau, K.W., Wu, C.L. Li, Y.S. (2005). Comparison of several flood forecasting models in Yangtze River. Journal of Hydrologic Engineering, ASCE, Vol. 10, No. 6 , pp. 485491Chen, C.-S., Chen, B. P.-T., Chou, F. N.-F., & Yang, C.-C. (2010). Development and application of a decision group Back-Propagation Neural Network for flood forecasting. Journal of Hydrology, 385(1-4), 173–182.Chow, V.T.; Maidment, D. R. y Mays, L. W. (1994). Hidrología aplicada. Ed. McGrawHill, Santa Fe de Bogotá, Colombia.Corporación Autónoma Regional de Cundinamarca – C.A.R. (2006). Plan de Ordenación y manejo de la cuenca hidrográfica del río Bogotá – POMCA Río Bogotá, resumen ejecutivo.Corporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental. Versión final.Corporación Autónoma Regional de Cundinamarca – C.A.R. (2009) Río Bogotá, adecuación hidráulica y recuperación ambiental, cap. 7: Componente Biótico.Corredor, Jorge & Peñaranda, Víctor. (2012). Identificación de los parámetros del modelo del número de curva y su incertidumbre mensual en la cuenca alta del Río Bogotá. Universidad Militar Nueva Granada, Revista Ciencia e Ingeniería Neogranadina, Volumen 22-1, Pags. 75 - 93, Bogotá, Colombia.Corredor, Gina & Vargas, Laura. (2014) Pronóstico para inundaciones mediante sistemas de información geográfico (SIG) enfocado en el software Arcgis. Universidad de La Sabana.Cybenko, G. (1989) Approximation by superposition of a sigmoidal function. Mathematics of Control Signals and Systems. Mathematics of Control, Signal and Systems, 2. Volume 2, Issue 4 pages. 303–314Dawson, C. W., Wilby, R. L. (2001). Hydrological modelling using artificial neural networks. Prog. Phys. Geog. 25, 80-108.Dawson, C. W., Abrahart, R. J., Shamseldin, a. Y., & Wilby, R. L. (2006). Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319(1-4)Dawson, C.W., Abrahart, R.J., See, L.M. (2007). HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts, Environmental Modelling & Software, Volume 22, Issue 7, Pages 1034-1052Fantin-Cruz, I., Pedrollo, O., Castro, N. M. R., Girard, P., Zeilhofer, P., & Hamilton, S. K. (2011). Historical reconstruction of floodplain inundation in the Pantanal (Brazil) using neural networks. Journal of Hydrology, 399(3-4), 376–384.Fattorelli, Sergio y Fernandez, Pedro. (2011). Diseño Hidrológico, Segunda edición. Ed. Biblioteca virtual Water Assessment & Advisoy Global Network. ISBN:978-987-052738-2Firat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96Firat Mahmut & Güngör Mahmud. (2007). River flow estimation using adaptive neuro fuzzy inference system, Mathematics and Computers in Simulation, Volume 75, Issues 3–4, Pages 87-96.Ghose, D. K., Panda, S. S., & Swain, P. C. (2013). Prediction and optimization of runoff via ANFIS and GA. Alexandria Engineering Journal, 52(2), 209–220.Gómez Vargas, E., Obregón Neira, N., Socarras Quintero, V. (2010) Aplicación del modelo neurodifuso ANFIS vs redes neuronales, al problema predictivo de caudales medios mensuales del río Bogotá en Villapinzón. Revista Tecnura, Volumen 14, Pags 18-29.González, María Pilar (2009). Análisis de Series Temporales: Modelos ARIMA. Univerdiad del País Vasco. Facultad de Ciencias Económicas y Empresariales.González Parra, Juan Diego. (2011). Modelación integrada del sistema de drenaje – PTAR – río de la ciudad de Bogotá. escenarios de control regional. Universidad Nacional de Colombia – Sede Bogotá, Facultad de Ingeniería.Graben, & Wright. (2011). From McCulloch-Pitts Neurons Toward Biology. Bulletin of Mathematical Biology. pages 261-265.Guanrong Chen y Trung Tat Pham. (2006). Introduction to fuzzy systems. Ed. Chapman and Hall, Estados Unidos.Hamzaçebi, C., Akay, D., & Kutay, F. (2009). Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Systems with Applications, 36(2), 3839–3844. doi:10.1016/j.eswa.2008.02.042Herrero, Miguel & Álvarez, Rodrigo (2007). Análisis de series temporales pluviométricas en la Cuenca del Duero. 1Dpto. Física Aplicada y Dirección de Instalaciones y Telecomunicaciones INECO-TISSA, España.Ho-Wen Chen, Ni-Bin Chang, (2010) Using fuzzy operators to address the complexity in decision making of water resources redistribution in two neighboring river basins, Advances in Water Resources, Volume 33, Issue 6, Pags 652-666.Horton, R. E. (1945). Erosional development of streams and their drainage basins; hydrophysical approach to quantitative morphology, Bui. Geol. Soc. Amer., 56, 275- 370.Huffman, W. S., (2001). Geographic information systems, expert systems and neural networks: disaster planning, mitigation and recovery. in: River Basin Management. International Conference. pp. 311-324Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2010).Planes de Ordenamiento Ambiental - POA aprobados: Pronósticos, Alertas e Hidrología.Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM. (2012). Plan Institucional de Respuestas a Emergencias Hidrometereológicas - PIREH, creado en el Sistema Nacional de Gestión del Riesgo de Desastres – SNGRD, Ley 1523 del 2012.Istvan Bogardi, Andras Bardossy, Lucien Duckstein, Rita Pongracz. (2004). Chapter 6 - Fuzzy Logic in Hydrology and Water Resources, In: Robert V. Demicco and George J. Klir, Editor(s), Fuzzy Logic in Geology, Academic Press, Burlington, Pags 153-190Kalayathankal, S. J., & Suresh Singh, G. (2010). A fuzzy soft flood alarm model. Mathematics and Computers in Simulation, 80(5), 887–893.Karimi, S., Kisi, O., Shiri, J., & Makarynskyy, O. (2013). Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia. Computers & Geosciences, 52, 50–59.Kia, M. B., Pirasteh, S., Pradhan, B., Mahmud, A. R., Sulaiman, W. N. A., & Moradi, A. (2011). An artificial neural network model for flood simulation using GIS: Johor River Basin, Malaysia. Environmental Earth Sciences, 67(1), 251–264.Kisi, O., Shiri, J., & Nikoofar, B. (2012). Forecasting daily lake levels using artificial intelligence approaches. Computers & Geosciences, 41, 169–180.Komatsu, Misako, Jun Namikawa, Zenas C. Chao, Yasuo Nagasaka, Naotaka Fujii, Kiyohiko Nakamura & Jun Tani. (2014). An artificial network model for estimating the network structureunderlying partially observed neuronal signals. Neuroscience Research, In Press, Corrected ProofKourentzes, Nikolaos, Barrow, D evon k. & Crone Sven F. (2014).Neural network ensemble operators for time series forecasting. Expert Systems with Applications, Volume 41, Issue 9,Pages 4235-4244.Lewis, C. (1982). Industrial and business forecasting methods. London: Butterworths.Li, Q., Zhou, J., Liu, D., & Jiang, X. (2012). Research on flood risk analysis and evaluation method based on variable fuzzy sets and information diffusion. Safety Science, 50(5), 1275–1283.Lin, L. (2002). Statistical Methods in Assessing Agreement: Models, Issues, and Tools. Journal of the American Statistical Association.Lin, L. I.-K. (2011). A Concordance Correlation Coefficient to Evaluate Reproducibility. Biometrics, International Biometric Society.López, A. (2011). Estudio del AIC y BIC en la selección de modelos de vida con datos censurados.CIMATLotfi A. Zadeh. (2008). Is there a need for fuzzy logic?, Information Sciences, Volume 178, Issue 13, Pags 2751-2779M. Erkan Turan, M. Ali Yurdusev. (2009) River flow estimation from upstream flow records by artificial intelligence methods, Journal of Hydrology, Volume 369, Issues 1–2, Pags 71-77Mahabir, C., Hicks, F. E., & Fayek, a. R. (2007). Transferability of a neuro-fuzzy river ice jam flood forecasting model. Cold Regions Science and Technology, 48(3), 188–201.Mahabir, C., Hicks, F., & Robinson, A. (2006). Neuro-fuzzy river ice breakup forecasting system, 46, 100–112.Mamdani, E.H., Assilian, S. (1975). An experiment in linguistic synthesis witha fuzzy logic controller. International Journal of Man–Machine Studies 7 (1), Pags 1–13.Martín del Brío, Bonifacio & Sanz Molina, Alfredo. Redes Neuronales y Sistemas Difusos. Ed. Alfaomega, México, 2002.Masood, M., Takeuchi, K., 2012. Assessment of flood hazard, vulnerability and risk of mid-eastern Dhaka using DEM and 1D hydrodynamic model. Nat. Hazards 61, 757- 770.Matworks. (2013). Neural Network Toolbox, User’s guide MATLAB, version B.Merwade, V., Cook, A., Coonrod, J. (2008). GIS techniques for creating river terrain models for hydrodynamic modeling and flood inundation mapping. Environ. Modell. Softw. 23, 1300-1311.Moore, R.J., Bell, V.A., Jones, D.A. (2005). Forecasting for flood warning, Comptes Rendus Geoscience, Volume 337, Issues 1–2, Pages 203-217Moreno, J. (2009). Hydraulic plant generation forecasting in Colombian power market using ANFIS. Energy Economics, 31(3), 450–455.Mulvaney, T. (1850) “On the use of self registering rain and flood gauges in making observations of the relation of rainfall and flood discharges in a given catchments”. Trans. Instn civ. Engrs Ire 4(2) 18Nanía, L., Molero, E. (2007) Manual Básico de HEC-RAS 3.1.3 y HEC- GeoRAS 3.1.1. Universidad de Granada, Área de Ingeniería Hidráulica – Campus de Fuentenueva. España – Granada.Nayak, P. C., Sudheer, K. P., & Ramasastri, K. S. (2005). Fuzzy computing based rainfallrunoff model for real time flood forecasting. Hydrological Processes, 19(4), 955–968.Oakley, Stewart. (2011) Tratamiento de Aguas Residuales Domésticas en Centroamérica, Un Manual de Experiencias, Diseño, Operación y Sostenibilidad. Comisión Centroamericana de Ambiente y Desarrollo (CCAD)Obregón, N., Fragala, F., Prada, L. F. (2003). Redes neuronales artificiales en hidroinformática. Seminario Internacional: La Hidroinformática en la Gestión Integrada de los Recursos Hídricos. Cartagena, Colombia. pp. 1– 5Park, C. H., Joo, J. G., & Kim, J. H. (2012). Integrated washland optimization model for flood mitigation using multi-objective genetic algorithm. Journal of HydroEnvironment Research, 6(2), 119–126.Pearson, K. (1896). Mathematical contributions to the theory of evolution. III. Regression, heredity and panmixia. Philosophical Transactions of the Royal Society of London Series A 187, 253 - 318.Pizarro, R., Ausensi, P., Aravena, D., Sangüesa, C. (2005). Evaluación de métodos hidrológicos para la completación de datos faltantes de precipitación en estaciones pluviográficas de la VII de Maule, ChileQuintero, Ernesto & González, Eulises. (2009). Aplicación del modelo de simulación hidráulica Hec-Ras para la emisión de pronósticos hidrológicos de inundaciones en tiempo real, en la cuenca media del río Bogotá - sector Alicachin. Universidad Libre.Ruberto, A., Carreras, J. y Depettris, C. (2003). Estudio exploratorio de la sensibilidad del coeficiente de rugosidad en un río de llanura. Comunicaciones Científicas y Tecnológicas. Universidad Nacional del Nordeste - Chaco, Argentina.Salazar, A., Chaparro, N. (1990). Ajustes de las Curvas de gasto. Instituto Nacional de Hidrología, Metereorología y adecuación de tierras – HIMAT. BogotáSantos Peña, A., Cubillos Peña, E., Vargas Luna, A. (2008). Modelación hidráulica de un sector de río caudaloso con derivaciones empleando HEC-RAS. Maestría en Recursos Hidráulicos, Grupo GIREH, Universidad Nacional de Colombia – BogotáSarhadi, A., Soltani, S., Modarres, R. (2012). Probabilistic flood inundation mapping of ungauged rivers: Linking GIS techniques and frequency analysis. J. Hydrol. 458-459, 68-86.Serhat Kucukali. (2011). Risk assessment of river-type hydropower plants using fuzzy logic approach, Energy Policy, Volume 39, Issue 10, Pags 6683-6688Singhal, D., & Swarup, K. S. (2011). Electricity price forecasting using artificial neural networks. International Journal of Electrical Power & Energy Systems, 33(3), 550- 555.Siou, L. K. a, Johannet, A., Borrell, V., & Pistre, S. (2011). Complexity selection of a neural network model for karst flood forecasting: The case of the Lez Basin (southern France). Journal of Hydrology, 403(3-4), 367–380.Sistema Nacional para la Prevención y Atención de Desastres - SNPAD. (2010). Estado actual, perspectivas y prioridades para los preparativos ante desastres en Colombia. Documento País.Solaimani, K., Mohammadi, H., Ahmadi, M. Z., Habibnejad, M. (2005). Flood occurrence hazard forecasting based on geographical information system. Int. J. Environ. Sci. Tech. 2, 253-258.Soltani, F., Kerachian, R., Shirangi, E. (2010). Developing operating rules for reservoirs consideinr the water quality issues: Application of ANFIS-based surrogate models.Takagi, T., Sugeno, M., (1985). Fuzzy identification of systems and its application tomodelling and control. IEEE Transactions on System, Man and Cybernetics 15 (91), Pags 116–132Talei, A., Chua, L. H. C., Quek, C., & Jansson, P.-E. (2013). Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning. Journal of Hydrology, 488, 17–32.Talei, A., Chua, L. H. C., & Wong, T. S. W. (2010). Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall– runoff modeling. Journal of Hydrology, 391(3-4), 248–262Tarekegn, T. H., Haile, A. T., Rientjes, T., Reggiani, P., Alkema, D. (2010). Assessment of an ASTER-generated DEM for 2D hydrodynamic flood modeling. Int. J. Appl. Earth Obs. 12, 457–465.US Army Corps Engineers – Hec-Ras River Analysis System. (2006). User’s Manual, Version 4.0 BetaWang, Y., Wang, H., Lei, X., Jiang, Y., & Song, X. (2011). Flood simulation using parallel genetic algorithm integrated wavelet neural networks. Neurocomputing, 74(17), 2734– 2744. doi:10.1016/j.neucom.2011.03.018Wei, Y., Xu, W., Fan, Y., Tasi, H.-T. (2002). Artificial neural network based predictive method for flood disaster. Comput. Ind. Eng. 42, 383-390.Weiguo Jiang, Lei Deng, Luyao Chen, Jianjun Wu, Jing Li. (2009). Risk assessment and validation of flood disaster based on fuzzy mathematics, Progress in Natural Science, Volume 19, Issue 10, Pages 1419-1425.Werner, A. D., Gallagher, M. R., & Weeks, S. W. (2006). Regional-scale, fully coupled modelling of stream–aquifer interaction in a tropical catchment. Journal of Hydrology, 328(3-4), 497–510.Zacharia Katambara, John Ndiritu. (2009). A fuzzy inference system for modelling streamflow: Case of Letaba River, South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 34, Issues 10–12, Pags 688-700Zacharia Katambara, John G. Ndiritu. (2010). A hybrid conceptual–fuzzy inference streamflow modelling for the Letaba River system in South Africa, Physics and Chemistry of the Earth, Parts A/B/C, Volume 35, Issues 13–14, Pags 582-595Zadeh, L. A. (1994). Soft Computing and Fuzzy Logic. IEEE Software 11, 48-56.Zhang, J. (2003). GIS and flood inundation model-based flood risk assessment in urbanized floodplain. in: Cheng, Y. et al. (Eds.), GIS and RS in Hydrology, Water Resources and Environment, vol. 1. Sun Yat-sen University Press, Guangzhou, pp. 92-99.Zou, H. F., Xia, G. P., Yang, F. T., & Wang, H. Y. (2007). An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing, 70(16-18), 2913–2923.http://hdl.handle.net/10818/11532259653TE06713125 páginasEsta investigación presenta la comparación entre modelos físicos (Hec-Ras) y modelos inteligentes (Redes Neuronales ANN – Redes Neurodifusas ANFIS) para la predicción de inundaciones. La investigación fue diseñada para comparar los pronósticos de caudal simulado mediante diferentes modelos tanto físicos como inteligentes con el objetivo de hallar el más eficaz. La simulación se realizó en el software computacional Matlab ® 2013, con datos de caudal tomados por la Corporación Autónoma Regional de Cundinamarca (CAR), desde el mes de septiembre de 2009 hasta octubre de 2013, sobre la cuenca alta del rio Bogotá en un tramo ubicado en los municipios de Gachancipá y Tocancipá. Los hallazgos sugieren que mediante el uso modelos inteligencia artificial se puede llegar a un pronóstico más acertado, cerca del 92% de Coeficiente de Correlación implementando un ANN, lo que sugiere que el modelo simulado tiene un enfoque más preciso en la dinámica de predicción del caudal del rio. El modelo de ANN con una distribución sigmoidal-sigmoidal fue capaz de superar los pronósticos del modelo ANFIS y el modelo Hec-Ras con un mean square error (MSE) del 10.1%, y el mean absolute percentage error (MAPE) del 11.9% lo que hace que la predicción sea catalogada como muy buena. A partir de los resultados arrojados por los modelos simulados se generaron los mapas de zonas inundadas, por medio de un Sistema de Información Geográfica simulado en ArGis, la cartografía suministrada por el Instituto Geográfico Agustín Codazzi IGAC) y un Modelo digital de elevación (DEM) de 3 metros suministrado por la Corporación Autónoma Regional de Cundinamarca (CAR). ​spaUniversidad de La SabanaMaestría en Diseño y Gestión de ProcesosFacultad de IngenieríaUniversidad de La SabanaIntellectum Repositorio Universidad de La SabanaControl de ríos -- Meteorología - (Gachancipá, Cundinamarca) ColombiaControl de ríos -- Meteorología -- (Tocancipá, Cundinamarca) ColombiaSoftware de aplicación -- Meteorología -- Control de ríos -- (Gachancipá, Cundinamarca) ColombiaControl de inundaciones -- Software de aplicación -- (Tocancipá, Cundinamarca) ColombiaAnálisis de la relación entre variables hidrometereológicas y zonas inundables por medio de sistemas inteligentes artificiales en un tramo del río Bogotá comprendido entre estaciones de Puente Florencia (Gachancipá) y TocancipámasterThesisTesis de maestríapublishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_bdcchttp://purl.org/coar/access_right/c_abf2ORIGINALWilliam Daniel Moscoso Barrera (tesis).pdfWilliam Daniel Moscoso Barrera (tesis).pdfVer documento en PDFapplication/pdf3880501https://intellectum.unisabana.edu.co/bitstream/10818/11532/1/William%20Daniel%20Moscoso%20Barrera%20%20%28tesis%29.pdf0054617affe577b6236542ada55e292aMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-8498https://intellectum.unisabana.edu.co/bitstream/10818/11532/2/license.txtf52a2cfd4df262e08e9b300d62c85cabMD52William Daniel Moscoso Barrera (carta).pdfWilliam Daniel Moscoso Barrera (carta).pdfapplication/pdf610705https://intellectum.unisabana.edu.co/bitstream/10818/11532/4/William%20Daniel%20Moscoso%20Barrera%20%20%28carta%29.pdf920865fda4b18068dcafe0587ffab86eMD54TEXTWilliam Daniel Moscoso Barrera (tesis).pdf.txtWilliam Daniel Moscoso Barrera (tesis).pdf.txtExtracted Texttext/plain126https://intellectum.unisabana.edu.co/bitstream/10818/11532/3/William%20Daniel%20Moscoso%20Barrera%20%20%28tesis%29.pdf.txtf8d7c44dadcb723b321cb20aeba7c6cfMD5310818/11532oai:intellectum.unisabana.edu.co:10818/115322019-10-10 16:25:50.514Intellectum Universidad de la Sabanacontactointellectum@unisabana.edu.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

Publicaciones similares