Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca

96 páginas

Autores:
Garrido Arévalo, Augusto Rafael
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:10818/10854
Acceso en línea:
http://hdl.handle.net/10818/10854
Palabra clave:
Pluviometría -- (Bogotá) Colombia
Abastecimiento de agua -- (Bogotá) Colombia
Lluvia -- (Bogotá) Colombia
Agua -- Almacenamiento -- (Bogotá) Colombia
Rights
License
http://purl.org/coar/access_right/c_abf2
id REPOUSABA2_97a2d60493ebc7b3e3b40cc85d577d3e
oai_identifier_str oai:intellectum.unisabana.edu.co:10818/10854
network_acronym_str REPOUSABA2
network_name_str Repositorio Universidad de la Sabana
repository_id_str
dc.title.es_CO.fl_str_mv Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
title Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
spellingShingle Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
Magíster en Diseño y Gestión de Procesos
Pluviometría -- (Bogotá) Colombia
Abastecimiento de agua -- (Bogotá) Colombia
Lluvia -- (Bogotá) Colombia
Agua -- Almacenamiento -- (Bogotá) Colombia
title_short Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
title_full Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
title_fullStr Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
title_full_unstemmed Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
title_sort Evaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - Cundinamarca
dc.creator.fl_str_mv Garrido Arévalo, Augusto Rafael
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
Obregón Neira, Nelson
dc.contributor.author.none.fl_str_mv Garrido Arévalo, Augusto Rafael
dc.contributor.author.fl_str_mv Magíster en Diseño y Gestión de Procesos
dc.subject.none.fl_str_mv Pluviometría -- (Bogotá) Colombia
Abastecimiento de agua -- (Bogotá) Colombia
Lluvia -- (Bogotá) Colombia
Agua -- Almacenamiento -- (Bogotá) Colombia
topic Pluviometría -- (Bogotá) Colombia
Abastecimiento de agua -- (Bogotá) Colombia
Lluvia -- (Bogotá) Colombia
Agua -- Almacenamiento -- (Bogotá) Colombia
description 96 páginas
publishDate 2014
dc.date.accessioned.none.fl_str_mv 2014-06-12T15:05:55Z
dc.date.available.none.fl_str_mv 2014-06-12T15:05:55Z
dc.date.created.none.fl_str_mv 2014
dc.date.issued.none.fl_str_mv 2014-06-12
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 A. Kheirkhah, A. A. (2013). Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering , 425–441.
A.K. Lohani, R. K. (2012). Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques. Journal of Hydrology, 23–35.
A.K. Mishra, P. C. (2010). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology, 420–437.
Ainslie, B., C. Reuten, D. S., Le, N. D., & Zidek, J. V. (2009). Application of an entropybased Bayesian optimization technique to the redesign of an existing monitoringnetwork for single air pollutants. Journal of Environmental Management, 2715-2729.
Aliguliyev, R. M. (2009). Performance evaluation of density-based clustering methods. Information Sciences .
Ani E. Asimakopoulou, G. J. (2013). Estimation of seasonal variation of ground resistance using Artificial Neural Networks. Electric Power Systems Research , 113–121.
Anish C. Turlapaty, V. G. (2010). Precipitation data fusion using vector space transformation and artificial neural networks. Pattern Recognition Letters .
Aurbacher, J., & Dabbert, S. (2010). Generating crop sequences in land-use models using maximumentropy and Markov chains. Agricultural Systems , 470-479.
Bernal, G., & Gutiérrez, J. (1999). Aplicación de Redes Neuronales en la Programación y Control de la Producciín. Medellín: Universidad EAFIT.
Calisto, O. E. (2002). El aforo de ríos con un punto de velocidad basado en el principio de la máxima entropía. Ingeniería Hidráulica en México , 5-19.
CAR. (2009). Caracterización de usuarios CAR. Bogotá: Subdirección de Gestión Social - CAR
CAR. (2009). Estudio de diagnóstico, prospectiva y formulación para la cuenca hidrográfica del río Minero. Bogotá: Corporación Autónoma Regional de Cundinamarca.
CAR. (2011). Plan de acción 2007- junio 2012. Bogotá: Corporación Autónoma Regional de Cundinamarca.
CAR. (2012). Plan de acción 2012-2015 CAR. Bogotá: Corporación Autónoma Regional de Cundinamarca.
CAR. (2006). Plan de ordenación y manejo de la cuenca hidrográfica del río Bogotá. Bogotá: Corporación Autónoma Regional de Cundinamarca.
Carvalho, F. M. (2008). Clustering constrained symbolic data. Pattern Recognition Letters.
Ching-Hsue Chenga, J.-W. W.-C. (2010). OWA-weighted based clustering method for classification problem. Expert Systems with Applications
Daleziosa, N. R., & Tyraskis, P. A. (2003). Maximum entropy spectra for regional precipitation analysis and forecasting. Journal of Hydrology, 25-42.
Dursun, M., & Özden, S. (2014). An efficient improved photovoltaic irrigation system with artificial neural network based modeling of soil moisture distribution – A case study in Turkey. Computers and Electronics in Agriculture .
Fenga, L., & Hongb, W. (2007). On hydrologic calculation using artificial neural networks. Applied Mathematics Letters , 453–458.
Fernández, Ó. (1991). El análisis de clúster: aplicación, interpretación y validación. Papers: Revista de sociología , 65-76.
Fukushima, K. (2013). Artificial vision by multi-layered neural networks: Neocognitron and its advances. Neural Networks , 103–119.
Gontijo, W. C. (2007). Avaliação e redimensionamento de redes para o monitoramento fluviométrico utilizando o método sharp e o conceito de entropia
González, F. (2012). Agrupación ecohidrológica de corrientes en la cuenca MagdalenaCauca dentro del marco de referencia ELOHA, empleando mapas autorganizados de Kohonen. Bogotá: Pontificia Univerisidad Javeriana
Gwo-Fong Lin, L.-H. C. (2005). Identification of homogeneous regions for regional frequency analysis using the self-organizing map . Journal of Hydrology .
Hooman Adib, R. H. (2013). Modeling and optimization of FischereTropsch synthesis in the presence of Co (III)/Al2O3 catalyst using artificial neural networks and genetic algorithm. Journal of Natural Gas Science and Engineering , 14-24.
IDEAM. (2007). Diseño de la ampliación de la red hidrometeorológica de Bogotá y cuenca alta del río Tunjuelo. Santafé de Bogotá: IDEAM
IDEAM. (2002). Sistema de información ambiental de Colombia . Bogotá: Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia
J.P. Noonan, P. B. (2007). On estimation error using maximum entropy density estimates. Kybernetes , 52 - 64.
Jain, A., & Kumar, A. M. (2007). Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing , 585-592.
Jung-Woo Kim, Y. A. (2010). Reconstructing missing daily precipitation data using regression trees and artificial neural networks for SWAT stream flow simulation. Journal of Hydrology.
K. Srinivasa Raju, D. N. (2011). Classification of micro watersheds based on morphological characteristics. Journal of Hydro-environment Research, 101-109.
Kalyani, & Swarup. (2011). Particle swarm optimization based K-means clustering approach for security assessment in power systems. Expert Systems with Applications , 10839–10846.
Karabacaka, K., & Cetin, N. (2013). Artificial neural networks for controlling wind–PV power systems: A review. Renewable and Sustainable Energy Reviews .
Kohler Max, L. R. (1977). Hidrología para ingenieros. Bogotá: McGraw-Hill.
Martínez Alfaro, P., Martínez Santos, P., & Castaño, S. (2005). Fundamentos de Hidrogeología. Madrid: Ediciones Mundi-Prensa.
Ministerio de Ambiente y Desarrollo Sostenible. (2005). Plan de ordenación y manejo de la cuenca del río Blanco – Negro – Guayuriba. Bogotá.
Mishra, A. K., Özger, M., & Singh, V. P. (2009). An entropy-based investigation into the variability of precipitation. Journal of Hydrology , 139-154.
Mishra, A., & Coulibaly, P. (2009). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology.
Monsalve Sáenz, G. (1995). Hidrología en la ingeniería. Santafé de Bogotá: Escuela Colombiana de Ingeniería.
Muhammed Ernur Akiner, A. A. (2012). Modeling and forecasting river flow rate from the Melen Watershed, Turkey. Journal of Hydrology , 121–129.
Niño, L., & De Moya, M. (2005). Representación y clasificación de datos geoespaciales usando Redes Neuronales. XXXI Conferencia Latinoamericana de Informática.
OEA. (2010). Manual para el diseño, instalación, operación y mantenimiento de sistemas comunitarios de alerta temprana ante inundaciones. Departamento de Desarrollo Sostenible - Secretaría General de la Organización de los Estados Americanos.
Payandeh Najafabadi, A., Hatami, H., & Najafabadi, M. O. (2011). A maximum-entropy approach to the linear credibility formula. Insurance: Mathematics and Economics.
Puangthongthub, S., Wangwongwatana, S., Kamens, R. M., & Serre, M. L. (2007). Modeling the space/time distribution of particulate matter in Thailand and optimizing its monitoringnetwork. Atmospheric Environment, 7788-7805
Qian-Jin Liu, Z.-H. S.-F.-D. (2013). Modeling the daily suspended sediment concentration in a hyperconcentrated riveron the Loess Plateau, China, using the Wavelet–ANN approach on the Loess Plateau, China, using the Wavelet–ANN approach. Geomorphology, 181–190.
Ribeiro, F., & Bezerra, M. C. (2014). Evaluation of chemical composition of waters associated with petroleum production using Kohonen neural networks. Fuel.
Riccardo Taormina, K.-w. C. (2012). Artificial neural network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering Applications of Artificial Intelligence, 1670–1676
Sambu Seo, K. O. (2004). Self-organizing maps and clustering methods for matrix data. Neural Networks.
Shanon. (1948). A Mathematical Theory of Communication. The Bell System Technical Journal.
Shengwei Wang, J. F. (2011). Application of seasonal time series model in the precipitation forecast. Mathematical and Computer Modelling .
Srinivas, S. T. (2008). Regional flood frequency analysis by combining self-organizing feature map and fuzzy clustering. Journal of Hydrology.
Tomi Kinnunen, I. S. (2011). A distance based clustering method for arbitrary shaped clusters in large datasets. Pattern Recognition Letters.
Vidal Díaz, d. R. (1998). Diseño de tipologías de consumidores mediante la utilización conjunta del Análisis Cluster y otras técnicas multivariantes. Revista española de economía agraria, 75-104.
Vinod, H. D. (2006). Maximum entropy ensembles for time series inference in economics. Journal of Asian Economics.
Weber, T. (2010). Maximum entropy modeling of mature hardwood forest distribution in four U.S. states. Forest Ecology and Management, 779-788
Yegnanarayana. (2006). Artificial neural networks. New Delhi: Prentice-Hall of India.
Zhao, Z., & Zhang, Y. (2011). Design of ensemble neural network using entropy theory. Advances in Engineering Software, 838-845
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10818/10854
dc.identifier.local.none.fl_str_mv 259451
TE06582
identifier_str_mv A. Kheirkhah, A. A. (2013). Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering , 425–441.
A.K. Lohani, R. K. (2012). Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques. Journal of Hydrology, 23–35.
A.K. Mishra, P. C. (2010). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology, 420–437.
Ainslie, B., C. Reuten, D. S., Le, N. D., & Zidek, J. V. (2009). Application of an entropybased Bayesian optimization technique to the redesign of an existing monitoringnetwork for single air pollutants. Journal of Environmental Management, 2715-2729.
Aliguliyev, R. M. (2009). Performance evaluation of density-based clustering methods. Information Sciences .
Ani E. Asimakopoulou, G. J. (2013). Estimation of seasonal variation of ground resistance using Artificial Neural Networks. Electric Power Systems Research , 113–121.
Anish C. Turlapaty, V. G. (2010). Precipitation data fusion using vector space transformation and artificial neural networks. Pattern Recognition Letters .
Aurbacher, J., & Dabbert, S. (2010). Generating crop sequences in land-use models using maximumentropy and Markov chains. Agricultural Systems , 470-479.
Bernal, G., & Gutiérrez, J. (1999). Aplicación de Redes Neuronales en la Programación y Control de la Producciín. Medellín: Universidad EAFIT.
Calisto, O. E. (2002). El aforo de ríos con un punto de velocidad basado en el principio de la máxima entropía. Ingeniería Hidráulica en México , 5-19.
CAR. (2009). Caracterización de usuarios CAR. Bogotá: Subdirección de Gestión Social - CAR
CAR. (2009). Estudio de diagnóstico, prospectiva y formulación para la cuenca hidrográfica del río Minero. Bogotá: Corporación Autónoma Regional de Cundinamarca.
CAR. (2011). Plan de acción 2007- junio 2012. Bogotá: Corporación Autónoma Regional de Cundinamarca.
CAR. (2012). Plan de acción 2012-2015 CAR. Bogotá: Corporación Autónoma Regional de Cundinamarca.
CAR. (2006). Plan de ordenación y manejo de la cuenca hidrográfica del río Bogotá. Bogotá: Corporación Autónoma Regional de Cundinamarca.
Carvalho, F. M. (2008). Clustering constrained symbolic data. Pattern Recognition Letters.
Ching-Hsue Chenga, J.-W. W.-C. (2010). OWA-weighted based clustering method for classification problem. Expert Systems with Applications
Daleziosa, N. R., & Tyraskis, P. A. (2003). Maximum entropy spectra for regional precipitation analysis and forecasting. Journal of Hydrology, 25-42.
Dursun, M., & Özden, S. (2014). An efficient improved photovoltaic irrigation system with artificial neural network based modeling of soil moisture distribution – A case study in Turkey. Computers and Electronics in Agriculture .
Fenga, L., & Hongb, W. (2007). On hydrologic calculation using artificial neural networks. Applied Mathematics Letters , 453–458.
Fernández, Ó. (1991). El análisis de clúster: aplicación, interpretación y validación. Papers: Revista de sociología , 65-76.
Fukushima, K. (2013). Artificial vision by multi-layered neural networks: Neocognitron and its advances. Neural Networks , 103–119.
Gontijo, W. C. (2007). Avaliação e redimensionamento de redes para o monitoramento fluviométrico utilizando o método sharp e o conceito de entropia
González, F. (2012). Agrupación ecohidrológica de corrientes en la cuenca MagdalenaCauca dentro del marco de referencia ELOHA, empleando mapas autorganizados de Kohonen. Bogotá: Pontificia Univerisidad Javeriana
Gwo-Fong Lin, L.-H. C. (2005). Identification of homogeneous regions for regional frequency analysis using the self-organizing map . Journal of Hydrology .
Hooman Adib, R. H. (2013). Modeling and optimization of FischereTropsch synthesis in the presence of Co (III)/Al2O3 catalyst using artificial neural networks and genetic algorithm. Journal of Natural Gas Science and Engineering , 14-24.
IDEAM. (2007). Diseño de la ampliación de la red hidrometeorológica de Bogotá y cuenca alta del río Tunjuelo. Santafé de Bogotá: IDEAM
IDEAM. (2002). Sistema de información ambiental de Colombia . Bogotá: Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia
J.P. Noonan, P. B. (2007). On estimation error using maximum entropy density estimates. Kybernetes , 52 - 64.
Jain, A., & Kumar, A. M. (2007). Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing , 585-592.
Jung-Woo Kim, Y. A. (2010). Reconstructing missing daily precipitation data using regression trees and artificial neural networks for SWAT stream flow simulation. Journal of Hydrology.
K. Srinivasa Raju, D. N. (2011). Classification of micro watersheds based on morphological characteristics. Journal of Hydro-environment Research, 101-109.
Kalyani, & Swarup. (2011). Particle swarm optimization based K-means clustering approach for security assessment in power systems. Expert Systems with Applications , 10839–10846.
Karabacaka, K., & Cetin, N. (2013). Artificial neural networks for controlling wind–PV power systems: A review. Renewable and Sustainable Energy Reviews .
Kohler Max, L. R. (1977). Hidrología para ingenieros. Bogotá: McGraw-Hill.
Martínez Alfaro, P., Martínez Santos, P., & Castaño, S. (2005). Fundamentos de Hidrogeología. Madrid: Ediciones Mundi-Prensa.
Ministerio de Ambiente y Desarrollo Sostenible. (2005). Plan de ordenación y manejo de la cuenca del río Blanco – Negro – Guayuriba. Bogotá.
Mishra, A. K., Özger, M., & Singh, V. P. (2009). An entropy-based investigation into the variability of precipitation. Journal of Hydrology , 139-154.
Mishra, A., & Coulibaly, P. (2009). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology.
Monsalve Sáenz, G. (1995). Hidrología en la ingeniería. Santafé de Bogotá: Escuela Colombiana de Ingeniería.
Muhammed Ernur Akiner, A. A. (2012). Modeling and forecasting river flow rate from the Melen Watershed, Turkey. Journal of Hydrology , 121–129.
Niño, L., & De Moya, M. (2005). Representación y clasificación de datos geoespaciales usando Redes Neuronales. XXXI Conferencia Latinoamericana de Informática.
OEA. (2010). Manual para el diseño, instalación, operación y mantenimiento de sistemas comunitarios de alerta temprana ante inundaciones. Departamento de Desarrollo Sostenible - Secretaría General de la Organización de los Estados Americanos.
Payandeh Najafabadi, A., Hatami, H., & Najafabadi, M. O. (2011). A maximum-entropy approach to the linear credibility formula. Insurance: Mathematics and Economics.
Puangthongthub, S., Wangwongwatana, S., Kamens, R. M., & Serre, M. L. (2007). Modeling the space/time distribution of particulate matter in Thailand and optimizing its monitoringnetwork. Atmospheric Environment, 7788-7805
Qian-Jin Liu, Z.-H. S.-F.-D. (2013). Modeling the daily suspended sediment concentration in a hyperconcentrated riveron the Loess Plateau, China, using the Wavelet–ANN approach on the Loess Plateau, China, using the Wavelet–ANN approach. Geomorphology, 181–190.
Ribeiro, F., & Bezerra, M. C. (2014). Evaluation of chemical composition of waters associated with petroleum production using Kohonen neural networks. Fuel.
Riccardo Taormina, K.-w. C. (2012). Artificial neural network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering Applications of Artificial Intelligence, 1670–1676
Sambu Seo, K. O. (2004). Self-organizing maps and clustering methods for matrix data. Neural Networks.
Shanon. (1948). A Mathematical Theory of Communication. The Bell System Technical Journal.
Shengwei Wang, J. F. (2011). Application of seasonal time series model in the precipitation forecast. Mathematical and Computer Modelling .
Srinivas, S. T. (2008). Regional flood frequency analysis by combining self-organizing feature map and fuzzy clustering. Journal of Hydrology.
Tomi Kinnunen, I. S. (2011). A distance based clustering method for arbitrary shaped clusters in large datasets. Pattern Recognition Letters.
Vidal Díaz, d. R. (1998). Diseño de tipologías de consumidores mediante la utilización conjunta del Análisis Cluster y otras técnicas multivariantes. Revista española de economía agraria, 75-104.
Vinod, H. D. (2006). Maximum entropy ensembles for time series inference in economics. Journal of Asian Economics.
Weber, T. (2010). Maximum entropy modeling of mature hardwood forest distribution in four U.S. states. Forest Ecology and Management, 779-788
Yegnanarayana. (2006). Artificial neural networks. New Delhi: Prentice-Hall of India.
Zhao, Z., & Zhang, Y. (2011). Design of ensemble neural network using entropy theory. Advances in Engineering Software, 838-845
259451
TE06582
url http://hdl.handle.net/10818/10854
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/10818/10854/2/license.txt
https://intellectum.unisabana.edu.co/bitstream/10818/10854/5/Augusto%20Rafael%20Garrido%20Arevalo%20%28carta%29.pdf
https://intellectum.unisabana.edu.co/bitstream/10818/10854/1/Augusto%20Rafael%20Garrido%20Arevalo%28R.A.I.%29.xlsx
https://intellectum.unisabana.edu.co/bitstream/10818/10854/3/Augusto%20Rafael%20Garrido%20ArevaloTESIS.pdf
https://intellectum.unisabana.edu.co/bitstream/10818/10854/4/Augusto%20Rafael%20Garrido%20ArevaloTESIS.pdf.txt
https://intellectum.unisabana.edu.co/bitstream/10818/10854/6/Augusto%20Rafael%20Garrido%20Arevalo%28R.A.I.%29.xlsx.txt
bitstream.checksum.fl_str_mv f52a2cfd4df262e08e9b300d62c85cab
8b61c8ad08932a3dc656166aefec8ec0
36f344f35fc605eb782cbee19638403c
371681e8fe9648af1e0a24f2fc13313e
054ea9fc354567052b75cedb088f945a
5c7cd151f76256a975c5d50307ecb750
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Intellectum Universidad de la Sabana
repository.mail.fl_str_mv contactointellectum@unisabana.edu.co
_version_ 1766695330618802176
spelling Agudelo Otálora, Luis MauricioObregón Neira, NelsonGarrido Arévalo, Augusto RafaelMagíster en Diseño y Gestión de Procesos2014-06-12T15:05:55Z2014-06-12T15:05:55Z20142014-06-12A. Kheirkhah, A. A. (2013). Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering , 425–441.A.K. Lohani, R. K. (2012). Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques. Journal of Hydrology, 23–35.A.K. Mishra, P. C. (2010). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology, 420–437.Ainslie, B., C. Reuten, D. S., Le, N. D., & Zidek, J. V. (2009). Application of an entropybased Bayesian optimization technique to the redesign of an existing monitoringnetwork for single air pollutants. Journal of Environmental Management, 2715-2729.Aliguliyev, R. M. (2009). Performance evaluation of density-based clustering methods. Information Sciences .Ani E. Asimakopoulou, G. J. (2013). Estimation of seasonal variation of ground resistance using Artificial Neural Networks. Electric Power Systems Research , 113–121.Anish C. Turlapaty, V. G. (2010). Precipitation data fusion using vector space transformation and artificial neural networks. Pattern Recognition Letters .Aurbacher, J., & Dabbert, S. (2010). Generating crop sequences in land-use models using maximumentropy and Markov chains. Agricultural Systems , 470-479.Bernal, G., & Gutiérrez, J. (1999). Aplicación de Redes Neuronales en la Programación y Control de la Producciín. Medellín: Universidad EAFIT.Calisto, O. E. (2002). El aforo de ríos con un punto de velocidad basado en el principio de la máxima entropía. Ingeniería Hidráulica en México , 5-19.CAR. (2009). Caracterización de usuarios CAR. Bogotá: Subdirección de Gestión Social - CARCAR. (2009). Estudio de diagnóstico, prospectiva y formulación para la cuenca hidrográfica del río Minero. Bogotá: Corporación Autónoma Regional de Cundinamarca.CAR. (2011). Plan de acción 2007- junio 2012. Bogotá: Corporación Autónoma Regional de Cundinamarca.CAR. (2012). Plan de acción 2012-2015 CAR. Bogotá: Corporación Autónoma Regional de Cundinamarca.CAR. (2006). Plan de ordenación y manejo de la cuenca hidrográfica del río Bogotá. Bogotá: Corporación Autónoma Regional de Cundinamarca.Carvalho, F. M. (2008). Clustering constrained symbolic data. Pattern Recognition Letters.Ching-Hsue Chenga, J.-W. W.-C. (2010). OWA-weighted based clustering method for classification problem. Expert Systems with ApplicationsDaleziosa, N. R., & Tyraskis, P. A. (2003). Maximum entropy spectra for regional precipitation analysis and forecasting. Journal of Hydrology, 25-42.Dursun, M., & Özden, S. (2014). An efficient improved photovoltaic irrigation system with artificial neural network based modeling of soil moisture distribution – A case study in Turkey. Computers and Electronics in Agriculture .Fenga, L., & Hongb, W. (2007). On hydrologic calculation using artificial neural networks. Applied Mathematics Letters , 453–458.Fernández, Ó. (1991). El análisis de clúster: aplicación, interpretación y validación. Papers: Revista de sociología , 65-76.Fukushima, K. (2013). Artificial vision by multi-layered neural networks: Neocognitron and its advances. Neural Networks , 103–119.Gontijo, W. C. (2007). Avaliação e redimensionamento de redes para o monitoramento fluviométrico utilizando o método sharp e o conceito de entropiaGonzález, F. (2012). Agrupación ecohidrológica de corrientes en la cuenca MagdalenaCauca dentro del marco de referencia ELOHA, empleando mapas autorganizados de Kohonen. Bogotá: Pontificia Univerisidad JaverianaGwo-Fong Lin, L.-H. C. (2005). Identification of homogeneous regions for regional frequency analysis using the self-organizing map . Journal of Hydrology .Hooman Adib, R. H. (2013). Modeling and optimization of FischereTropsch synthesis in the presence of Co (III)/Al2O3 catalyst using artificial neural networks and genetic algorithm. Journal of Natural Gas Science and Engineering , 14-24.IDEAM. (2007). Diseño de la ampliación de la red hidrometeorológica de Bogotá y cuenca alta del río Tunjuelo. Santafé de Bogotá: IDEAMIDEAM. (2002). Sistema de información ambiental de Colombia . Bogotá: Instituto de Hidrología, Meteorología y Estudios Ambientales de ColombiaJ.P. Noonan, P. B. (2007). On estimation error using maximum entropy density estimates. Kybernetes , 52 - 64.Jain, A., & Kumar, A. M. (2007). Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing , 585-592.Jung-Woo Kim, Y. A. (2010). Reconstructing missing daily precipitation data using regression trees and artificial neural networks for SWAT stream flow simulation. Journal of Hydrology.K. Srinivasa Raju, D. N. (2011). Classification of micro watersheds based on morphological characteristics. Journal of Hydro-environment Research, 101-109.Kalyani, & Swarup. (2011). Particle swarm optimization based K-means clustering approach for security assessment in power systems. Expert Systems with Applications , 10839–10846.Karabacaka, K., & Cetin, N. (2013). Artificial neural networks for controlling wind–PV power systems: A review. Renewable and Sustainable Energy Reviews .Kohler Max, L. R. (1977). Hidrología para ingenieros. Bogotá: McGraw-Hill.Martínez Alfaro, P., Martínez Santos, P., & Castaño, S. (2005). Fundamentos de Hidrogeología. Madrid: Ediciones Mundi-Prensa.Ministerio de Ambiente y Desarrollo Sostenible. (2005). Plan de ordenación y manejo de la cuenca del río Blanco – Negro – Guayuriba. Bogotá.Mishra, A. K., Özger, M., & Singh, V. P. (2009). An entropy-based investigation into the variability of precipitation. Journal of Hydrology , 139-154.Mishra, A., & Coulibaly, P. (2009). Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology.Monsalve Sáenz, G. (1995). Hidrología en la ingeniería. Santafé de Bogotá: Escuela Colombiana de Ingeniería.Muhammed Ernur Akiner, A. A. (2012). Modeling and forecasting river flow rate from the Melen Watershed, Turkey. Journal of Hydrology , 121–129.Niño, L., & De Moya, M. (2005). Representación y clasificación de datos geoespaciales usando Redes Neuronales. XXXI Conferencia Latinoamericana de Informática.OEA. (2010). Manual para el diseño, instalación, operación y mantenimiento de sistemas comunitarios de alerta temprana ante inundaciones. Departamento de Desarrollo Sostenible - Secretaría General de la Organización de los Estados Americanos.Payandeh Najafabadi, A., Hatami, H., & Najafabadi, M. O. (2011). A maximum-entropy approach to the linear credibility formula. Insurance: Mathematics and Economics.Puangthongthub, S., Wangwongwatana, S., Kamens, R. M., & Serre, M. L. (2007). Modeling the space/time distribution of particulate matter in Thailand and optimizing its monitoringnetwork. Atmospheric Environment, 7788-7805Qian-Jin Liu, Z.-H. S.-F.-D. (2013). Modeling the daily suspended sediment concentration in a hyperconcentrated riveron the Loess Plateau, China, using the Wavelet–ANN approach on the Loess Plateau, China, using the Wavelet–ANN approach. Geomorphology, 181–190.Ribeiro, F., & Bezerra, M. C. (2014). Evaluation of chemical composition of waters associated with petroleum production using Kohonen neural networks. Fuel.Riccardo Taormina, K.-w. C. (2012). Artificial neural network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering Applications of Artificial Intelligence, 1670–1676Sambu Seo, K. O. (2004). Self-organizing maps and clustering methods for matrix data. Neural Networks.Shanon. (1948). A Mathematical Theory of Communication. The Bell System Technical Journal.Shengwei Wang, J. F. (2011). Application of seasonal time series model in the precipitation forecast. Mathematical and Computer Modelling .Srinivas, S. T. (2008). Regional flood frequency analysis by combining self-organizing feature map and fuzzy clustering. Journal of Hydrology.Tomi Kinnunen, I. S. (2011). A distance based clustering method for arbitrary shaped clusters in large datasets. Pattern Recognition Letters.Vidal Díaz, d. R. (1998). Diseño de tipologías de consumidores mediante la utilización conjunta del Análisis Cluster y otras técnicas multivariantes. Revista española de economía agraria, 75-104.Vinod, H. D. (2006). Maximum entropy ensembles for time series inference in economics. Journal of Asian Economics.Weber, T. (2010). Maximum entropy modeling of mature hardwood forest distribution in four U.S. states. Forest Ecology and Management, 779-788Yegnanarayana. (2006). Artificial neural networks. New Delhi: Prentice-Hall of India.Zhao, Z., & Zhang, Y. (2011). Design of ensemble neural network using entropy theory. Advances in Engineering Software, 838-845http://hdl.handle.net/10818/10854259451TE0658296 páginasEn este proyecto se evaluó el diseño de una red pluviométrica a partir de conceptos de entropía de la información y de redes neuronales artificiales. Para ello se analizó la red de estaciones registradas en la Corporación Autónoma Regional de Cundinamarca. La red estudiada está compuesta por 182 estaciones para la medida de la precipitación. Posee una serie histórica que va, en algunos casos, desde 1931 hasta 2012. Abarcó dos fases, en la primera se realizó una clasificación de las estaciones pluviométricas de la región de estudio mediante la aplicación de la técnica de Mapas Auto-organizados. En la segunda fase se evaluó el desempeño de la red mediante la aplicación de conceptos de entropía, teniendo en cuenta la distribución de las estaciones en cada uno de los grupos obtenidos previamente. Nota: Para consultar la carta de autorización de publicación de este documento por favor copie y pegue el siguiente enlace en su navegador de internet: http://hdl.handle.net/10818/10855spaUniversidad de La SabanaMaestría en Diseño y Gestión de ProcesosFacultad de IngenieríaUniversidad de La SabanaIntellectum Repositorio Universidad de La SabanaPluviometría -- (Bogotá) ColombiaAbastecimiento de agua -- (Bogotá) ColombiaLluvia -- (Bogotá) ColombiaAgua -- Almacenamiento -- (Bogotá) ColombiaEvaluación de redes pluviométricas aplicando entropía y redes neuronales artificiales :Caso de estudio región Bogotá - CundinamarcamasterThesisTesis de maestríapublishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_bdcchttp://purl.org/coar/access_right/c_abf2LICENSElicense.txtlicense.txttext/plain; charset=utf-8498https://intellectum.unisabana.edu.co/bitstream/10818/10854/2/license.txtf52a2cfd4df262e08e9b300d62c85cabMD52Augusto Rafael Garrido Arevalo (carta).pdfAugusto Rafael Garrido Arevalo (carta).pdfapplication/pdf114325https://intellectum.unisabana.edu.co/bitstream/10818/10854/5/Augusto%20Rafael%20Garrido%20Arevalo%20%28carta%29.pdf8b61c8ad08932a3dc656166aefec8ec0MD55ORIGINALAugusto Rafael Garrido Arevalo(R.A.I.).xlsxAugusto Rafael Garrido Arevalo(R.A.I.).xlsxapplication/vnd.openxmlformats-officedocument.spreadsheetml.sheet26454https://intellectum.unisabana.edu.co/bitstream/10818/10854/1/Augusto%20Rafael%20Garrido%20Arevalo%28R.A.I.%29.xlsx36f344f35fc605eb782cbee19638403cMD51Augusto Rafael Garrido ArevaloTESIS.pdfAugusto Rafael Garrido ArevaloTESIS.pdfVer documento en PDFapplication/pdf3668639https://intellectum.unisabana.edu.co/bitstream/10818/10854/3/Augusto%20Rafael%20Garrido%20ArevaloTESIS.pdf371681e8fe9648af1e0a24f2fc13313eMD53TEXTAugusto Rafael Garrido ArevaloTESIS.pdf.txtAugusto Rafael Garrido ArevaloTESIS.pdf.txtExtracted Texttext/plain97https://intellectum.unisabana.edu.co/bitstream/10818/10854/4/Augusto%20Rafael%20Garrido%20ArevaloTESIS.pdf.txt054ea9fc354567052b75cedb088f945aMD54Augusto Rafael Garrido Arevalo(R.A.I.).xlsx.txtAugusto Rafael Garrido Arevalo(R.A.I.).xlsx.txtExtracted texttext/plain18131https://intellectum.unisabana.edu.co/bitstream/10818/10854/6/Augusto%20Rafael%20Garrido%20Arevalo%28R.A.I.%29.xlsx.txt5c7cd151f76256a975c5d50307ecb750MD5610818/10854oai:intellectum.unisabana.edu.co:10818/108542019-11-14 10:48:26.439Intellectum Universidad de la Sabanacontactointellectum@unisabana.edu.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

Publicaciones similares