Show simple item record

dc.creatorDe La Parra Tovar, Ernesto Ricardo
dc.creatorTurizo Martínez, Jesús Isaac
dc.date.accessioned2021-01-29T21:08:23Z
dc.date.available2021-01-29T21:08:23Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/11323/7804
dc.descriptionIngeniería Civilspa
dc.description.abstractA long term forecast of river levels is beneficial for entities in charge of preparing control measures, flood risk prevention, as well as for other entities interested in these long term level forecasts. The objective of this research project is to implement a long term hydrological model, these models will be made through the use of the ARIMA function in its "AR" or auto-regression form, also the model based on an artificial neural network (RNA) of multilayer perception type will be implemented, when implementing these two models it is sought to measure their efficiency by means of the coefficient of efficiency NSE, its quadratic error RMSE, finally, the Mann-Kendall analysis will identify sets of trends in the input data obtained from the IDEAM database, each of these parameters will help to define which forecast model has a better behavior in relation to its real data. Discussions and conclusions will be drawn from these forecasts and the parameters used to measure their efficiency and error.spa
dc.description.abstractUn pronóstico de largo plazo de los niveles del río es beneficioso para las entidades encargadas de la preparación de medidas de control, prevención del riesgo de inundaciones, como también para otras entidades interesadas en estos pronósticos de niveles a largo plazo. El objetivo de este proyecto de investigación es implementar un modelo hidrológico de largo plazo, estos modelos se realizarán a través del uso de la función ARIMA en su forma “AR” o auto regresiva, también se implementará el modelo basado en una red neuronal artificial (RNA) de tipo perceptrón multicapa, al implementar estos dos modelos se busca medir su eficiencia por medio del coeficiente de eficiencia NSE, su error cuadrático RMSE, finalmente el análisis Mann-Kendall el cual permitirá identificar conjuntos de tendencias en los datos de entrada de nivel del rio obtenidos por medio de la base de datos del IDEAM, cada uno de estos parámetros serán de ayuda para definir qué modelo de pronóstico presenta un mejor comportamiento en relación a su dato real, se plantearan discusiones y conclusiones a partir de estos pronósticos arrojados y los parámetros usados para medir su eficiencia y error.spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherCorporación Universidad de la Costaspa
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectForecastspa
dc.subjectLevelspa
dc.subjectArimaspa
dc.subjectRNAspa
dc.subjectModelspa
dc.subjectHydrologicalspa
dc.subjectDataspa
dc.subjectTrendspa
dc.subjectPronósticospa
dc.subjectNivelspa
dc.subjectModelospa
dc.subjectHidrológicospa
dc.subjectDatosspa
dc.subjectTendenciaspa
dc.titleModelación hidrológica de largo plazo en la cuenca baja del Río Magdalenaspa
dc.typebachelorThesisspa
dcterms.referencesALCALDIA MUNICIPAL DE EL BANCO, MAGDALENA. (20 de 03 de 2018). ALCALDIA MUNICIPAL DE EL BANCO, MAGDALENA. Obtenido de GEOGRAFÍA: http://www.elbanco-magdalena.gov.co/spa
dcterms.referencesCAMELO, F. A. (2009). Predicción de niveles del río Magdalena usando sistemas adaptativos basados en conocimiento. BOGOTÁ: UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS- FACULTAD DE INGENIERÍA.spa
dcterms.referencesCasimiro, P. G. (s.f.). Análisis de Series Temporales: Modelos ARIMA. Sarriko-on, 169.spa
dcterms.referencesChengguang, L., Ruida, Z., Zhaoli , W., Xiaoqing , W., Xiaohong , C., Peng Wang, W., & Yanqing , L. (2019). Monitoring hydrological drought using long-term satellite-based precipitation data. ELSEVIER.spa
dcterms.referencesCormagdalena. (5 de Mayo de 2016). Obtenido de http://dc02eja.cormagdalena.gov.co/index.php?idcategoria=145spa
dcterms.referencesDi , L., zhongbo, Y., & Lv , h. (2010). Data assimilation using support vector machines and ensemble kalman filter for multi-layer soil moisture prediction. Water Science and Engineering.spa
dcterms.referencesDÍAZ, A. F. (2019). MODELO SARIMA PARA EL PRONÓSTICO DEL NIVEL DEL RÍO MAGDALENA A LA ALTURA DEL MUNICIPIO DE BARRANCABERMEJA. Bogotá: FUNDACIÓN UNIVERSITARIA LOS LIBERTADORES - FACULTAD DE INGENIERÍA Y CIENCIAS BÁSICAS .spa
dcterms.referencesDomínguez Calle, E., & Lozano Báez, S. (2014). Estado del arte de los sistemas de alerta temprana en Colombia. Revista Colombiana de ciencias, 12.spa
dcterms.referencesDuffo, E. B. (s.f.). Banrepcultural. Obtenido de www.banrepcultural.orgspa
dcterms.referencesE. Dominguez, H. A. (2010). Viabilidad para pronósticos hidrológicos de niveles diarios,semanales y decadales en colombia. Ingenieria e investigación, 30, 178-187.spa
dcterms.referencesEstrada, V. , & Pacheco, R. (2002). Modelación hidrológica con HEC-HMS en cuencas montañosas de la región oriental de Cuba.spa
dcterms.referencesEstrela, T. (1992). Modelos matematicos para la evaluacion de recursos hidricos. Madrid: Centro de estudios y experimentacion de obras publicas.spa
dcterms.referencesFernández Mejuto, M., Vela Mayorga, A., & Castaño Fernández, S. (s.f.). La utilización de modelos en hidrologia. Revista de la Facultad de Educación de Albacete, 13.spa
dcterms.referencesGARCÍA, J. F. (2006). UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA FUNDAMENTOS PARA LA IMPLEMENTACIÓN DE RED NEURONAL PERCEPTRÓN MULTICAPA MEDIANTE SOFTWARE. Guatemala: UNIVERSIDAD DE SAN CARLOS DE GUATEMALA .spa
dcterms.referencesGARCIA, T. Y., & GARCIA, Y. B. (2014). MODELACIÓN DE PRONÓSTICOS HIDROLÓGICOS PARA NIVELES DE AGUA EN TIEMPO REAL PARA EL RÍO SAN JORGE, CON FINES DE GESTIÓN DEL RIESGO POR INUNDACIONES EN EL MUNICIPIO DE AYAPEL CÓRDOBA. BOGOTA: UNIVERSIDAD SANTO TOMÁS.spa
dcterms.referencesgarzon, P. a. (2008). Aplicación de técnicas de inducción de árboles de decisión a problemas de clasificación mediante el uso de weka (waikato environment for knowledge analysis). Bogota: FUNDACIÓN UNIVERSITARIA KONRAD LORENZ.spa
dcterms.referencesHernadez, S. D. (2009). MODELO ARIMA(p,d,q). Madrid: Facultad Ciencias Económicas y Empresariales.spa
dcterms.referencesIDEAM. (2014). Obtenido de http://www.ideam.gov.co/web/agua/modelacion-hidrologicaspa
dcterms.referencesMohammad Valipour , Mohammad Ebrahim Banihabib, & Mahmood Reza Behbahani, S. (2012). Comparison of the ARMA, ARIMA, and the autoregressive artificial neural. Journal of Hydrology, 9.spa
dcterms.referencesNiu, W., Feng, Z., Zeng, M., Feng, B., Min, Y., Cheng, C., & Zhou, J. (2019). Forecasting reservoir monthly runoff via ensemble empirical mode decomposition and extreme learning machine optimized by an improved gravitational search algorithm. Applied Soft Computing. doi:https://doi.org/10.1016/j.asoc.2019.105589spa
dcterms.referencesOMM . (2006). REGLAMENTO TÉCNICO (OMM-N° 49). En HIDROLOGÍA (Vol. III, pág. CAPITULO D.1.3). GINEBRA,SUIZA.spa
dcterms.referencesPONCE, V. M. (1989). Engineering Hydrology. Prentice Hall.spa
dcterms.referencesQuisbert, N. C. (1997). MODELOS ARIMA. Revista Ciencia y Cultura, 8.spa
dcterms.referencesReyes Benavides, C. A. (agosto de 2012). Proyección a largo plazo de variables hidrológicas diarias a largo plazo en la cuenca del río Tinguiririca en Bajo Los Briones, bajo escenarios A1B y A2 de cambio climático. repositorio academico, UNIVERSIDAD DE CHILE, 73. Recuperado el 20 de 04 de 2019, de http://repositorio.uchile.cl/handle/2250/112018spa
dcterms.referencesSainlez, G. H. (2011). 21st European Symposium on Computer Aided Process Engineering.spa
dcterms.referencesSánchez, A. N. (2016). INTEGRACIÓN DEL CONCEPTO DE VARIABILIDAD HIDROCLIMÁTICA EN. Bogotá.spa
dcterms.referencesShalamu ABUDU, C.-l. C. (2010). Comparison of performance of statistical models in forecasting monthly streamflow of Kizil River, China. Water Science and Engineering,, 269-281.spa
dcterms.referencesVen Te Chow, Maidment, D., & Mays, L. (2000). HIDROLOGIA APLICADA. Santa Fe de Bogota: Mac Graw Hill.spa
dcterms.referencesXiao ling, W., Xiao hua , X., Li , L., & Chuan hai, W. (2014). Water level updating model for flow calculation of river networks. Water Science and Engineering.spa
dcterms.referencesZbigniew W. Kundzewicz, & Robson, A. (2000). Detecting trend and other changes in hydrological data. Geneva: The WCP implemented by WMO in conjunction with other international organizations consists of four major components: The World Climate Data and Monitoring Programme (WCDMP) The World Climate Applications and Services Programme.spa
dc.contributor.tutorCardona Almeida, César
dc.contributor.tutorCanales Vega, Fausto
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersionspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-ShareAlike 4.0 International
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-ShareAlike 4.0 International