| Journal: | Tecnología y ciencias del agua |
| Database: | PERIÓDICA |
| System number: | 000409718 |
| ISSN: | 0187-8336 |
| Authors: | Kan, Guangyuan1 He, Xiaoyan1 Ding, Liuqian1 Li, Jiren1 Hong, Yang2 Ren, Minglei1 Lei, Tianjie1 Liang, Ke3 Zuo, Depeng4 Huang, Pengnian5 |
| Institutions: | 1China Institute of Water Resources and Hydropower Research, State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin, Beijing. China 2Tsinghua University, Department of Hydraulic Engineering, Beijing. China 3Hohai University, College of Hydrology and Water Resources, Nanjing, Jiangsu. China 4Beijing Normal University, College of Water Sciences, Beijing. China 5Nanjing University of Information Sciences & Technology, College of Hydrometeorology, Nanjing, Jiangsu. China |
| Year: | 2017 |
| Season: | Mar-Abr |
| Volumen: | 8 |
| Number: | 2 |
| Pages: | 51-60 |
| Country: | México |
| Language: | Inglés |
| Document type: | Artículo |
| Approach: | Aplicado, descriptivo |
| Spanish abstract | La simulación de caudales diarios se ha implementado por lo general mediante modelos hidrológicos distribuidos o conceptuales. En la actualidad, los datos hidrológicos, que pueden obtenerse con facilidad de sistemas automáticos de medición, son más que suficientes. Por lo tanto, el aprendizaje automático (machine learning) se ha convertido en una herramienta eficaz y popular, muy adecuada para la tarea de simulación de caudales. En este trabajo se propone un método de aprendizaje automático mejorado denominado modelo PKEK, basado en el modelo NU-PEK, previamente propuesto para generar resultados de simulación de flujo diario más precisos y estables. Los resultados de la comparación entre el modelo PKEK y el modelo NU-PEK indican que el modelo mejorado ofrece mayor exactitud y estabilidad, y tiene un excelente potencial de aplicación en la simulación de caudales diarios |
| English abstract | Daily streamflow simulation has usually been implemented by conceptual or distributed hydrological models. Nowadays, hydrological data, which can be easily obtained from automatic measuring systems, are more than enough. Therefore, machine learning turns into an effective and popular tool which is highly suited for the streamflow simulation task. In this paper, we propose an improved machine learning method referred to as PKEK model based on the previously proposed NU-PEK model for the purpose of generating daily streamflow simulation results with better accuracy and stability. Comparison results between the PKEK model and the NU-PEK model indicated that the improved model has better accuracy and stability and has a bright application prospect for daily streamflow simulation tasks |
| Disciplines: | Geociencias, Ciencias de la computación |
| Keyword: | Hidrología, Modelos hidrológicos, Simulación de caudales, Pronóstico de inundaciones, Aprendizaje de máquinas, Optimización global |
| Keyword: | Earth sciences, Computer science, Hydrology, Hydrological models, Streamflow simulation, Flood forecasting, Machine learning, Global optimization |
| Full text: | Texto completo (Ver HTML) |
