Traducido del inglés al español - www.onlinedoctranslator.
com
Previsión de caudales mediante máquina heurística
metodos de aprendizaje
Rana Muhammad Adnan Zhong Min Liang
Facultad de Hidrología y Agua Facultad de Hidrología y Agua
Recursos Recursos
Universidad Hohai, Universidad Hohai,
Nankín 210098, China Nankín 210098, China
rana@hhu.edu.cn zmliang@hhu.edu.cn
Anurag Malik
Özgur Kisi
Estación de Investigación Regional
escuela de tecnologia
Universidad Agrícola de Punjab
Universidad Estatal de Ilia
Bathinda-151001, Punjab, INDIA
Tbilisi, Georgia
anuragmalik_swce2014@rediffmail.co
ozgur.kisi@iliauni.edu.ge
metro
Abstracto— La previsión de caudales es vital para diseñar y
gestionar sistemas de recursos hídricos. Este estudio evalúa la
precisión de la predicción de dos métodos heurísticos, el algoritmo
genético de red neuronal artificial (ANN-GA) y el algoritmo genético
del sistema de inferencia neurodifusa adaptativo (ANFIS-GA) en la
predicción del caudal utilizando datos mensuales del caudal de los
ríos Neelum y Kunhar de Pakistán. La capacidad de predicción de dos
métodos se prueba utilizando diferentes combinaciones de entrada
de retardos de tiempo utilizando indicadores estadísticos y se
compara con el modelo de árbol de regresión M5 (M5RT). En los
resultados, se encuentra que ANN-GA y ANFIS-GA proporcionaron una
mejor precisión de predicción que el modelo M5RT. La adición del
número de meses mostró un efecto positivo de la periodicidad en la
precisión de la predicción de los modelos.
Palabras clave: ANN-GA, previsión de caudales, ANFIS-GA,
M5RT, río Kunhar, río Neelum
yo yoNTRODUCCIÓN(hEADING1)
La disponibilidad de datos sobre el caudal de los ríos constituye uno
de los temas más desafiantes en la gestión y planificación de los recursos
hídricos. Los registros de datos de caudales a largo plazo se requieren
principalmente para la predicción de períodos secos y húmedos
relacionados con las necesidades de agua para riego [1], diseño y
planificación de plantas hidroeléctricas, asignación de caudales
ambientales, evaluación de la alteración hidrológica en ríos alterados [2],
predicción de inundaciones. y caracterización geomorfológica de ríos a
largo plazo, entre otros [3]. Aunque los avances tecnológicos han
mejorado significativamente el monitoreo del caudal empleando sensores
de bajo costo [4], las áreas aún remotas y los países subdesarrollados
apenas están cubiertos incluso por este tipo de equipos de bajo costo.
Aunque, durante décadas, los investigadores han aplicado diferentes
métodos empíricos y físicos para predecir el flujo de corrientes en
diferentes resoluciones temporales y escalas espaciales.
Sin embargo, la mayoría de esos modelos son aplicables
principalmente a escala de cuenca o regional y son sensibles a las
características geomorfológicas de la unidad donde se aplican [5]. En
estas circunstancias, la aplicación del algoritmo inteligente ha mostrado
un gran potencial en diferentes subcampos de la hidrología y los recursos
hídricos [6]. Razaví Termeh, et al. [7], aplicaron cuatro modelos
inteligentes para predecir la susceptibilidad a las inundaciones y
descubrieron que los sistemas de inferencia neurodifusa adaptativa
(ANFIS) y la optimización del enjambre de partículas (PSO) resultaron ser
más robustos en términos de producir mapas de susceptibilidad a las
inundaciones de alta precisión. En el estudio de Yaseen, et al. [8], fue
978-1-7281-5467-1/20/$31.00 ©2020 IEEE
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
Alban Kuriqi
CERIS, Instituto Técnico Superior
Universidad de Lisboa
Lisboa 1049-001, Portugal
alban.kuriqi@tecnico.ulisboa.pt
Binquan Li
Facultad de Hidrología y Agua
Recursos
Universidad Hohai,
Nankín 210098, China
libinquan@hhu.edu.cn
descubrió que ANFIS integrado con modelos difusos de agrupación
de datos C-Means (FCM), partición de cuadrícula (GP) y agrupación
sustractiva (SC) podría proporcionar un resultado bastante
satisfactorio en la predicción de la calidad del agua de los ríos. Los
modelos inteligentes también se han aplicado con éxito en procesos
altamente impredecibles como el transporte de sedimentos en
suspensión [9]. Como se informa en la literatura, los modelos más
comúnmente aplicados son los modelos basados en ANFIS. Sin
embargo, los siguientes modelos: ANFIS combinado con Algoritmo
Genético (GA), Red Neural Artificial (ANN) y Árbol de Regresión
Modelo 5 (M5RT), aunque han mostrado un gran potencial en otros
temas, todavía han sido poco investigados en cuanto a la predicción
de caudales. Rezakazemi, et al. [10] informaron un desempeño
satisfactorio de la aplicación ANFIS-GA para evaluar membranas de
matriz mixta de H2. Algunos de los pocos estudios que aplicaron
ANFIS-GA a la predicción del caudal o temas relacionados son el
estudio de Zamani Sabzi, et al. [11] sobre los sistemas de
inundaciones, predicción de la radiación solar diaria [12], predicción
de la temperatura del aire [13] y evaluación de la calidad de los ríos
[14]. Mientras tanto, ANN-GA ha mostrado un rendimiento excelente
en el caudal mensual [15], la evapotranspiración [16], el transporte
de sedimentos [9], la sequía [17] y una predicción sólida de los
residuos sólidos.
[18]. Finalmente, M5RT, aunque se encuentra entre los modelos
inteligentes escasamente aplicados en el campo de los recursos hídricos
todavía hay pocas aportaciones esenciales por parte de otros
investigadores. Kisi [19] aplicó M5RT para la evaluación de la
evapotranspiración de referencia y la predicción de la velocidad del viento
[20]. Hasta donde sabemos, no existe ningún estudio publicado que
compare tres de estos modelos entre sí para investigar su potencial y
precisión en el caso de la predicción del caudal. Por lo tanto, este estudio
también, apoyado en las conclusiones de trabajos anteriores, pretende
aportar nuevos conocimientos en el campo de los recursos hídricos y la
hidrología; particularmente en el caso de una tarea desafiante como la
predicción del caudal.
II. METROETODOLOGÍA
A. Modelo híbrido de red neuronal artificial-algoritmo
genético (ANN-GA)
La aplicación de un modelo ANN simple tiene varias desventajas,
como (i) el período de entrenamiento consume mucho tiempo, (ii) la
molesta convergencia hacia la solución local en lugar de la solución
global óptima, y (iii) requiere una gran cantidad de parámetros. Por
lo tanto, la utilización de un algoritmo evolutivo como el Algoritmo
Genético (GA) integrado con
ANN es el remedio para superar estas desventajas y aumentar el
rendimiento de ANN [21]-[22]. La Figura 1 demuestra el modelo
híbrido ANN-GA implementado en esta investigación para el
pronóstico mensual del caudal en los ríos Kunhar y Neelum. Los
parámetros de GA, como la selección (generación aleatoria de la
población inicial de cromosomas y evaluación de la función de
aptitud de cada cromosoma), el cruce y la mutación, se
decidieron mediante el procedimiento de prueba y error (Fig. 1).
En las últimas dos décadas, se ha encontrado la plena aplicación
de los modelos híbridos ANN-GA en diversos campos de la
ingeniería [23]-[25].
Fig. 1. Arquitectura del modelo híbrido ANN-GA
B. Modelo híbrido adaptativo de sistema de inferencia
neuro-difuso-algoritmo genético (ANFIS-GA)
Para resolver problemas complejos, la integración adecuada
del sistema de inteligencia artificial es crucial [26]. Esta
investigación empleó el sistema híbrido de inferencia neuro-
difusa adaptativa (ANFIS) optimizado con el algoritmo genético
(ANFIS-GA) para el pronóstico mensual del caudal de los ríos
Kunhar y Neelum. En la figura 2, estructura del modelo híbrido
ANFIS-GA compuesto de cinco capas (es decir, capa 1: una capa
de entrada, capa 2: capa de fusificación, capa 3: capa de reglas,
capa 4: capa de normalización y capa 5: capa de desfusificación) .
El concepto de ANFIS fue propuesto por Jang [27] integrando la
ANN y el sistema de inferencia difusa (FIS) en un solo marco para
utilizar las ventajas de ambas técnicas. La regla SI-ENTONCES se
utiliza para explicar la relación entre las variables de entrada y
salida. Recientemente, el modelo ANFIS-GA recibió aplicaciones
más amplias en diversos campos de la ciencia y la ingeniería [28]-
[30].
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
Fig. 2. Modelo híbrido típico de ANFIS-GA
C. Modelo de árbol de regresión M5 (M5RT)
Para resolver problemas complejos, Quinlan {Formatting
Citation} anunció por primera vez la integración adecuada del
concepto de modelo de árbol de regresión M5 (M5RT), que es un
modelo jerárquico que depende de un marco de decisión
binario. Emplea el principio de regresiones lineales en los nodos
terminales (hoja) para construir la relación lineal entre los
parámetros de entrada y salida dividiendo el espacio de
parámetros en subespacios (Fig. 3). En la generación del modelo
M5RT se requieren dos etapas: el proceso (i) la primera etapa
comprende dividir los datos de entrada/salida en subconjuntos y
desarrollar un árbol de decisión basado en la reducción de la
desviación estándar (SDR), y (ii) la segunda etapa incluye la poda
del árbol crecido (muestra). ) ajustando las funciones de
regresión lineal {Formatting Citation}. El DEG se calcula
utilizando la siguiente expresión [31]:
- - ----
donde, T = un conjunto de ejemplos que llega a los nodos, el=
subconjunto de ejemplos que tienen elithresultado del conjunto
potencial, yDakota del Sur=Desviación Estándar. Hoy en día, el
modelo M5RT ha recibido una aplicación práctica en ingeniería
hidrológica [32]–[38].
Fig. 3. Estructura del modelo M5RT
III. CPlaza bursátil norteamericanaÁREA DE ESTUDIO Y DESEMPEÑO
INDICADORES
Para este estudio, se utilizan datos mensuales de descarga
de los ríos Kunhar y Neelum, Pakistán (figura 4). La Tabla 1
resume la información breve sobre las propiedades estadísticas
del caudal. Como se ve en la tabla, el río Neelum tiene mucho
volumen de agua con mayor asimetría que el río Kunhar
(consulte los rangos de caudal y los coeficientes de asimetría que
se proporcionan en la tabla). La otra información importante se
ve en la tabla que los valores mínimos del caudal en la fase de
entrenamiento/validación son más altos que los de la fase de
prueba. Esto puede causar dificultades a los modelos para captar
el bajo caudal en la fase de prueba. Los valores de caudal
anteriores se utilizaron como
entradas a los tres métodos, y también se investigó el efecto del Estación Datos Promedio mx Minnesota Sk Calle

componente de periodicidad (número de mes de la salida). Las colocar

siguientes estadísticas y coeficiente de determinación (R2) se Prueba.

96.0 358 13.7 1.20 85,8
utilizaron para evaluar los métodos aplicados.
Tren
338,4 1306 41,5 0,98 312,9

neelum Válido
333.0 1319 44.2 1.10 308.9
Río
- - ---- Prueba.
288,9 1064 33,6 1.12 261,9

a. Avg, Mx, Mn, Sk y St denotan la media, el máximo, el mínimo, el coeficiente de asimetría y el estándar
desviación, respectivamente.

- - ---- De la Tabla 2 se desprende que la ANN-GA (RMSE:

Donde N es el número de datos,
es un flujo modelado.
31,16 metros3/s, MAE: 18,67m3/s y R2: 0,891) y ANFIS-GA
(RMSE: 30,57 m3/s, MAE: 19,99m3/s y R2: 0,884) con tres
se observa caudal,
entradas anteriores de caudal y periodicidad tiene casi la
misma precisión y supera al M5RT (RMSE: 40,73 m3/s,
MAE: 25,18m3/s y R2: 0,821) modelo. La menor precisión
del modelo M5RT debería ser la estructura lineal de este
modelo. También se observa en la tabla que la
periodicidad aumenta en cierta medida la eficiencia de los
modelos para los métodos ANN y ANFIS; por ejemplo, el
RMSE desde 34,37 m3/s a 31,16 m3/s para la ANN-GA y
desde 34,70 m3/s a 30,57 m3/s para ANFIS-GA.

TABLA II. tÉLRMSE, MAEYR2ESTADÍSTICAS DEANN-GA,

ANFIS-GAYM5RTMODELOS QUE UTILIZAN DIFERENTES DESCARGAS DE LOS RÍOS
COMBINACIONES DE ENTRADA-kUNHARRIVER

Modelo Modelo Periodo de validación Período de prueba

entradas
RMa MAE R2 RMa MAE R2
En 1 59,4 45,6 0,618 53.1 40,5 0,618

En 2 46.1 27,8 0,769 35,5 23.8 0,829

ANN-GA

En 3 45,7 26.1 0,776 34.3 22.2 0.843

En4 43.1 24.0 0.808 31.1 18.6 0.891

Promedio 48,5 30,8 0.743 38,5 26.3 0,795

En 1 61.3 47,6 0.607 54,5 42.1 0.605

En 2 46.3 29.2 0,767 35,9 24,5 0,828

ANFIS-GA

En 3 49.0 29.1 0.743 34,7 22.6 0,839

Fig. 4. Mapa de ubicación de las cuencas Neelum y Kunhar.
En4 50,8 29.4 0,752 30,5 19.9 0,884

IV. RESULTADOS Y DISCUSIÓN Promedio 51,8 33,8 0.717 38,9 27.3 0,789

En este estudio, se examina la capacidad de los modelos ANN- En 1 65,4 49,4 0.541 57.1 45.3 0.565
GA, ANFIS-GA y M5RT en la predicción del caudal. Antes de aplicar
En 2 57,9 31,7 0,647 40,8 26,7 0.783
tres métodos, los datos se dividieron en tres partes: entrenamiento,
M5RT

validación y prueba. Se utilizó el mismo algoritmo evolutivo, GA, para En 3 48,8 26.1 0.750 41,5 26.2 0,779
la calibración de los modelos ANN y ANFIS para ver la diferencia de
En4 50.2 27,7 0.745 40,7 25.1 0.821
eficiencia entre ellos. Los resultados de la validación y las pruebas de
los métodos aplicados se dan en la Tabla 2 para el río Kunhar. Como Promedio 55,6 33,7 0,671 45.0 30,8 0,737

se ve en la tabla, se utilizaron las entradas que incluyen el caudal de 1 a. RM denota el RMSE.

a 3 rezagos, y también se agregó el valor de periodicidad (α) a los 3.

tercero
La Tabla 3 proporciona las estadísticas de validación y
combinación de entradas para ver su efecto en la eficiencia de los modelos. prueba de los métodos empleados con respecto a RMSE,
MAE y R.2para el río Neelum. Se ve que el mejor modelo ANN-
TABLA I. METROESTADÍSTICAS ÚNICAS DE STREAMFLOW DEkUNHARRIVER GA con tres entradas previas de caudal y periodicidad (RMSE:
YnorteEELUMRIVER 114,4 m3/s, MAE: 72,45m3/s y R2: 0,870) funciona mejor que el
Estación Datos Promedio mx Minnesota Sk Calle
ANFIS-GA (RMSE: 118,6 m3/s, MAE: 74,01m3/s y R2: 0,837) y
colocar M5RT (RMSE: 121,7 m3/s, MAE: 81,07m3/s y R2: 0,821)
Tren modelos.
99,4 403 18.8 1.12 90.0
Kunhar
Río Válido
111,6 409 18.2 1.10 95,3 En esta estación, la entrada de periodicidad mejora la precisión
de los tres modelos; por ejemplo, el RMSE desde 120,6 m3/s

Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
a 114,4m3/s para la ANN-GA, desde 122,3 m3/s a 118,6 m3/s
para el ANFIS-GA y desde 137,0 m3/s a 121,7 m3/s para el
M5RT. La diferencia entre ANN-GA y ANFIS-GA o ANFIS-GA y
M5RT no es mucha para este río. Para este río, se puede
decir que el M5RT también es una buena alternativa para la
predicción del caudal. La principal ventaja de este método en
comparación con ANN y ANFIS es su capacidad para
proporcionar ecuaciones explícitas que pueden usarse
fácilmente en aplicaciones prácticas.

TABLA III. tÉLRMSE, MAEYR2ESTADÍSTICAS DEANN-GA,

ANFIS-GAYM5RTMODELOS QUE UTILIZAN DIFERENTES DESCARGAS DE LOS RÍOS
COMBINACIONES DE ENTRADA-norteEELUMRIVER

Modelo Modelo Periodo de validación Período de prueba

entradas
RMa MAE R2 RMa MAE R2
En 1 188,5 143,4 0,63 164,4 125 0,61

En 2 132,7 83.04 0,81 122,6 80.1 0,80

ANN-GA

En 3 119.1 74.21 0,85 120,6 76,4 0,81

En4 92,90 53,86 0,91 114.4 72,4 0,87

Promedio 133.3 88,62 0,81 130,5 88,5 0,77

En 1 195,6 145,6 0,61 176,8 131 0,60 Fig. 5. Diagramas de dispersión temporal de las descargas fluviales
En 2 144,4 94,57 0,78 124,5 82,7 0,79 observadas y previstas por ANN-GA, ANFIS-GA y M5RT en el período
ANFIS-GA

de prueba del río Kunhar

En 3 132,8 78,99 0,81 122,3 77,6 0,81

En4 112.2 63,41 0,87 118,6 74.0 0,83 La otra cuestión importante que se debe tener en cuenta es
que el proceso de aprendizaje de ANN-GA y ANFIS-GA lleva
Promedio 146.2 95,64 0,77 135,5 91,4 0,76
mucho más tiempo y requiere más memoria y no tienen
En 1 217.1 148.2 0,54 201.9 143 0,51 ecuaciones explícitas en comparación con M5RT. Esto hace que
En 2 143,7 85.20 0,79 131.1 83,9 0,78 M5RT sea más beneficioso para las aplicaciones prácticas. ANFIS-
GA también tiene una estructura más compleja y más
M5RT

En 3 140.3 83,28 0,81 137.0 83,9 0,78 parámetros para calibrar y requiere mucho más tiempo para el
En4 122,4 71,40 0,84 121,7 81.1 0,82 proceso de capacitación en comparación con ANN-GA. Por lo
tanto, en la práctica puede preferirse este último método.
Promedio 155,8 97.02 0,74 147,9 98.1 0,72
a. RM denota el RMSE.

La Figura 5 compara los diagramas de dispersión de las

estimaciones de los modelos para la estación Kunhar, y de la figura
se desprende que tanto el modelo ANN como el ANFIS tienen
estimaciones menos dispersas con R más alto.2que el modelo M5RT.
La Figura 6 ilustra el diagrama de dispersión temporal del caudal
observado y estimado mediante tres métodos de aprendizaje
automático para la estación Neelum.
Las diferencias entre los tres métodos quedan claras en estas
figuras, y está claro que todos los modelos ANN-GA y ANFIS-GA
proporcionaron mejores resultados que el modelo M5RT. La razón de
esto podría ser la estructura lineal del modelo M5RT y la capacidad
de capturar fenómenos no lineales mediante los modelos heurísticos
ANN-GA y ANFIS-GA.

Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.

Higo. 6. Diagramas de dispersión de tiempo de lo observado y predicho.
Descargas fluviales de ANN-GA, ANFIS-GA y M5RT en el período
de prueba del río Kunhar
Hadi y Tombul [39] predijeron los caudales mensuales
aplicando modelos de combinación de ondas continuas de
programación genética multigénica y los modelos óptimos
proporcionados R2cubriendo el rango [0.901-0.955].
Honorato et al. [40] utilizaron ANN única y ANN combinadas
con transformada wavelet discreta (NNW) para pronosticar el
caudal mensual y obtuvieron un coeficiente de correlación (R) de
0,945 (y R2: 0,893) en fase de prueba. De las tablas 2 y 3 se
desprende claramente que los modelos implementados
proporcionaron una buena precisión en comparación con
estudios anteriores.
CONCLUSIÓN V
Se examinó y comparó la capacidad de predicción de dos métodos
heurísticos, ANN-GA y ANFIS-GA para predecir el caudal mensual de las
cuencas de los ríos Neelum y Kunhar y se comparó con el modelo lineal
convencional, es decir, M5Tree en este estudio. Los modelos ANN-GA,
ANFIS-GA y M5RT se evaluaron utilizando cuatro combinaciones de
entrada de retardos de tiempo diferentes, incluido el número de mes,
para ver el efecto de la periodicidad en la precisión de la predicción. Se
encuentra que ambos modelos heurísticos, ANFIS-GA y ANN-GA
proporcionaron resultados más precisos que los modelos M5RT. También
se encuentra que la periodicidad mejora la precisión de la predicción de
los modelos. En este estudio, solo se utilizaron valores de caudal
anteriores como datos de entrada para predecir el caudal. Sin embargo,
para futuros estudios, se pueden utilizar la precipitación, la temperatura y
otros datos meteorológicos además de los valores del caudal para
predecir el caudal.
REFERENCIAS
[1] Alí; Kuriqi; Abubaker; Kisi. Detección de tendencias a largo plazo y
estacionalidad del flujo observado en el río Yangtze utilizando el
innovador método de tendencias de Mann-Kendall y Sen. Agua 2019,
11, doi:10.3390/w11091855.
[2] Kuriqi, A., Pinheiro, AN, Sordo-Ward, A. y Garrote, L. Aspectos del régimen de
flujo para determinar los flujos ambientales y maximizar la producción de
energía en las centrales hidroeléctricas de pasada. Energía Aplicada 2019,
256, 113980, doi: 10.1016/j.apenergy.2019.113980.
[3] Ardıçlıoğlu, M.; Kuriqi, A. Calibración de la rugosidad del canal en ríos
intermitentes utilizando el modelo HEC-RAS: caso del arroyo Sarimsakli,
Turquía. SN Ciencias Aplicadas 2019, 1, doi:10.1007/s42452-019-1141.
[4] Zhang, D.; Heery, B.; O'Neil, M.; Pequeño, S.; O'Connor, NE; regan,
F. Una red de sensores inteligentes de bajo costo para el monitoreo de cuencas.
Sensores (Basilea) 2019, 19, doi:10.3390/s19102278.
[5] Adnan, RM; Yuan, X.; Kisi, O.; Anam, R. Mejora de la precisión del
pronóstico del caudal de los ríos utilizando LSSVR con un algoritmo
de búsqueda gravitacional. Avances en Meteorología 2017, 2017,
1-23, doi:10.1155/2017/2391621.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
[6] Nourani, V.; Hosseini Baghanam, A.; Adamowski, J.; Kisi, O. Aplicaciones
de modelos híbridos wavelet-inteligencia artificial en hidrología: una
revisión. Revista de Hidrología 2014, 514, 358-377, doi: 10.1016/
j.jhydrol.2014.03.057.
[7] Razaví Termeh, SV; Kornejady, A.; Pourghasemi, recursos humanos; Keesstra, S.
Mapeo de susceptibilidad a inundaciones utilizando conjuntos novedosos de
sistemas de inferencia neurodifusos adaptativos y algoritmos metaheurísticos.
Sci Total Environ 2018, 615, 438-451, doi:10.1016/j.scitotenv.2017.09.262.
[8] Yaseen, ZM; Ramal, MM; Diop, L.; Jaafar, O.; Demir, V.; Kisi, O. Modelos
neurodifusos adaptativos híbridos para la estimación del índice de calidad
del agua. Gestión de Recursos Hídricos 2018, 32, 2227-2245, doi:10.1007/
s11269-018-1915-7.
[9] Adib, A.; Mahmoodi, A. Predicción de la carga de sedimentos suspendidos
utilizando el modelo de conjunción ANN GA con el enfoque de cadena de
Markov en condiciones de inundación. Revista KSCE de Ingeniería Civil 2016, 21,
447-457, doi:10.1007/s12205-016-0444-2.
[10] Rezakazemi, M.; Dashti, A.; Asghari, M.; Shirazian, S. Modelado de
membranas de matriz mixta selectivas para H2 utilizando ANFIS, PSO-
ANFIS, GA-ANFIS. Revista Internacional de Energía del Hidrógeno 2017,
42, 15211-15225, doi: 10.1016/j.ijhydene.2017.04.044.
[11] Zamani Sabzi, H.; Humberson, D.; Abudu, S.; King, JP Optimización del
controlador de lógica difusa adaptativa utilizando novedosos algoritmos
evolutivos combinados y su aplicación en el sistema de control de
inundaciones de Diez Lagos, sur de Nuevo México. Sistemas expertos con
aplicaciones 2016, 43, 154-164, doi: 10.1016/j.eswa.2015.08.043.
[12] Khosravi, A.; Nunes, RO; Assad, MEH; Machado, L. Comparación de métodos
de inteligencia artificial en la estimación de la radiación solar global diaria.
Revista de Producción Más Limpia 2018, 194, 342-358, doi: 10.1016/
j.jclepro.2018.05.147.
[13] Azad, A., Kashi, H., Farzin, S., Singh, VP, Kisi, O., Karami, H. y Sanikhani, H.
Enfoques novedosos para la predicción de la temperatura del aire: una
comparación de cuatro híbridos evolutivos modelos difusos. Aplicaciones
meteorológicas 2020, 27, (1), e1817, doi: 10.1002/met.1817
[14] Seifi, A.; Riahi-Madvar, H. Mejora del modelado unidimensional de
dispersión de la contaminación en ríos utilizando modelos optimizados
GA basados en ANFIS y ANN. Environ Sci Pollut Res Int 2019, 26, 867-885.
[15] Yaghoubi, B.; Hosseini, SA; Nazif, S. Predicción mensual del caudal
utilizando modelos basados en datos. Revista de ciencia del sistema
terrestre 2019, 128, doi:10.1007/s12040-019-1170-1.
[16] Wu, L.; Zhou, H.; Mamá, X.; Fan, J.; Zhang, F. Predicción de la
evapotranspiración de referencia diaria basada en un modelo de máquina
de aprendizaje extremo hibridado con algoritmos de optimización
bioinspirados: aplicación en climas contrastantes de China. Revista de
Hidrología 2019, 577, doi: 10.1016/j.jhydrol.2019.123960.
[17] Kaur, A.; Bueno, marco basado en SK Cloud-Fog para predicción y
pronóstico de sequías utilizando redes neuronales artificiales y
algoritmos genéticos. Revista de Inteligencia Artificial Experimental y
Teórica 2019, 10.1080/0952813x.2019.1647563, 1-17,
doi:10.1080/0952813x.2019.1647563.
[18] Soni, U., Roy, A., Verma, A. y Jain, V. Previsión de la generación de residuos sólidos
municipales utilizando modelos de inteligencia artificial: un estudio de caso en
la India. SN Ciencias Aplicadas 2019, 1, (2), 162, doi: 10.1007/s42452- 018-0157-x.
[19] Kisi, O. Modelado de la evapotranspiración de referencia utilizando tres
enfoques de regresión heurística diferentes. Gestión del agua agrícola
2016, 169, 162-172, doi: 10.1016/j.agwat.2016.02.026.
[20] Adnan, R.; Liang, Z.; Yuan, X.; Kisi, O.; Akhlaq, M.; Li, B. Comparación
de los modelos LSSVR, M5RT, NF-GP y NF-SC para predicciones de
velocidad del viento por hora y energía eólica basadas en validación
cruzada. Energías 2019, 12, doi:10.3390/en12020329.
[21] P. Tahmasebi y A. Hezarkhani, “Un algoritmo híbrido de redes neuronales, lógica
difusa y genética para la estimación de calificaciones”, Computers and
Geosciences, 2012.
[22] YT Chang, J. Lin, JS Shieh y MF Abbod, “Optimización de los pesos iniciales de redes
neuronales artificiales mediante un algoritmo genético aplicado a la predicción
de fracturas de huesos de cadera”, Advances in Fuzzy Systems, 2012.
[23] Y. Ma, M. Huang, J. Wan, K. Hu, Y. Wang y H. Zhang, “Técnica de
algoritmo genético de red neuronal artificial híbrida para modelar la
eliminación de la demanda química de oxígeno en procesos
anóxicos/óxicos”, Journal de Ciencias y Salud Ambientales - Parte A
Sustancias Tóxicas/Peligrosas e Ingeniería Ambiental, 2011.
[24] H. Karimi y F. Yousefi, "Aplicación del algoritmo genético de red neuronal
artificial (ANN-GA) a la correlación de densidad en nanofluidos".
Equilibrios de fase fluida, 2012.
[25] B. Ghorbani, M. Ziabasharhagh y M. Amidpour, “Una red neuronal
artificial híbrida y un algoritmo genético para predecir la viscosidad
de los petróleos crudos iraníes”, Journal of Natural Gas Science and
Engineering, 2014.
[26] A. Karkevandi-Talkhooncheh, M. Sharifi y M. Ahmadi, “Aplicación del
sistema de inferencia neuro-difuso adaptativo híbrido en la
optimización de la ubicación de pozos”, Journal of Petroleum Science
and Engineering, 2018.
[27] JSR Jang, “ANFIS: Sistema de inferencia difusa basado en red adaptativa”,
IEEE Transactions on Systems, Man and Cybernetics, 1993.
[28] [11] IM Alarifi, HM Nguyen, AN Bakhtiyari y A. Asadi, “Viabilidad de los
modelos ANFIS-PSO y ANFIS-GA para predecir las propiedades
termofísicas del nanofluido híbrido Al2O3-MWCNT/aceite”,
Materiales, 2019.
[29] HK Yadav, Y. Pal y MM Tripathi, “Un novedoso modelo híbrido GA-ANFIS
para la previsión de energía solar fotovoltaica a corto plazo en el mercado
eléctrico de la India”, Journal of Information and Optimization Sciences,
2019.
[30] H. Moayedi et al., “Nuevos híbridos de sistema de inferencia neurodifuso
adaptativo (ANFIS) con varios algoritmos metaheurísticos para la evaluación de
la susceptibilidad espacial de deslizamientos de tierra inducidos por sísmos”,
Geomatics, Natural Hazards and Risk, 2019.
[31] JR Quinlan, “Aprendizaje con clases continuas”, en la quinta conferencia conjunta
australiana sobre inteligencia artificial, 1992, vol. 92, págs. 343–348.
[32] A. Rahimikhoob, “Comparación entre el árbol modelo M5 y las redes
neuronales para estimar la evapotranspiración de referencia en un
ambiente árido”, Gestión de recursos hídricos, vol. 28, núm. 3, págs. 657–
669, 2014.
Uso autorizado con licencia limitado a: Universidade Estadual de Campinas. Descargado el 9 de marzo de 2024 a las 23:22:33 UTC desde IEEE Xplore. Se aplican restricciones.
[33] MK Goyal, “Modelado de la predicción del rendimiento de sedimentos utilizando el
algoritmo de árbol modelo M5 y la regresión Wavelet”, Water Resources
Management, vol. 28, núm. 7, págs. 1991-2003, mayo de 2014.
[34] Adnan, RM, Liang, Z., Heddam, S., Zounemat-Kermani, M., Kisi,
O. y Li, B. (2019). Máquina de vectores de soporte de mínimos cuadrados y
splines de regresión adaptativa multivariada para la predicción de caudales en
cuencas montañosas utilizando datos hidrometeorológicos como entradas.
Revista de Hidrología, 124371.
[35] O. Kisi, “Modelado de evaporación en bandeja utilizando una máquina de vectores de
soporte de mínimos cuadrados, splines de regresión adaptativa multivariada y árbol
modelo M5”, Journal of Hydrology, vol. 528, págs. 312–320, 2015.
[36] Adnan, RM, Liang, Z., Trajkovic, S., Zounemat-Kermani, M., Li,
B. y Kisi, O. (2019). Predicción diaria del caudal de agua utilizando una
máquina de aprendizaje extremo optimizada. Revista de Hidrología, 577,
123981.
[37] L. Wang, Z. Niu, O. Kisi, C. Li y D. Yu, “Modelado de evaporación en
recipiente utilizando cuatro enfoques heurísticos diferentes”, Computers
and Electronics in Agriculture, 2017.
[38] RC Deo, O. Kisi y VP Singh, “Pronóstico de sequía en el este de Australia utilizando
spline de regresión adaptativa multivariada, máquina de vectores de soporte de
mínimos cuadrados y modelo M5Tree”, Atmospheric Research, 2017.
[39] Honorato, AGSM, Silva, GBL & Santos, CAG, Predicción mensual del caudal
de agua utilizando técnicas de neurowavelet y análisis de entrada,
Hydroological Sciences Journal, vol. 63, núm. 15-16, 2018.
[40] Hadi, SJ, Tombul, M, Pronóstico mensual del caudal de agua utilizando
una combinación de ondas continuas y programación genética
multigénica, Journal of Hydrology, 561, 674–687, 2018.