@article{Reyes Rodríguez_Asís López_2020, title={Modelos de pronóstico de caudales mensuales en el río Shullcas (Huancayo - Perú) con redes neuronales artificiales}, volume={13}, url={https://revistas.unasam.edu.pe/index.php/Aporte_Santiaguino/article/view/737}, DOI={10.32911/as.2020.v13.n2.737}, abstractNote={<p>El recurso hídrico en la subcuenca del río Shullcas es escaso en cantidad, calidad y oportunidad; el abastecimiento de agua potable para los pobladores de la ciudad de Huancayo se realiza con las aguas de este río y para su gestión es necesario realizar estimaciones de la oferta hídrica futura empleando diferentes métodos de pronóstico. El trabajo de investigación consistió en la estimación de caudales mensuales con modelos de redes neuronales artificiales con el objetivo de obtener modelos de pronóstico de caudales mensuales para el río Shullcas en la estación de Chamisería en función de las precipitaciones y evapotranspiraciones mensuales. La metodología consistió de cinco etapas: 1) se construyó el polígono de Thiessen para estimar las precipitaciones mensuales y temperaturas medias representativas de la subcuenca del río Shullcas; 2) se detectaron y corrigieron datos pluviométricos e hidrométricos mensuales fuera de intervalo; 3) se generaron las temperaturas medias mensuales para la estación de Huaytapallana, considerando el gradiente término determinado por la ANA y las precipitaciones mensuales para la estación de Huaytapallana correspondientes a los años 2014 a 2019 por el método de la razón normal; 4) se caracterizaron las precipitaciones mensuales y temperaturas medias mensuales de las estaciones meteorológicas de Santa Ana y Huaytapallana, a través de ajuste funcional a la serie de Fourier; 5)finalmente se empleó redes neuronales de tipo multilayer perceptrón (MLP) y radial basis function (RBF) para generar los modelos de pronóstico de los caudales mensuales en la estación hidrométrica de Chamisería en la subcuenca Shullcas y se validaron con el coeficiente de determinación (R2), el error cuadrático medio (RMSE), y la raíz de la media cuadrática (RMS). Los resultados indican que los modelos generados con redes neuronales multilayer perceptrón tienenmayor potencia predictiva según los coeficientes de determinación (R2) de 0; 947 y 0; 857 respectivamente.</p>}, number={2}, journal={Aporte Santiaguino}, author={Reyes Rodríguez, Toribio Marcos and Asís López, Maximiliano Epifanio}, year={2020}, month={dic.}, pages={Pág. 222–236} }