Search

espanolLa evapotranspiracion de referencia (ETo) es un parametro agro-meteorologico de gran importancia para muchas areas de estudio como la geotecnia, climatologia e hidrologia, donde su mayor importancia recae en el calculo de la evapotranspiracion de cultivo (ETc). En el presente estudio, utilizando solamente datos de temperatura, se evaluo el desempeno de tres modelos de inteligencia artificial y dos ecuaciones convencionales para predecir la evapotranspiracion de referencia (ETo) en un clima calido subhumedo en Mexico. Los modelos de inteligencia artificial evaluados fueron maquinas de soporte vectorial (SVM), programacion de expresion genetica (GEP) y XGBoost, asi como los modelos convencionales de Hargreaves- Samani y Camargo. El desempeno de los modelos se evaluo de acuerdo con los indices estadisticos error absoluto medio (MAE); raiz cuadrada media del error (RMSE); coeficiente de determinacion (R2), y el error medio de sesgo (MBE). Se construyeron intervalos de confianza para cada indice estadistico utilizando la tecnica de remuestreo bootstrap, con el proposito de evaluar la incertidumbre de los mismos. Los resultados demuestran que entre los modelos convencionales evaluados la ecuacion de Camargo obtuvo un mejor desempeno en la estimacion de la ETo en comparacion con la ecuacion de Hargreaves. Respecto a los modelos de inteligencia artificial, el modelo SVM obtuvo mejor desempeno entre las tecnicas evaluadas. De manera general, se recomienda utilizar el modelo SVM para estimar valores de ETo al superar a las demas tecnicas. EnglishReference evapotranspiration (ETo) is an agro-meteorological parameter of great importance for many areas of study such as geotechnics, climatology and hydrology, where its greatest importance falls in the calculation of the crop’s evapotranspiration (ETc). In this study, using only temperature data, the performance of three artificial intelligence models and two conventional equations to predict the reference evapotranspiration (ETo) was evaluated in a warm sub-humid climate in Mexico. The artificial intelligence models evaluated were: support vector machines (SVM), Gene Expression Programming (GEP) and XGBoost, and the conventional models were those by Hargreaves-Samani and Camargo. The performance of the models was evaluated according to the statistical indexes: Mean Absolute Error (MAE); Root Mean Square Error (RMSE); Coefficient of Determination (R2), and Mean Bias Error (MBE). Confidence intervals were constructed for each statistical index using the technique of bootstrap resampling with the purpose of evaluating their uncertainty. The results show that among the conventional models evaluated, the equation by Camargo obtained a better performance in the estimation of ETo compared to the equation by Hargreaves. Regarding the artificial intelligence models, the SVM model obtained the best performance among the techniques evaluated. In general, it is recommended to use the SVM model to estimate the ETo values since it outperforms the other techniques.

Lake water temperature is one of the key parameters in determining the ecological conditions within a lake, as it influences both chemical and biological processes. Therefore, accurate prediction of water temperature is crucially important for lake management. In this paper, the performance of soft computing techniques including gene expression programming (GEP), which is a variant of genetic programming (GP), adaptive neuro fuzzy inference system (ANFIS) and artificial neural networks (ANNs) to predict hourly water temperature at a buoy station in the Yuan-Yang Lake (YYL) in north-central Taiwan at various measured depths was evaluated. To evaluate the performance of the soft computing techniques, three different statistical indicators were used, including the root mean squared error (RMSE), the mean absolute error (MAE), and the coefficient of correlation (R). Results showed that the GEP had the best performances among other studied methods in the prediction of hourly water temperature at 0, 2 and 3 meter depths below water surface, but there was a different trend in the 1 meter depth below water surface. In this depth, the ANN had better accuracy than the GEP and ANFIS. Despite the error (RMSE value) is smaller in ANN than GEP, there is an upper bound in scatter plot of ANN that imposes a constant value, which is not suitable for predictive purposes. As a conclusion, results from the current study demonstrated that GEP provided moderately reasonable trends for the prediction of hourly water temperature in different depths. ResumenLa temperatura del agua es uno de los parámetros básicos para determinar las condiciones ecológicas de un lago, ya que está influenciada por procesos químicos y biológicos. Además, la exactitud en la predicción de la temperatura del agua es esencial para el manejo del lago. En este artículo se evalúa el desempeño de técnicas de soft computing como la Programación de Expresiones de Genes (PEG), que es una variante de la Programación Genética (PG), el Sistema Neuro-fuzzy de Inferencia Adaptativa (Anfis, en inglés) y las Redes Neuronales Artificiales (RNA) para predecir la temperatura del agua en diferentes niveles de una estación flotante del lago Yuan-Yang (YYL), en el centro-norte de Taiwán. Se utilizaron tres indicadores estadísticos, el Error Cuadrático Medio (ECM), el Error Absoluto Medio (MAE, en inglés) y el Coeficiente de Correlación (R) para evaluar el desempeño de las técnicas de computación. Los resultados muestran que la PEG es más exacta en la predicción de la temperatura del agua entre 0,2 y 3 metros de profundidad. Sin embargo, se evidencia una tendencia diferente a partir del metro de profundidad. A esta distancia de la superficie, las RNA son más exactas que la PEG y el Anfis. Los resultados de este estudio probaron claramente la usabilidad del PEG y las RNA en la predicción de la temperatura del agua a diferentes profundidades.

This paper presents an adaptive domotic system in green buildings. In our case, the data of sensor and devices were controlled in CIESOL center. The adaptive domotic system uses a Fuzzy Lattice Reasoning classifier for predicting building energy performance depending on the user condition. Training and testing of classifiers were carried out with temperature condition data acquired for 4 months (February, May, July and November) in the case building called CIESOL. The results show a high accuracy rates with a mean absolute error between 0% and 0.21%

El objetivo perseguido en el presente trabajo lo constituye la modelización y predicción de series temporales financieras utilizando redes neuronales. Al respecto, se seleccionó una red neuronal total recurrente con dos capas ocultas, una capa para la función umbral lineal y otra para función arcotangente. Las series utilizadas fueron los índices MERVAL (Argentina) y DOW JONES (USA). Los resultados, obtenidos con información correspondiente al período 1995-2006, se exponen en comparación con técnicas alternativas y con resultados obtenidos por otros investigadores., The purpose of this work is to model and predict Financials Time Series by using neural networks. In order to achieve this aim, a recurrent total neural network with two hidden layers has been chosen; one layer for the linear threshold function and the other for the arctangent function. The series used in this research paper are the MERVAL index (Argentina) and the DOW JONES (USA). These results are based on information obtained over a period that goes from 1995 to 2006. The presentation will deal with the comparison of alternative techniques and the results obtained by other research workers., Instituto de Investigaciones Económicas