Resumen

La infiltración es un fenómeno vital en el ciclo del agua y, en consecuencia, la estimación de la tasa de infiltración es importante para muchos estudios hidrológicos. En el presente trabajo, se han aplicado diferentes modelos basados en datos, incluyendo Regresión Lineal Múltiple (MLR), Gradiente Reducido Generalizado (GRG), dos técnicas de Inteligencia Artificial (Red Neuronal Artificial (ANN) y Programación Genética Multigenética (MGGP)), y el híbrido MGGP-GRG para estimar las tasas de infiltración. Las tasas de infiltración estimadas se compararon con las obtenidas por modelos empíricos de infiltración (modelo de Horton, modelo de Philips y modelo modificado de Kostiakov) para los datos de infiltración publicados. Entre los modelos convencionales considerados, el modelo de Philips proporcionó las mejores estimaciones de la tasa de infiltración. Se observó que la aplicación del modelo híbrido MGGP-GRG y MGGP mejoró las estimaciones de las tasas de infiltración en comparación con el modelo de infiltración

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Infiltración; Tasa; Modelos; Inteligencia artificial; Estimación; Hidrológico
• Keywords:Infiltration; Rate; Models; Artificial intelligence; Estimation; Hydrological