Resumen

Teniendo en cuenta los tres componentes intrínsecos (autoregresivo, estacionalidad y error) de las series temporales de caudal, el rendimiento general de la herramienta de modelado de caudal está asociado con la correcta estimación de estos componentes. En este estudio, se introdujo un nuevo método híbrido basado en la transformada wavelet (WT) como una herramienta de pronóstico multirresolución y el método de suavizado exponencial (ES), con dos escenarios presentados (WES y WES). Para ello, se investigó el rendimiento del método propuesto frente a cuatro métodos convencionales: el autoregresivo integrado de media móvil (ARIMA), ES ad-hoc, red neuronal artificial (ANN) y red neuronal wavelet (WANN) para el modelado de caudal diario y mensual de las cuencas hidrográficas de West Nishnabotna y Trinity River con diferentes condiciones hidrogeomorfológicas. En la técnica presentada WES, en primer lugar, se emplea la WT para descomponer la señal observada

• 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:Componentes; Herramienta de modelado de caudal; Método híbrido; Transformada wavelet; Suavización exponencial; Escenarios
• Keywords:Components; Streamflow modeling tool; Hybrid method; Wavelet transform; Exponential smoothing; Scenarios