000			03993nam a2200469 a 4500
003			CHAP
005			20250130140240.0
007			cr ||||||a|c|a
008			110209s2010 mx r 00010 spa d
035			_a112131
040			_cCHAP
090			_aTesis
100	0	0	_aCervantes Osornio, Rocio. _921600
245	1	0	_aRedes neuronales artificiales para estimar y predecir variables climatológicas relacionadas con la evapotranspiración de referencia _c/por Rocio Cervantes Osornio; director de tesis Ramón Arteaga Ramírez.
264		1	_aChapingo, Méx. : _bEl autor, _c2010.
300			_a1 recurso en línea (120 páginas) : _bcuadros, figuras.
336			_2rdacontent _atexto _btxt
337			_2rdamedia _acomputadora _bc
338			_2rdacarrier _arecursos en línea _bcr
502			_bDIAUIA _cMecánica _cIrrigación _d2010. _gDOC
520			_aEl objetivo general del presente trabajo fue realizar una comparación de metodologías convencionales con modelos de RNA para estimar presión real de vapor de agua, radiación global diaria y evapotranspiración de referencia. Los datos usados para dicha comparación fueron de cuatro estaciones del DR075 Valle del Fuerte, estado de Sinaloa, México. También se llevó a cabo una revisión de literatura del uso de redes neuronales artificiales (RNA) en la estimación de variables climáticas relacionadas con la agricultura. La cantidad de agua requerida para compensar la pérdida por evapotranspiración del cultivo se define como necesidades hídricas del cultivo. Sobreestimar la evapotranspiración resulta en desperdicio de grandes cantidades de agua que repercuten en los rendimientos de los cultivos, por otro lado, subestimar la evapotranspiración repercute en estrés hídrico para las plantas. Por tanto, se necesita conocer con precisión cuanto regar anticipadamente. Los agentes meteorológicos que afectan a la ET 0 son las variables temperatura, radiación global, humedad relativa y velocidad del viento, donde la ET 0 se calcula a partir de estos. En el desarrollo de este trabajo de tesis se observó que las redes neuronales artificiales mostraron ser una excelente herramienta de estimación y/o predicción de las variables: presión real de vapor de agua, radiación global y evapotranspiración de referencia. Específicamente la red neuronal radial basis function mostró sistemáticamente mejor desempeño que la feedforward backpropagation. En la revisión de literatura se observó que se ha hecho bastante trabajo en estimación y/o predicción de las variables mencionadas previamente con las RNA feedforward backpropagation y radial basis function, pero durante el desarrollo de este trabajo, se observó también que existe carencia de investigación en la estimación de variables climáticas con redes neuronales dinámicas, y es ahí donde se vislumbra el futuro de la investigación, y la investigación se encamina también en la mejora de algoritmos para no desperdiciar espacio de almacenamiento en la terminal cuando se trabaja con redes neuronales artificiales.
590			_aALEPH _b10 _c20130110
590			_aBATCH-UPD _b10 _c20130110
590			_aBATCH-UPD _b10 _c20130410
590			_aBATCH-UPD _b10 _c20130914
590			_aBATCH-UPD _b10 _c20140324
590			_aBATCH-UPD _b10 _c20141002
590			_aBATCH _b00 _c20181121
590			_aCONVERSION _b10 _c20130109
650	1	4	_aCambios climáticos. _917792
650	1	4	_aCultivos _xRendimiento. _930318
650	1	4	_aEvapotranspiración. _938968
650	1	4	_aRedes neuronales artificiales. _995387
700	1		_aArteaga Ramírez, Ramón _97725 _eDirector de tesis.
856			_uhttp://10.13.5.2/tesis/112131.pdf _zDESCARGAR PDF
901			_aBK
942			_cTD _2Clasificación Universidad Autónoma Chapingo
949			_aTesis _bBC _cTES _d33724002229132 _eTS2 _fc.2 _gDonaciØn _h51931 _i112131 _st
949			_aTesis _bBC _cTES _d33724002229173 _eTS1 _gDonaciØn _h51930 _i112131 _st
999			_c100471 _d100471