Tema B: Hidrologa y Gestin del Agua

La modelacin con Redes Neuronales para la previsin de

caudales en cuencas del mbito Mediterrneo haciendo uso
de los datos SAIH. Aplicacin a cuencas del Jcar y el
Segura
L. Pujol, Ing. Civil, HidroGaia, S.L.
Tecnologa del Agua y el Medio Ambiente
lpujol@hidrogaia.com
P.Arevalo, Ing. Caminos, Canales y Puertos, HidroGaia, S.L.
Tecnologa del Agua y el Medio Ambiente
parevalo@hidrogaia.com
E. Ortiz, Ing. Tec. Obras Pblicas, HidroGaia, S.L.
Tecnologa del Agua y el Medio Ambiente
eortiz@hidrogaia.com
V.Guna, Ing. Cartografa y Geodesia, HidroGaia, S.L.
Tecnologa del Agua y el Medio Ambiente
vguna@hidrogaia.com
R.Gabaldn, Ing. Cartografa y Geodesia, HidroGaia, S.L.
Tecnologa del Agua y el Medio Ambiente
rgabaldon@hidrogaia.com

1 Introduccin
El concepto de Redes Neuronales Artificiales (RNA) surge en 1943 por Walter Pitts y Warren McCulloch que
proponen una conceptualizacin del funcionamiento del cerebro humano basada en una red de clulas
interconectadas, luego de una evolucin de esta en el ao 1951, Minsky y Edmonds montaron la primera
mquina de Redes Neuronales y en 1959 Bernard Widrow y Marcial Hoff fueron los primeros en utilizar una red
en la aplicacin en un caso real. En el ao 1969 se produce un bloqueo en la utilizacin de las Redes Neuronales
hasta 1982 cuando aparece la tcnica de aprendizaje denominada retropropagacin del error [Rumelhart et al.,
1986] y a partir de ese ao ha continuado con grandes evoluciones hasta el momento.
La utilizacin de las Redes Neuronales en ingeniera Civil viene de los aos 80s pero solo a partir de 1991
aparecen unas de las primeras aplicaciones en hidrologa, como prediccin de lluvia [Chang et al., 1991; French
et al., 1992; Flood y Kartam, 1994a y b], consumo de agua y estimacin de caudales [Daniell, 1991] y prediccin
de caudales [Karunanithi et al., 1994]. Para los hidrlogos esta es una tcnica joven pero ha tenido una rpida
aceptacin y un florecimiento positivo en publicaciones y conferencias [Govindaraju y Rao, 2000].
No hay una definicin universal de las RNA. Pero tal vez varias personas en este campo estaran de acuerdo de
que una RNA es una red de muchos procesadores simples (nodos), cada uno con una pequea memoria local.
Los nodos estn conectados por canales de comunicacin (conexiones) que generalmente contienen datos
numricos codificados de varias maneras. Los nodos operan sobre sus propios datos y entradas que reciben de
las conexiones [Warren, 2005]. Dentro de las varias definiciones encontradas en la literatura, se muestran a
continuacin algunas de ellas: Las Redes Neuronales Artificiales son sistemas adaptables que aprenden
relaciones de un grupo de entradas y salidas y luego son capaces de predecir un conjunto de datos, que no hallan

Tema B: Hidrologa y Gestin del Agua

sido vistos previamente, con caractersticas similares a los datos de entrada [ASCE Task Committee on
Application of Artificial Neural Networks in Hydrology, 2000a].
No requieren de ninguna entrada exgena mas que un conjunto de vectores de entrada-salida para el
entrenamiento [Thirumalaiah y Deo, 1998a], debido a esto, como el cerebro humano, pueden reconocer
relaciones entre variables sin ninguna consideracin explcita [ASCE Task Committee on Application of
Artificial Neural Networks in Hydrology, 2000a].
Tienen un buen funcionamiento aunque los datos de entrenamiento contengan errores de medicin o ruidos.
[Karunanithi et al., 1994; Thirumalaiah y Deo, 1998a Zealand et al., 1999; ASCE Task Committee on
Application of Artificial Neural Networks in Hydrology, 2000a] y/o cuando la cantidad de variables de entrada
es limitada [Sajikumar y Thandaveswara, 1999; Dolling y Varas, 2002].
Contienen caractersticas de procesamiento de informacin innatas, y una vez entrenadas, son fciles de usar.
[ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000a]
Una forma de clasificar las RNA es por su nmero de capas y la direccin del flujo de la informacin y procesos.
En una red feedforward, los nodos se agrupan en capas, empezando por la primera capa de entradas y
terminando por una capa final de salidas. Pueden haber varias capas ocultas (multilayer) y cada una con uno o
ms nodos. La informacin pasa de los nodos de entrada a los de salida. Todos los nodos de una capa se
conectan totalmente con los de las capas adyacentes, pero no con los de la misma.
A cada conexin se le asigna un peso sinptico para representar la fuerza de las conexiones entre los nodos y
predecir la relacin entre las entradas y las salidas (inputs - outputs)
En la Figura 1 se puede ver un esquema de una Red Neuronal feedforward (5-4-1) de una sola capa oculta con 5
nodos en la capa de entrada, 4 en la capa oculta y 1 en la capa de salida.
Capa de entrada

Y t-3
Y t-2
Y t-1
Yt
X1 t-2
X1 t-1
X1 t
X2 t-3
X2 t-2
X2 t-1
X2 t

Figura 1

Capa oculta

Capa de salida

Y t+k

X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11

w1j
w2j
w3j
w4j
w5j
w6j
w7j
w8j
w9j
w10j
w11j

bj

Yj = f(X i,Wi,j ,b j )

Esquema de Red Neuronal Artificial del tipo multilayer perceptron (MLP) con una sola capa oculta. Esquema
de un nodo general (j)

En la Figura 1 se muestra un diagrama esquemtico del nodo j. Los Wij representan los pesos de las conexiones
entre el nodo i de la capa anterior y el nodo j. La salida del nodo Yj se obtiene de la funcin de activacin
f(X,W,bj), donde bj es el valor del umbral (bias) del nodo en cuestin (j). La funcin de activacin se aplica a la
combinacin de todas las conexiones de la capa anterior con nodo j, este tipo de combinacin se llama funcin
PSP (Post-Synaptic-Potential).
La funcin f se llama funcin de activacin. Su forma funcional determina la respuesta del nodo a las entradas
totales que recibe.
El proceso de entrenamiento o de aprendizaje se utiliza para encontrar los valores de los pesos W y umbrales b
que minimicen una funcin de error predeterminada.
El entrenamiento es un proceso por el cual los pesos de las conexiones de una red son adaptados a travs de un
proceso continuo de simulacin. Hay dos tipos de entrenamiento, supervisado (data-driven) y no supervisado.

Tema B: Hidrologa y Gestin del Agua

El procedimiento de entrenamiento ajusta de forma iterativa los umbrales y pesos de cada nodo para llegar al
objetivo final que es minimizar la funcin del error.
Segn lo visto anteriormente las redes neuronales artificiales pueden ser de varios tipos ya que cada componente
de la misma puede variar de diferentes formas. En el caso de las aplicaciones que se describirn ms adelante la
topologa utilizada es la MLP (ver Figura 1 ).

2 Aplicaciones
En este artculo se mostrarn los resultados y describir brevemente las redes neuronales utilizadas para la
prediccin en tiempo real de caudales en los sistemas de ayuda a la decisin utilizados en las confederaciones
hidrogrficas del Jcar y Segura.
Para la construccin de un modelo de redes neuronales artificiales es muy importante la disposicin de suficiente
cantidad de datos para poder realizar una buena calibracin y posterior validacin del mismo.
El Sistema Automtico Informacin Hidrolgica (SAIH) del Jcar y Segura disponen de datos cada 5 minutos de
caudales y precipitacin en las estaciones y cuencas donde se pretende realizar las predicciones de caudales.
La buena calidad de datos y fcil disponibilidad de los mismos, facilita enormemente la implementacin de este
tipo de modelos data-driven, los cuales necesitan de datos de buena calidad y suficiente cantidad para que sus
resultados sean buenos.
Para la calibracin y validacin de los modelos se ha utilizado una aplicacin informtica (ANN) realizada
especficamente para la modelacin hidrolgica con RNA.

2.1 Prediccin de caudales en la Rambla del Poyo

Se disponen de 3 eventos para la calibracin y validacin del modelo,. 2 de ellos (2007 y 2000) se utilizan para
la calibracin y el evento del 2002 para la validacin. La poca cantidad de eventos, como ocurre en este tipo de
cuencas, dificulta la el proceso de calibracin de las redes neuronales.
La cuenca del Poyo tiene un rea drenante de 183 km2 con una longitud mxima de drenaje de 32 km. Su tiempo
de concentracin segn Tmez es de 9.6 hs. Esta informacin junto con el anlisis de las series temporales es
muy til para la determinacin de las variables de entrada. Luego del anlisis hidrolgico, geomorfolgico y de
las series se obtiene RNA que se describir seguidamente.
El modelo de RNA utilizado para la prediccin de caudales, en perodos de eventos, en el marco de control en la
Rambla del Poyo (Figura 2 ) a 1 hora, utiliza datos horarios de la precipitacin media de la cuenca. Esta variable
junto con los caudales observados en la rambla del Poyo son las variables utilizadas como entradas al modelo
que se expondr seguidamente.
La estructura del modelo [6-2-1] es la indicada en la Figura 3 utilizando como funcin de transformacin de los
a

x
datos de entrada la funcin x ' =
[Garca-Bartual, 2002].
M
Las variables de entrada como se pueden ver en la Figura 3 son:

La precipitacin media horaria de la cuenca al marco de control de la Rambla del Poyo. Calculada
haciendo interpolacin espacial entre los pluvimetros ms cercanos (inversa a la distancia). Se
utilizan los datos de las ltimas 3 horas (P Cuen62t-1, P Cuen62t-2 y P Cuen62t-3).

Los caudales observados en las ltimas 3 horas en el marco de control de la Rambla del Poyo (Q
8.0O04t-1, Q 8.0O04t-2 y Q 8.0O04t-3)

Para la calibracin del modelo se utilizaron datos del evento del 2007 y 2000, siendo este ltimo el evento ms
considerable ya que el evento del 2007 tiene un caudal mximo de aproximadamente 7 m3/s.

Tema B: Hidrologa y Gestin del Agua

Figura 2

Ubicacin de la cuenca y descripcin de los puntos de medicin

Esta RNA ha sido validada con el evento del 2002 nico evento con caudales considerables aunque no
suficientemente altos para comprobar la habilidad del modelo. En la Figura 3 se pueden observar los ndices de
estadsticos de los resultados de validacin de la red. Y en la Figura 4 se pueden ver los resultados grficos de la
validacin.
Los resultados de validacin muestran un alto coeficiente de Nash and Sutcliffe (0.984) valores muy cercanos a 1
lo cual indica la buena capacidad del modelo de predecir caudales a una hora. Es importante el anlisis grfico
de los resultados para poder interpretar la bondad del modelo y no solo los coeficientes estadsticos de los
resultados. Como se puede ver en la Figura 4 las predicciones a una hora son de muy buena fiabilidad,
pudindose comprobar a medida de que se vallan produciendo eventos en el futuro.

Figura 3

Red Neuronal Artificial utilizada para prediccin a 1 horas en la rambla del Poyo Escala de tiempo 1 hora.

Para el mejor funcionamiento del modelo, y debido a la falta de una buena de validacin es importante recalibrar
y validar el modelo cuando se dispongan de nuevos eventos.
El coeficiente de persistencia muy cercano a cero indica que el modelo tiene un comportamiento muy similar a
un modelo simple de persistencia y el objetivo es alejarse lo mximo posible a valor igual a cero.

Figura 4

Resultados de validacin del modelo ANN de prediccin de caudales a 1 hora del evento de 2002

Tema B: Hidrologa y Gestin del Agua

2.2 Prediccin de caudales en el ro Vernissa

Se disponen de 3 eventos para la calibracin y validacin del modelo. 2 de ellos (2007, 2002 y 2000) se utilizan
para la calibracin y el evento del 1996 para la validacin.
En esta cuenca a diferencia de las dems modeladas se disponen de dos eventos de gran importancia. Esto es un
aspecto muy importante para poder validar los resultados de la calibracin de las RNA.
La cuenca de Vernissa tiene un rea drenante de 102 km2 con una longitud mxima de drenaje de 27 km. Su
tiempo de concentracin segn Tmez es de 7.6 hr.
El modelo de RNA utilizado para la prediccin de caudales, en perodos de eventos, en el marco de control del
Vernissa (Figura 5 ) a 1 hora, utiliza datos horarios de la precipitacin media de la cuenca acumulada cada 4
horas. Esta variable junto con los caudales observados en el marco de control del Vernissa son las variables
utilizadas como entradas al modelo que se expondr seguidamente.
La estructura del modelo [6-2-1] es la indicada en la Figura 13 escalando los datos de entrada entre 0.05 y 0.95.

Figura 5

Ubicacin de la cuenca y descripcin de los puntos de medicin

Las variables de entrada como se pueden ver en la Figura 6 son:

Precipitacin media de la cuenca acumulada cada 4 horas. Calculada haciendo interpolacin

espacial entre los pluvimetros ms cercanos (inversa a la distancia). Se utilizan los datos de tres
horas consecutivas de precipitacin a partir de dos horas antes del inicio de la prediccin
(Pacum(4) Cuen41t-2, Pacum(4) Cuen41t-3 y Pacum(4) Cuen41t-4).

Los caudales observados en las ltimas 3 horas en el marco de control del Vernissa (Q 8.9O03t-1, Q
8.9O03t-2 y Q 8.9O03t-3)

Para la calibracin del modelo se utilizaron datos del evento del 2000, 2007 y 2002, siendo los ltimos eventos
de gran magnitud.

Figura 6

RNA utilizada para prediccin a 1 horas en el marco de control del Vernissa. Escala de tiempo 1 hora.

Esta RNA ha sido validada con el evento de 1996 el cual tiene caudales suficiente mente altos para poder
validar el modelo correctamente. Y en la Figura 7 los resultados grficos de la validacin.

Tema B: Hidrologa y Gestin del Agua

Se puede considerar que este modelo tiene resultados de muy alta calidad para la prediccin de caudales a una
hora en el marco de control del Vernissa. Se ha calibrado el modelo con dos eventos que superan los 200 m3/s y
validado con un evento de 250 m3/s. La alta correlacin de la precipitacin con los caudales hace que la
prediccin sea lo suficientemente buena con un coeficiente de Nash and Sutcliffe de 0.921 para la validacin,
superando al modelo de persistencia

(Q

pred
t +4

= Qtobs por 1.69 veces.

Los resultados grficos muestran un muy buen comportamiento del modelo para todos los eventos analizados.

Figura 7

Resultados de validacin del modelo ANN de preedicin de caudales a 1 hora del evento de 1996

2.3 Prediccin de caudales de entrada al embalse de Beniarrs

La cuenca de Beniarrs tiene un rea drenante de 470 km2 con una longitud mxima de drenaje de 40 km. Su
tiempo de concentracin segn Tmez es de 10.6 hr. Se dispone de 2 eventos (2007 y 2004) para la validacin y
para la calibracin se han utilizado los datos del ao 1992 y 1993.
El modelo de RNA utilizado para la prediccin de caudales de entrada, en perodos de eventos, en el embalse de
Beniarrs (Figura 8 ) a 1 hora, utiliza datos horarios de la precipitacin en el pluvimetro de Beniarrs. Esta
variable junto con los caudales de entrada calculados son las variables utilizadas como entradas al modelo que se
expondr seguidamente.
La estructura del modelo [6-3-1] es la siguiente se muestra en la Figura 9 escalando los datos de entrada entre
0.05 y 0.95.
Las variables de entrada como se pueden ver en la Figura 8 son:

La precipitacin acumulada horaria en el pluvimetro de Beniarrs. Se utilizan los datos de las

ltimas 3 horas (P 8.9E01t, P 8.9E01t-1 y P 8.9E01t-2).

Los caudales de entrada calculados en el embalse de Beniarrs en las ltimas 3 horas (I 8.9E01t, I
8.9E01t-1 y I 8.9E01t-2)

Figura 8

Ubicacin de la cuenca y descripcin de los puntos de medicin

Tema B: Hidrologa y Gestin del Agua

Para la calibracin del modelo se utilizaron datos del ao 1992 y 1993 donde se han producido dos eventos, uno
de 200 m3/s y otro de uno 100 m3/s

Figura 9

Red Neuronal Artificial utilizada para prediccin a 1 horas de caudales de entrada al embalse de Beniarrs
Escala de tiempo 1 hora.

Esta RNA ha sido validada con el evento del 2007 y 2004 el cual tiene caudales suficiente mente altos para
poder validar el modelo correctamente. En la Figura 10 y Figura 11 se muestran los resultados grficos de las
validaciones.
Como se puede observar los resultados de validacin tienen un comportamiento muy bueno aunque muy
similares al modelo de persistencia (con un coeficiente de persistencia de 0.004) esto quiere decir que los
caudales predicho a una hora, en algunos casos, pueden estar desfasados en el tiempo con los reales y con
valores muy aproximados a los caudales observados en pasos de tiempo anteriores.

Figura 10

Resultados de validacin del modelo ANN de prediccin de caudales de entrada en el embalse de Beniarrs a
1 hora del evento de 2004

Figura 11

Resultados de validacin del modelo ANN de prediccin de caudales de entrada en el embalse de Beniarrs a
1 hora del evento de 2007

Tema B: Hidrologa y Gestin del Agua

2.4 Prediccin de caudales en la Rambla de Benipila (Segura)

Debido a la falta de precipitacin en la zona en los ltimos aos, no se dispone de suficiente cantidad de eventos
para poder calibrar y validar este tipo de modelos, por lo tanto se realiza una calibracin nica con el evento
disponible, con la espera de futuros eventos para las validaciones.
La cuenca de Benipila tiene un rea drenante de 163 km2 con una longitud mxima de drenaje de 28 km. Su
tiempo de concentracin segn Tmez es de 9 hr.
El modelo de RNA utilizado para la prediccin de caudales, en perodos de eventos fuertes, en el marco de
control en la Rambla de Benipila (Figura 12 ) a 2 horas, utiliza datos discretizados cada media hora de los
pluvimetros de Cartagena, Pern y de la rambla de Benipila. Estas son las variables principales utilizadas como
entradas al modelo que se expondr seguidamente.
La estructura del modelo [12-5-1] es la indicada en la Figura 13 utilizando la funcin de normalizacin para la
transformacin de los datos de entrada y las variables de entrada como se pueden ver en son:

La precipitacin en la ltima hora y media en Cartagena (P1t-1, P1t-2 y P1t-3) Siendo la escala de t de
media hora.

La precipitacin en la ltima hora y media en Pern (P2t-1, P2t-2 y P2t-3) Siendo la escala de t de
media hora.

La precipitacin en la ltima hora y media en Benipila (P3t-1, P3t-2 y P3t-3) Siendo la escala de t de
media hora.

Los caudales observados en la ltima hora y media en el marco de control de la Rambla de Benipila
(Qt-1, Qt-2 y Qt-3) Siendo la escala de t de media hora.

Figura 12

Ubicacin de la cuenca y descripcin de los puntos de medicin

Para la calibracin del modelo se utilizaron datos del evento del 2000, siendo este, el nico evento disponible
para este motivo, impidiendo una posterior validacin del mismo. Esto hace que el modelo deba ser validado a
medida de que se vallan produciendo nuevos eventos pudiendo comprobar la capacidad del mismo para la
prediccin a 2 horas.
Una posible mejora del modelo podr hacerse con generacin sintticas de tormentas y posterior transformacin
con un modelo de transformacin de lluvia escorrenta que permita obtener series sintticas de precipitacin y
caudales para la posterior calibracin y validacin del modelo.
Esta Red Neuronal ha sido solo calibrada para el evento del 2000 y no ha sido validada debido a la falta de
eventos histricos disponibles en ese punto, en la Figura 14 se pueden ver los resultados grficos de la
calibracin.

Tema B: Hidrologa y Gestin del Agua

Figura 13

Figura 14

Red Neuronal Artificial utilizada para prediccin a 2 horas. Escala de tiempo 30 minutos

Resultados de calibracin del modelo ANN de prediccin de caudales a 2 horas del evento de 2000

Los resultados de calibracin son muy buenos como se puede ver tanto en la grfica como en los resultados de
los ndices estadsticos. Como se puede ver que el ndice de persistencia es de 1.55 el cual muestra la relacin
entre el coeficiente de Nash and Sutcliffe (0.997) para este modelo y el modelo de persistencia

(Q

pred
t +4

= Qtobs .

Indicando que el modelo tiene un coeficiente Nash 1.55 veces mayor que el de persistencia.

3 Conclusiones y discusiones
Las Redes Neuronales Artificiales son modelos de prediccin muy tiles para sistemas de ayuda a la decisin
donde se requiere realizar predicciones en tiempo real. La falta de eventos para poder calibrar modelos
adecuadamente hace muy difcil la buena calibracin de los modelos. Por eso que se utilizan tcnicas de parada
temprana para evitar los sobreentrenamientos de las redes.
La facilidad de recalibracin y adaptacin del modelo hace que sea posible adaptar los modelos a medida que se
dispongan de nuevos eventos y as mejorar con el tiempo la precisin de las predicciones de los mismos.
Es importante adems de obtener los resultados, realizar una estimacin de la incertidumbre de las predicciones
que permitan conocer adems del caudal predicho medio, tambin su funcin de distribucin de probabilidad
La incorporacin de metodologas como filtro Kalman pueden ser una solucin para desarrollar una red neuronal
que adapte los pesos de sus conexiones automticamente cada vez que se obtengan datos nuevos y de esta
manera disponer de una RNA adaptativa.

Tema B: Hidrologa y Gestin del Agua

4 Referencias bibliogrficas
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000a. Artificial neural
networks in hydrology. I: preliminary concepts. Journal of Hydrologic Engineering 5(2), 115-123.
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000b. Artificial neural
networks in hydrology. II: hydrologic applications. Journal of Hydrologic Engineering 5(2), 124-137.
Chang I., Rapiraju S., Whiteside M., Hwang G., 1991. A neural network to time series forecasting. Proceedings
of the Decision Science Institute, 3, 17161718.
Daniell T. M., 1991. Neural networks applications in hydrology and water resources engineering. Proceedings
of the International Hydrology and Water Resources Symposium. National Conference Publication 91/92
Institute of Engineering, Barton, Australia, 3, 797-802.
Dolling Oscar R. y Varas Eduardo A., 2002. Artificial neural networks for stream flow prediction. Journal of
Hydraulic Research 40(5), 547-554.
Flood Ian y Kartam Nabil, 1994b. Neural networks in civil engineering II: systems and application. Journal of
Computing in Civil Engineering 8(2), 149-162.
French M. N., Krajewski W. F., y Cuykendall R. R., 1992. Rainfall forecasting in space and time using a neural
network. Journal of Hydrology, Amsterdam 137, 131
Garca-Bartual R., 2002. Short term river flood forecasting with neural networks. The International
Environmental Modelling and Software Society.
Govindaraju R. S. y Rao A. R., 2000. (Eds) Artificial Neural Networks in Hydrology. Dordrech: Kluwer
Academic.
Karunanithi Nachimuthu, Grenney William J., Whitley Darrell y Bovee Ken, 1994. Neural networks for river
flow prediction. Journal of Computing in Civil Engineering 8(2), 201-220.
Pujol L., Ortiz E., Cifres E. y Garca-Bartual R., 2007a. Errors analysis in real time flow forecasting for 10-days
lead time in the Paran river. Geophysical Research Abstracts, Vol. 9, 11011. SRef-ID: 16077962/gra/EGU2007-A-11011. European Geosciences Union.
Pujol L., Ortiz E., Cifres E. y Garca-Bartual R., 2007b. A real-time flow forecasting in the Paran river: A
comparison between ARMAX and ANN models. Congreso IAHR Venecia, Italia.
Rumelhart D. E., Hinton G. E. y Willliams R. J., 1986b. Learning internal representations by error propagation.
Parallel Distributing Processing: Explorations in the Microstructure of Cognition (D.E. Rumelhart, J.L.
McClelland, eds), vol.1, chapter 8, Cambridge, MA: MIT Press.
Sajikumar N. y Thandaveswara B. S., 1999. A Non-Linear RainfallRunoff Model Using an Artificial Neural
Network. Journal of Hydrology 216, 32-55.
Shi Jonathan Jingsheng, 2000. Reducing prediction error by transforming input data for neural networks. Journal
of Computing in Civil Engineering 14(2), 109-116.
Thirumalaiah K. y Deo M. C., 1998a. River stage forecasting using artificial neural networks. Journal of
Hydrologic Engineering 3(1), 26-32.
Thirumalaih K. y Deo M. C., 1998b. Real time flood forecasting using neural networks. Computer Aided Civil
and Infrastructure Engineering 13(2), 101-111.
Warren S. Sarle, 2005. Neural Network FAQ,
ftp://ftp.sas.com/pub/neural/FAQ.html#A2.

part 1 of 7: introduction.

Cary,

NC,

USA

Zealand Cameron M., Burn Donald H. y Simonovic Slobodan P., 1999. Short term stream flow forecasting using
artificial neural networks. Journal of Hydrology 214, 32-48.