La demanda de agua es la magnitud de referencia en la gestión óptima de los sistemas de distribución. En este trabajo se propone la estimación de la demanda en las próximas 24 horas en un sistema de distribución de agua para riego, y se utilizan, junto con los métodos tradicionales de predicción de regresión múltiple y de modelos univariantes de series temporales (ARIMA), las Redes Neuronales Computacionales (RNCs). Se dispone de los datos de las demandas diarias de agua de las campañas de riegos 1987/88, 1988/89 y 1990/91 de la zona regable de Fuente Palmera (Cór-doba). Los modelos se establecen considerando la relación de los datos presentes y pasados de la demanda, aunque también se analiza la influencia de datos climáticos (temperatura máxima, temperatura media, temperatura mínima, precipitación, humedad relativa, horas de sol y velocidad del viento). Las mejores estimaciones se consiguen con la RNC que considera como variables de entrada las demandas y las temperaturas máximas de los dos días anteriores al de estimación.Palabras clave: estimación demanda, regresión múltiple, análisis series temporales, red neuronal computacional, sistema de riego, control en tiempo real 1 Departamento de Ciencias Agroforestales, Universidad de Huelva, EPS, Campus Universitario de La Rábida, 21819 Palos de la Frontera (Huelva), e-mail: ipulido@uhu.es y juanc@uhu.es 2 Departamento de Agronomía, 3Departamento de Física Aplicada, Universidad de Córdoba, ETSIAM, Apdo. 3048, 14080 Córdoba, email: jroldan@uco.es y fa1lolur@uco.es Artículo recibido el 3 de septiembre de 2001, recibido en forma revisada el 19 de marzo de 2002 y aceptado para su publicación el 2 de abril de 2002. Pueden ser remitidas discusiones sobre el artículo hasta seis meses después de la publicación del mismo siguiendo lo indicado en las "Instrucciones para autores". En el caso de ser aceptadas, éstas serán publicadas conjuntamente con la respuesta de los autores. 1985; Saporta y Muñoz, 1994; Rüfenatch y Guibentif, 1997), mientras que la segunda modela la relación entre datos presentes y pasados de la demanda (análisis estocástico de series temporales) (Coulbeck et al., 1985;Hartley y Powell, 1991;Jowitt y Xu, 1992;Shvartser et al., 1993;Saporta y Muñoz, 1994;Molino et al., 1996;Nel y Haarhoff, 1996). La primera metodología es poco usual, dado que recoger los datos referentes a factores considerados determinantes es igual o si cabe más complicado que recoger los propios datos de consumo, y la inclusión de estos factores se contempla de forma implícita a través de las observaciones de la demanda (Saporta y Muñoz, 1994). TÉCNICAS DE PREDICCIÓNEntre las herramientas generalmente utilizadas para tales fines destacan las regresiones lineales y la metodología de Box-Jenkins de análisis de series temporales (modelos ARIMA), y en este trabajo junto con estos métodos tradicionales de predicción, se propone el uso de Redes Neuronales Computacionales (RNCs) ya que han demostrado conseguir muy buenos resultados en el campo de las técnicas de control inteligente.Las RNCs es...

Artículo recibido el 30 de septiembre de 2004 y aceptado para su publicación el 13 de enero de 2005 . Pueden ser remitidas discusiones sobre el artículo hasta seis meses después de la publicación del mismo siguiendo lo indicado en las "Instrucciones para autores". En el caso de ser aceptadas, éstas serán publicadas conjuntamente con la respuesta de los autores. INTRODUCCIÓNUno de los factores más importantes que afecta al éxito o fracaso de una inversión en un sistema de producción en medio acuático es el de la calidad del agua. Cada especie piscícola posee unos límites para los diversos parámetros considerados en la calidad del agua, tales como la temperatura, oxígeno disuelto, sustancias nitrogenadas, pH, salinidad, etc. De forma ideal, una piscifactoría debe operar dentro de los niveles óptimos de cada parámetro para conseguir así un rápido crecimiento de la biomasa y un comportamiento eficiente de la instalación. La variación significativa de cualquiera de estos parámetros fuera del rango de tolerancia de la especie provoca a corto-medio plazo una disminución del bienestar y salud de los animales, lo que incide de forma directa sobre la producción final. En esta situación, la corrección hasta valores tolerables o la amortiguación de efectos indeseables sólo es posible si el gestor cuenta con información en tiempo real del parámetro considerado y de su posible comportamiento a corto plazo.De esta forma, el control y predicción de la variación de los principales parámetros físico-químicos constituye un aspecto fundamental del buen funcionamiento de este tipo de explotaciones (Allan y Maguire, 1991; Bejda et al., 1992;Alcaraz y Espina, 1995;Burel et al., 1996;Culberson y Piedrahita, 1996).De entre todos los parámetros físico-químicos que pueden tener influencia en el crecimiento de la biomasa en un piscifactoría, uno de los más importantes es la temperatura del agua (Fiogbé y Kestemont, 2003). Esto es debido a que los peces son seres poiquilotermos, lo que implica que la temperatura corporal depende de las variaciones de temperatura del ambiente en el que se desenvuelven. Como consecuencia, la temperatura del agua afecta a la movilidad, comportamiento, alimentación, crecimiento, reproducción y actividad fisiológica de todas las especies de peces (Soderberg, 1990;Wootton, 1991;Hart y Purser, 1995;Hart et al., 1996; Resumen:El control y la predicción de parámetros físico-químicos del agua en tanques de cultivo de plantas de producción en medio acuático es un aspecto fundamental del buen funcionamiento de este tipo de instalaciones. En este trabajo se propone la estimación de la temperatura del agua en las próximas 24 horas en una planta de producción de anguilas europeas de carácter intensivo mediante regresiones múltiples y modelos univariantes de series temporales (modelos de suavizado y ARIMA). Se cuenta con datos de las temperaturas diarias en distintas series de tanques correspondientes a los años 1997 al 2001. Los modelos se calibran considerando exclusivamente la relación de los datos presentes y pasado...

<p>Las redes neuronales artificiales constituyen una buena alternativa a los modelos convencionales para estimar diferentes variables en ingeniería del riego, entre ellas la evapotranspiración de referencia, clave en la determinación de las necesidades de agua de riego. En este artículo se presenta una metodología didáctica para introducir al alumno en la aplicación de redes neuronales para el cálculo de evapotranspiración de referencia mediante el programa MATLAB^©.</p>Además de aprender a usar esta herramienta en una aplicación concreta dentro de su campo de competencias profesionales futuras, el alumno toma contacto con líneas actuales de investigación en el campo de la ingeniería del riego y se promueven eventuales colaboraciones de investigación.

Este artículo describe una propuesta para modificar la arquitectura de control de un Vehículo Operado Remotamente (ROV) destinado a la toma de datos e inspección de granjas acuícolas. La propuesta se basa en incluir un nuevo módulo de Localización, encargado de posicionar distintos tipos de elementos que se encuentren alrededor del ROV y puedan ser de interés para la explotación de la instalación. El proceso de localización se basa en el uso de un sensor de ultrasonido en conjunción con un sistema de localización del ROV, cuya combinación posibilita el posicionamiento local y global de los elementos de interés. El artículo describe el método de localización desarrollado y presenta resultados experimentales que validan la propuesta.