En los últimos años, el fenómeno conocido como cambio climático se está
volviendo cada vez más notorio. Como resultado de este fenómeno, uno de
los sectores que se verá más afectado será el de los recursos hídricos debido
al impacto que se tendrá sobre el ciclo hidrológico y en los sistemas de gestión
de agua, y a través de estos, en los sistemas socioeconómicos. Uno de los
impactos conocidos es el conjunto de modificaciones en los patrones de
precipitación y caudal de los ríos que afectarán a todos sus usuarios.
Los caudales de ríos se forman por sedimentos que han sido y están siendo
transportados por agua que fluye y por lo general se pueden clasificar en 4
formas básicas: rectos, meandros, trenzados y anastomosados. Es importante
el tener reconocidos los distintos ríos y para ello no basta con conocer su
localización sino además tener mapeadas las características de estos según
su canal aluvial. Uno de los métodos tradicionales para caracterizar la
morfología de un río (anchura, sinuosidad, características de inundación, etc.)
es a través de trabajo de campo, que es costoso y demanda tiempo. Estos
métodos no sólo consumen tiempo, sino que además, son extremadamente
difíciles de llevar a cabo debido a que están sujetos a factores como
inundaciones, mareas y tormentas que pueden hacer el lugar inaccesible y
peligroso para recolectar información.
El presente proyecto de fin de carrera propone una solución ante el problema
de la dificultad y alto costo que supone la realización del trabajo de campo que
permita caracterizar la morfología de un río. La solución planteada es una
nueva técnica computacional para la caracterización automática de la
morfología de los ríos, Dimensión Fractal Multi-escala, el cual aprovecha las
características fractales de formación de elementos naturales como los ríos.
El proyecto inicia con un proceso de limpieza de ruido a los datos de entrada
que son esqueletos de ríos, para luego, por cada uno, aplicar el método de
Crossing Number para obtener la multiplicidad de canal. Seguidamente, se
elaborará una Curva Fractal aplicando el método de Dimensión Fractal Multiescala
y de la curva obtenida se extraerán puntos de interés para generar un
vector de características necesario para la clasificación. A continuación, se
entrenará un clasificador empleando los vectores de características para
generar un modelo predictivo. Finalmente, el modelo será evaluado mediante
la clasificación de un nuevo esqueleto de río. / Tesis
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:123456789/8806 |
| Date | 16 June 2017 |
| Creators | Brown Manrique, Kevin |
| Contributors | Beltrán Castañón, César Armando |
| Publisher | Pontificia Universidad Católica del Perú |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/bachelorThesis |
| Format | application/pdf, application/pdf |
| Source | Pontificia Universidad Católica del Perú, Repositorio de Tesis - PUCP |
| Rights | Atribución-NoComercial-SinDerivadas 2.5 Perú, info:eu-repo/semantics/openAccess, http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ |
Page generated in 0.0021 seconds