DEPARTAMENTO DE GEOGRAFÍA - Repositorio...

DEPARTAMENTO DE GEOGRAFÍA

MODELAMIENTO SEMIDISTRIBUIDO, CON INFORMACIÓN ESCASA, DE UNA CUENCA HIDROGRÁFICA PARA SU

PLANIFICACIÓN TERRITORIAL

Tesis Doctoral presentada por: FERNANDO RODRIGO OÑATE VALDIVIESO

Bajo la dirección de: Dr. Joaquín Bosque Sendra Dr. Antonio Sastre Merlín

Madrid, España 2009

A mis padres, Rodrigo y Cumandá. A mi amada esposa Kattia.

A mis dulces hijos Arianna y Rodrigo.

AGRADECIMIENTOS En primer lugar deseo dar gracias a Dios por acompañarme siempre en el camino y ser el artífice de todas mis metas. Deseo dejar constancia de mi agradecimiento a los Directores de la presente Tesis, Dr. Joaquín Bosque Sendra y Dr. Antonio Sastre Merlín, por su orientación constante, que junto a sus acertadas correcciones y sugerencias, han permitido concluir con éxito este trabajo. Gracias en especial a Joaquín por por su ayuda, su apoyo incondicional, y por el aliento permanente que hizo más fácil el camino. Mi profundo agradecimiento para la Universidad Técnica Particular de Loja, a la Secretaría de Ciencia y Tecnología del Ecuador (SENACYT) y al Proyecto Binacional Catamayo Chira; ya que su apoyo económico y logístico han permitido que realice mi Doctorado en la Universidad de Alcalá. Quiero agradecer a todos mis compañeros de Doctorado, por la amistad brindada durante todo este proceso; de manera especial especial a Patricia Oliva Pavón y Uriel Pérez Gómez y por su ayuda desinteresada en momentos fundamentales. A todos los profesores del Departamento de Geografía de la Universidad de Alcalá ya que su generosidad que me ha permitido dar un paso más. Finalmente, deseo dar gracias a mí amada esposa Kattia y a mis preciosos hijos Arianna y Rodrigo, por brindarme su comprensión y apoyo incondicional durante este proceso, gracias por ser siempre esa luz que ilumina mi existencia.

CONTENIDO RESUMEN................................................................................................................ i

ABSTRACT………………………………………..……………………………… v

1. INTRODUCCIÓN……………………………………………………………. 1

1.1 Objetivos……………………………………………………………………… 6 1.2 Estructura de tesis ……………………………………………………………. 8 2. REVISIÓN BIBLIOGRÁFICA…………………………………….. 13 2.1 Modelización hidrológica………………………………………………….... 15 2.1.1 Ciclo hidrológico…………………………………………………………. 15 2.1.2 Sistema hidrológico………………………………………………………. 17 2.1.3 Modelos hidrológicos…………………………………………………….. 18 2.1.4 Clasificación de los modelos hidrológicos……………………………….. 18 2.1.4.1 Modelos de tiempo invariable frente a modelos de tiempo variable… 19 2.1.4.2 Modelos de eventos aislados frente a modelos de procesos Continuos……………………………………………………………

20

2.1.4.3. Modelos agregados frente a modelos distribuidos………………….. 20 2.1.5 Etapas de implementación de un modelo hidrológico…………………… 21 2.1.5.1 Selección o construcción del modelo……………………………….... 21 2.1.5.2. Calibración del modelo……………………………………………… 22 2.1.5.2.1 Análisis de sensibilidad…………………………………………... 23 2.1.5.3 Validación……………………………………………………………. 24 2.1.6 Modelos hidrológicos distribuidos……………………………………….. 24 2.1.6.1 El modelo SWAT…………………………………………………….. 28 2.2 Modelos digitales de elevación……………………………………………… 34 2.2.1 Generación de DEMs mediante interpolación de observaciones Puntuales………………………………………………………………….

35

2.2.2 Generación de DEMs a partir de curvas de nivel……………………….... 38 2.2.3 Generación de DEMs mediante LIDAR…………………………………. 37 2.2.4 Generación de DEMs mediante RADAR………………………………… 39 2.2.4.1 Princípios de Interferometría SAR (InSAR)......................................... 40 2.2.4.2 Extracción de DEMs…………………………………………………. 41 2.2.5 Generación de DEMs a partir de imágenes ópticas……………………… 43 2.2.6 Generación de DEMs a partir de imágenes ASTER……………………... 41 2.2.6.1 Generación de imágenes normalizadas o epipolares………………… 43 2.2.6.2 Geometría epipolar…………………………………………………… 46 2.2.6.3 Superposición de imágenes y determinación de la paralaje…………. 50 2.2.6.4 Determinación de la altura y generación del DEM………………….. 50 2.3 Cambio de ocupación del suelo……………………………………………... 51 2.3.1 Modelos predictivos del cambio del uso del suelo……………………….. 53

2.3.1.1 Modelos basados en regresión………………………………………. 53 2.3.1.1.1 Regresión logística……………………………………………….. 54 Estimación de parámetros mediante máxima verosimilitud……... 55 2.3.1.1.2 Redes neuronales………………………………………………… 57 Neuronas…………………………………………………………. 58 Funciones de activación………………………………………….. 59 Regla de retropropagación……………………………………….. 61 Elección del conjunto de entrenamiento ………………………… 62 Tamaño de la red ………………………………………………… 63 Parámetros de aprendizaje ………………………………………. 63 Criterio de detención……………………………………………... 64 Memorización v/s Generalización ………………………………. 65 Recuerdo o Ejecución……………………………………………. 65 2.3.1.2 Modelos basados en transición espacial……………………………... 66 2.3.1.2.1 Cadenas de Markov ……………………………………………… 66 Matriz de transición de un paso………………………………….. 66 Probabilidades de transición en n pasos………………………….. 67 Clasificación de estados de una Cadena de Harkov……………… 67 Modelamiento Markoviano del uso del suelo……………………. 68 2.3.1.2.2 Autómatas celulares……………………………………………… 69 Modelo de uso de suelo urbano con Autómatas Celulares………. 71 2.4 Clima y cambio climático…………………………………………………… 71 2.4.1 Sistema climático global…………………………………………………. 73 2.4.1.1 La atmósfera…………………………………………………………. 74 2.4.1.2 Los océanos………………………………………………………….. 75 2.4.1.3 La Criosfera…………………………………………………………... 75 2.4.1.4 La Biosfera…………………………………………………………... 75 2.4.1.5 La Litosfera…………………………………………………………... 76 2.4.2 Causas naturales del cambio climático…………………………………… 76 2.4.3 Causas antrópicas del cambio climático…………………………………. 78 2.4.4 Efectos del cambio climático…………………………………………….. 79 2.4.5 Pero, ¿Existe verdaderamente cambio climático?....................................... 80 2.4.6 Escenarios de cambio climático………………………………………….. 83 2.4.6.1 Escenarios de emisión de GEI……………………………………….. 83 2.4.6.2 Modelos de circulación general …………………………………….. 84 2.4.6.3 Escalado de patrones………………………………………………… 86 2.4.6.4 Generación de escenarios …………………………………………… 87 3. GENERACIÓN DE INFORMACIÓN BASE 893.1. Extracción de modelos de elevación digital a partir de imágenes aster para la determinación de características morfométricas de cuencas hidrográficas………………………………………………………………………… 91 3.1.1 Introducción…………………………………………………………………. 92

3.1.1.1 Objetivos……………………………………………………………...... 95 3.1.2 Metodología………………………………………………………………….. 95 3.1.2.1 Zona de estudio………………………………………………………….. 95 3.1.2.2 Extracción de DEMs a partir de imágenes estereoscópicas…………....... 96 3.1.2.2.1 Imágenes ASTER y su adquisición………………………………….. 97 3.1.2.2.2 Generación de imágenes normalizadas o epipolares…………………. 98 3.1.2.2.3 Geometría epipolar…………………………………………………… 99 3.1.2.2.4 Superposición de imágenes y determinación de la paralaje………….. 102 3.1.2.2.5 Determinación de la altura y generación del DEM………………...... 103 3.1.2.3 Delimitación automática de cuencas hidrográficas………………………. 104 3.1.2.4 Parámetros morfométricos de cuencas hidrográficas……………………. 105 3.1.2.5 El DEM SRTM………………………………………………………....... 107 3.1.2.6 Caso de estudio………………………………………………………....... 107 3.1.3 Análisis de resultados……………………………………………………...... 109 3.1.3.1 Calidad del DEM ASTER……………………………………………...... 109 3.1.3.2 Delimitación de cuencas hidrográficas y sus características morfométricas……………………………………………………………. 113 3.1.4 Conclusiones…………………………………………………………………. 118 3.1.5 Referencias…………………………………………………………………... 118

3.2. Caracterización climática, meteorológica e hidrológica de la cuenca binacional Catamayo-Chira………………………………………………………... 121 3.2.1 Introducción………………………………………………………………….. 122 3.2.1.1 Objetivo………………………………………………………………........ 122

3.2.2 Metodología………………………………………………………………….. 123 3.2.2.1 Área de estudio…………………………………………………………… 123

3.2.2.2 Datos de precipitación mensual…………………………………………… 124 3.2.2.3 Procesamiento de datos de precipitación diaria………………………….. 128 3.2.2.4 Datos de climáticos………………………………………………………. 130 3.2.2.5 Caracterización climática y meteorológica………………………………. 132 3.2.2.6 Información Hidrológica…………………………………………………. 132 3.2.3 Análisis de resultados………………………………………………………… 133 3.2.3.1 Datos pluviométricos…………………………………………………….. 133 3.2.3.2 Datos Climáticos…………………………………………………………. 137 3.2.3.3 Datos hidrológicos……………………………………………………….. 139 3.2.4 Conclusiones…………………………………………………………………. 141 3.2.5 Referencias………………………………………………………………........ 1423.3. Caracterización del tipo de suelo y ocupación de la cuenca binacional Catamayo-Chira………………………………………………………………......... 145 3.3.1 Introducción…………………………………………………………………. 146 3.3.1.1 Objetivo………………………………………………………………...... 147 3.3.2 Metodología………………………………………………………………….. 147 3.3.2.1 Zona de estudio………………………………………………………...... 147 3.3.2.2 Tipo de suelo…………………………………………………………...... 148

3.3.2.3 Ocupación del suelo.……………………………………………………... 149 3.3.2.3.1 Selección de escala y leyenda………………………………………... 150 3.3.2.3.2 Procesamiento de imágenes………………………………………….. 154 3.3.2.3.3 Validación……………………………………………………………. 156 3.3.2.3.4 Asignación de parámetros……………………………………………. 156 3.3.3 Análisis de resultados……………………………………………………....... 157 3.3.3.1 Tipo de suelo…………………………………………………………...... 157 3.3.3.2 Ocupación del suelo………………………………………………………. 159 3.3.4 Conclusiones…………………………………………………………………. 164 3.3.5 Referencias………………………………………………………………....... 166 4. GENERACIÓN DE ESCENARIOS Y MODELAMIENTO HIDROLÓGICO………………………………................................................... 1704.1 Aplicación de técnicas de SIG y teledetección en la generación de escenarios de cambio de ocupación del suelo con fines de modelamiento hidrológico…………………………………………………………………………… 171 4.1.1 Introducción…………………………………………………………………. 172 4.1.1.1 Objetivo………………………………………………………………….. 173 4.1.2 Metodología………………………………………………………………….. 174 4.1.2.1 Zona de estudio…………………………………………………………... 174 4.1.2.2 Land Change Modeler……………………………………………………. 176 4.1.2.3 Generación de mapas históricos de ocupación del suelo………………… 176 4.1.2.4 Detección de cambios……………………………………………………. 178 4.1.2.5 Variables explicativas……………………………………………………. 179 4.1.2.6 Submodelos de transición……………………………………………....... 182 4.1.2.7 Modelamiento del cambio del uso del suelo…………………………….. 183 4.1.2.8 Validación de los modelos de cambio del uso del suelo y generación de escenarios………………………………………………………………... 184 4.1.3 Análisis de Resultados……………………………………………………….. 185 4.1.3.1 Mapas de ocupación del suelo……………………………………………. 185 4.1.3.2 Detección de cambios……………………………………………………. 187 4.1.3.3 Variables explicativas……………………………………………………. 189 4.1.3.4 Submodelos de transición………………………………………………… 193 4.1.3.5 Modelos de cambio de ocupación del suelo y validación………………... 200 4.1.4 Conclusiones…………………………………………………………………. 205 4.1.5 Referencias………………………………………………………………........ 2064.2. Estudio de tendencias climáticas y generación de escenarios de cambio climático regionales en una cuenca hidrográfica binacional en América del Sur……………………………………………………………………………………. 209 4.2.1 Introducción………………………………………………………………….. 210 4.2.1.1 Objetivo…………………………………………………………………... 212 4.2.2 Metodología………………………………………………………………….. 213 4.2.2.1 Zona de estudio…………………………………………………………. 213 4.2.2.2 Análisis de tendencia…………………………………………………….. 214

4.2.2.3 Generación de escenarios regionales de cambio climático………………. 216 Escenarios de emisión de gases de efecto invernadero………………….. 216 Modelos de circulación general…………………………………………. 218 Escalado de patrones……………………………………………………. 219 4.2.2.4 Generación de escenarios……………………………………………….. 221 4.2.2.5. Extrapolación de las tendencias observadas y comparación con los escenarios de cambio climático calculados………………………………… 222 4.2.3 Análisis de resultados……………………………………………………..... 222 4.2.3.1 Análisis de tendencia…………………………………………………..... 222 4.2.3.2 Generación de escenarios de cambio climático………………………..... 2274.2.3.3 Extrapolación de las tendencias observadas y comparación con los escenarios de cambio climático calculados………………………………….. 231 4.2.4 Conclusiones………………………………………………………………… 233 4.2.5 Referencias………………………………………………………………....... 2354.3. Calibración de un modelo hidrológico concentrado en siete cuencas hidrográficas en la zona fronteriza Ecuador-Perú……………………………...... 237 4.3.1 Introducción…………………………………………………………………. 238 4.3.1.1 Objetivo………………………………………………………………….. 239 4.3.2 Metodología…………………………………………………………………. 239 4.3.2.1 Zona de estudio………………………………………………………...... 239 4.3.2.2 Modelo de Témez (Precipitación-Aportación)………………………… ... 242 4.3.2.3 Implementación, calibración y validación del modelo………………....... 244 4.3.3 Análisis de resultados……………………………………………………… ... 246 4.3.4 Conclusiones…………………………………………………………………. 249 4.3.5 Referencias………………………………………………………………........ 2524.4. Implementación de un modelo hidrológico semidistribuido y evaluación de escenarios de cambio climático y ocupación del suelo en la cuenca binacional Catamayo-Chira (Ecuador – Perú)………………………………………………... 253 4.4.1 Introducción………………………………………………………………….. 254 4.4.1.1Objetivos…………………………………………………………………. 256 4.4.2 Metodología…………………………………………………………………. 256 4.4.2.1 Zona de estudio………………………………………………………...... 256 4.4.2.2 Soil and water assessment tool (SWAT)………………………………… 258 4.4.2.3 Recopilación y análisis de información………………………………….. 259 4.4.2.3.1 Información topográfica……………………………………………… 259 4.4.2.3.2 Caracterización climática, meteorológica e hidrológica……………... 261 4.4.2.3.3 Caracterización edafológica………………………………………….. 263 4.4.2.3.4 Ocupación del suelo………………………………………………….. 266 4.4.2.4 Generación de escenarios………………………………………………… 268 4.4.2.4.1 Escenarios de ocupación del suelo…………………………………… 269 4.4.2.4.2 Escenarios de cambio climático……………………………………… 270 4.4.2.5 Implementación del modelo……………………………………………… 271 4.4.2.6 Análisis de sensibilidad, calibración, validación………………………… 273 4.4.2.7 Implementación de escenarios…………………………………………… 274

4.4.3 Análisis de resultados………………………………………………………… 276 4.4.3.1 Escenarios de cambio de ocupación del suelo…………………………… 276 4.4.3.2 Escenarios de cambio climático…………………………………………. 278 4.4.3.3 Calibración y validación del modelo…………………………………….. 278 4.4.3.4 Análisis de escenarios………………………………………………… … 285 4.4.3.4.1 Escenarios de ocupación del suelo…………………………………… 285 4.4.3.4.2 Escenarios de cambio climático……………………………………… 286 4.4.3.4.3 Escenario combinado: Cambio climático y cambio de ocupación del suelo……………………………………………………………………. 288 4.4.4 Conclusiones…………………………………………………………………. 290 4.4.5 Referencias………………………………………………………………....... 291 5. CONCLUSIONES FINALES……………………………………………… 295 5.1 Conclusiones………………………………………………………………….. 297 5.2 Desarrollos futuros……………………………………………………………. 301

6. BIBLIOGRAFÍA…………………………………………………….. 303

ANEXO 1: Abreviaturas……………………………….……………………… 317

ANEXO 2: Parámetros de validación………………………………………. 319

ANEXO 3: Fotografías………………………………………………… 321

LISTA DE FIGURAS Figura 1.1 Cuenca Binacional Catamayo Chira……………………………… 4Figura 2.1. Ciclo hidrológico del agua………………………………………... 16Figura 2.2.

Representación de los elementos del sistema LIDAR. Sistema de Posicionamiento Global (DGPS), Sistema de navegación inercial (IMU). Todos los elementos son ilustrativos, sin escala (Lee, 2008)…………………………………………...………………… 38

Figura 2.3.

Geometría de adquisición de datos para InSAR. r y r´ son el rango (distancia entre el sensor y el punto en la tierra), h es la altura de la plataforma, B es la línea base, θ´ es el ángulo de la línea base con la horizontal y α es el ángulo de depresión......................................................................................... 40

Figura 2.4. Geometría del sistema Along-Track de ASTER…………………. 45Figura 2.5. Geometría epipolar (adaptado de Morgan, 2004)………………… 47Figura 2.6. Elementos de orientación exterior (Piong, 2003)………………… 48

Figura 2.7. Remuestreo epipolar e imágenes normalizadas (adaptado de Morgan, 2004)……………… …………………………………… 49

Figura 2.8. Cálculo de altura en base a la diferencia de paralaje (Lang y Welch, 1999)……………………………………………………... 51

Figura 2.9. Estructura clásica de una red neuronal…………………………… 57Figura 2.10. Error en Test v/s error en Aprendizaje…………………………… 65Figura 2.11.

Tipos de vecindad de un autómata celular: (a) Von Neumann, (b) Moore, (c) Von Neumann Extendido, (d) Moore Extendido…………………………………………………………. 70

Figura 2.12.

Emisiones anuales totales de CO2 provenientes de todas las fuentes entre 1990 y 2100 (en GtC/año) para los seis grupos de escenarios…………………………………………………………. 85

Figura 3.1.1. Ubicación de la zona de estudio………………………………….. 96Figura 3.1.2. Geometría del sistema Along-Track de ASTER…………………. 97

Figura 3.1.3. Geometría epipolar (adaptado de Morgan, 2004)…………..………………………………………………….

99

Figura 3.1.4. Elementos de orientación exterior (Piong, 2003)…………....……................................................................... 101

Figura 3.1.5.

Remuestreo epipolar e imágenes normalizadas (Adaptado de Morgan, 2004)………………..……………..……………………. 102

Figura 3.1.6. Cálculo de altura en base a la diferencia de paralaje (Lang y Welch, 1999)……………………………………………………... 103

Figura 3.1.7. Delimitación automática de una cuenca hidrográfica (Bosque 1997)……………………………………………………………… 104

Figura 3.1.8.

DEM (ASTER 90m) extraído de la imagen ASTER en el que se indican las zonas de estudio (zona 1 en rojo, zona 2 en azul)…… 111

Figura 3.1.9.

DEM SRTM de referencia y zonas de estudio (zona 1 en rojo, zona2, en azul)……………………………………………………. 111

Figura 3.1.10. Diferencia absoluta entre el DEM SRTM y el DEM ASTER 90m..................................................................................................

112

Figura 3.1.11 112

Rangos de diferencia absoluta entre los DEMs SRTM y ASTER 90m………………………………………………………………..

Figura 3.1.12. Cuencas hidrográficas delimitadas automáticamente en la zona 1.. 114

Figura 3.1.13. Cuencas hidrográficas delimitadas automáticamente en la zona 2.. 115Figura 3.1.14.

Comparación gráfica entre los cauces generados y los digitalizados directamente sobre la imagen: zona 1……………… 115

Figura 3.1.15.

Comparación gráfica entre los cauces generados y los digitalizados directamente sobre la imagen: zona 2……………… 116

Figura 3.1.16.

Comparación de las curvas hipsométricas de las cuencas generadas, zona 1 y zona 2……………………………………….. 117

Figura 3.2.1. Área de estudio…………………………………………………… 124Figura 3.2.2. Estaciones consideradas en el estudio……………………………. 125

Figura 3.2.3. Régimen de precipitación observado en varias estaciones en la cuenca Catamayo Chira…………………………………………... 134

Figura 3.2.4 Régimen de precipitación………………………………………… 135Figura 3.2.5.

Curvas de doble acumulación entre estaciones de precipitación. El efecto de los años ENSO se ha resaltado mediante polígonos en color azul………………………………………………………. 138

Figura 3.2.6.

Curvas de doble acumulación entre estaciones hidrológicas. El efecto de los años ENSO se ha resaltado con óvalos en color azul……………………………………………………………….. 140

Figura 3.2.7. Subcuencas aportantes…………………………………………… 141

Figura 3.3.1. Ubicación de la cuenca binacional Catamayo-Chira……...………......................................................................... 148

Figura 3.3.2. Ocupación del suelo de la cuenca binacional Catamayo-Chira, adaptado de Consorcio ATA – UNP – UNL (2003)……………... 151

Figura 3.3.3. Vegetación arbustiva……………………………………………... 152Figura 3.3.4. Bosque seco..................................................................................... 153Figura 3.3.5. Pastizal……………………………………………………………. 153Figura 3.3.6. Cultivos…………………………………………………………… 154Figura 3.3.7.

Distribución espacial de tipos de suelo según su clasificación taxonómica (Adaptado de Valarezo, 2007)………………………. 159

Figura 3.3.8.

Fragmento de la imagen LANDSAT del 2 de noviembre de 1986 antes y después de la corrección topográfica……………………... 160

Figura 3.3.9.

Ocupación del suelo extraída de las imágenes de 1986, 1996 y 2001 mediante clasificación supervisada………………………… 161

Figura 4.1.1. Ubicación de la cuenca binacional Catamayo-Chira…………….. 175Figura 4.1.2. Esquema de una red neuronal de perceptrones multicapa……….. 183Figura 4.1.3. Mapas de ocupación del suelo en 1986, 1996, 2001…………….. 174Figura 4.1.4 Mapa de persistencia entre 1986 y 1996………………………… 188Figura 4.1.5.

Pérdidas y ganancias (1986-1996) de las ocupaciones de suelo estudiadas…………………………………………………………

189

Figura 4.1.6

Mapas generados en base a regresión logística y redes neuronales (MLP) comparados con el mapa extraído de la imagen del 2001………………………………………………………………. 200

Figura 4.1.7.

Diferencias entre el mapa de ocupación del suelo extraído de la imagen de 2001 y los mapas generados por regresión logística y la red neuronal (MLP)……………………………………………. 201

Figura 4.1.8.

Escenario de ocupación del suelo proyectado hacia el año 2012…...…………………………………………………………. 205

Figura 4.2.1. Ubicación de la zona de estudio y estaciones consideradas……. 214Figura 4.2.2.

Emisiones anuales totales de CO2 provenientes de todas las fuentes entre 1990 y 2100 (en GtC/año) para los seis grupos de

escenarios a) A1FI (incluye los escenarios de alto nivel de carbón y de alto nivel de petróleo y gas), A1T (combustibles predominantemente de origen no fósil) y el A1B (equilibrado); b) A2; c) B1 y d) B2. (IPCC, 2000)………………………………… 218

Figura 4.2.3. Tendencias de precipitación……………………………………… 225Figura 4.2.4. Tendencias de temperatura media………………………………... 225Figura 4.2.5.

Régimen histórico de precipitación y temperatura en la zona de estudio……………………………………………………………. 228

Figura 4.2.6.

Escenario de variación mensual de precipitación (en %) y temperatura (en ºC) según cada año horizonte…………………... 229

Figura 4.2.7.

Escenario de variación anual de la temperatura media considerando un período de 10 años centrado en cada año horizonte…………………………………………………………. 229

Figura 4.2.8.

Escenario de variación anual de la precipitación total considerando un período de 10 años centrado en el cada año horizonte………………………………………………………….. 230

Figura 4.3.1. Ubicación del área de estudio y subcuencas estudiadas………….. 240Figura 4.3.2 Polígonos de Thiessen en una cuenca hidrográfica………………. 246Figura 4.3.3. Caudales observados y calculados en las cuencas estudiadas……. 249Figura 4.4.1. Área de estudio…………………………………………………… 257Figura 4.4.2.

Distribución espacial de tipos de suelo según su clasificación taxonómica (Adaptado de Valarezo, 2007)………………………. 264

Figura 4.4.3 Escenario de ocupación del suelo proyectado hacia el año 2012… 277

Figura 4.4.4.

Escenarios de variación media anual de la temperatura considerando períodos de 10 años en los que se han centrado cada uno de los años horizonte (2025, 2050, 2080)…………………… 279

Figura 4.4.5

Escenarios de variación total anual de la precipitación considerando períodos de 10 años en los que se han centrado cada uno de los años horizonte (2025, 2050, 2080)…………………… 279

Figura 4.4.6.

Caudales observados y calculados por el modelo: períodos de calibración y validación…………………………………………... 283

Figura 4.4.7

Producción de sedimentos observados y calculados por el modelo: períodos de calibración………………………………….. 284

LISTA DE TABLAS Tabla 3.1.1.

Parámetros de calidad de ajuste entre los datos capturados en campo y extraídos de los DEMs ASTER 90m y SRTM…………… 110

Tabla 3.1.2.

Diferencias entre los DEMs ASTER 90m y SRTM: Áreas de los rangos establecidos…………………………………………………. 113

Tabla 3.1.3.

Principales características morfométricas de las cuencas delimitadas en las dos zonas seleccionadas de cada DEM…………. 117

Tabla 3.2.1.

Estaciones presentes en la zona de estudio. Las variables analizadas en cada estación fueron: precipitación (P), temperatura (T), clima (C), caudal (Q), y sedimentos (S)………………………………….. 124

Tabla 3.2.2. Coeficientes de correlación entre estaciones de precipitación…...... 136

Tabla 3.2.3 Caudales de aportación medios mensuales para cada subcuenca (m3/s)………………………………………………………………. 140

Tabla 3.3.1. Imágenes utilizadas…………………………………………………. 150Tabla 3.3.2 Tipos de suelo presentes en la cuenca binacional Catamayo- Chira.. 158

Tabla 3.3.3.

Coeficiente de correlación entre la imagen de iluminación y cada una de las bandas de las imágenes consideradas en el estudio, antes y después de realizar la corrección topográfica…………………….. 162

Tabla 3.3.4.

Matriz de confusión entre la clasificación obtenida de la imagen Landasat de 2001 y el mapa de ocupación del suelo elaborado por el Consorcio ATA – UNP – UNL (2003). Los números hacen referencia a las ocupaciones de suelo estudiadas: 1 vegetación arbustiva, 2 bosque seco, 3 pastizales y 4 cultivos………………… 163

Tabla 3.3.5. Índice Kappa calculado para cada una de las ocupaciones de suelo. 163

Tabla 3.3.6.

Fiabilidad global, índice Kappa y coeficiente de correlación de la clasificación de la imagen de 2001 comparada con el mapa de ocupación del suelo elaborado por el Consorcio ATA – UNP – UNL (2003)………………………………………………………… 164

Tabla 4.1.1.

Tabulación cruzada de las coberturas estudiadas en 1986 (Horizontal) y en 1996 (Vertical)…………………………………... 187

Tabla 4.1.2. Resumen de cambios observados……………….………………….. 188Tabla 4.1.3.

Coeficiente V de Cramer: Nivel de asociación de las variables explicativas cuantitativas y las coberturas estudiadas……………… 190

Tabla 4.1.4.

Coeficiente V de Cramer: Nivel de asociación entre la probabilidad de ocurrencia de una transición según el tipo de suelo; y las coberturas estudiadas……………………………………………..... 192

Tabla 4.1.5.

Resultados de la regresión logística: Transiciones modeladas (submodelos de transición), grado de correlación (ROC), variables explicativas y coeficientes de cada variable explicativa en la ecuación de regresión ……………………………………………… 194

Tabla 4.1.6.

Resultados de la red neuronal (MLP): Transiciones modeladas, variables explicativas, valores de RMS en entrenamiento y validación y porcentaje de precisión en la clasificación……………. 195

Tabla 4.1.7. Probabilidades de transición entre los usos de suelo existentes……. 199Tabla 4.1.8.

Matriz de confusión entre el mapa extraído de la imagen de 2001 y el mapa generado mediante redes neuronales (MLP)……………… 102

Tabla 4.1.9. Matriz de confusión entre el mapa extraído de la imagen de 2001 y el mapa generado mediante regresión logística (RegLog)…………. 203

Tabla 4.1.10

Parámetros de validación entre el mapa extraído de la imagen de 2001 y los mapas generados mediante regresión logística (RegLog) y redes neuronales (MLP)…………………………………………. 204

Tabla 4.2.1.

Estaciones presentes en la zona de estudio. Las variables analizadas en cada estación fueron: precipitación (P), temperatura (T)……….. 215

Tabla 4.2.2.

Resumen de las tendencias observadas expresadas en términos de variación porcentual de la precipitación total anual y en grados centígrados de variación de la temperatura. ………………………..

223

Tabla 4.2.3.

Variación esperada de la precipitación para cada año horizonte, según extrapolación de las tendencias observadas en cada estación 232

Tabla 4.2.4.

Variación esperada de la temperatura para cada año horizonte, según extrapolación de las tendencias observadas en cada estación..

232

Tabla 4.2.5.

Comparación de los resultados de variación en la precipitación y la temperatura obtenidos mediante la extrapolación de las tendencias observadas y los escenarios climáticos calculados…………………. 233

Tabla 4.3.1. Cuencas hidrográficas consideradas……………..…………………. 241Tabla 4.3.2. Análisis de bondad de ajuste, resumen de parámetros calculados…. 247Tabla 4.4.1.

Estaciones presentes en la zona de estudio. Las variables analizadas en cada estación fueron: precipitación (P), temperatura (T), clima (C), caudal (Q), y sedimentos (S)…………………..………………. 260

Tabla 4.4.2. Parámetros climáticos del modelo SWAT………………………….. 262Tabla 4.4.3. Tipos de suelo presentes en la cuenca binacional Catamayo-Chira... 265

Tabla 4.4.4 Parámetros de tipo edafológico del suelo requeridos por el modelo SWAT………………………………………………………………. 265

Tabla 4.4.5.

Parámetros de ocupación del suelo requeridos por el modelo SWAT………………………………………………………………. 267

Tabla 4.4.6.

Cambios de ocupación del suelo introducidos en el mapa de uso actual para conformar el escenario No. 2…………………………... 270

Tabla 4.4.7. Área de cada cobertura según los escenarios de ocupación del suelo 278Tabla 4.4.8. Parámetros calibrados………………………………………………. 280Tabla 4.4.9.

Coeficientes de correlación y eficiencia para los períodos de calibración y validación del modelo SWAT………………….…….. 282

Tabla 4.4.10

Análisis comparativo de los componentes del balance hídrico entre los escenarios de ocupación del suelo (EOS 1, EOS 2) y el año base…………………………………………………………………. 284

Tabla 4.411.

Análisis comparativo de los componentes del balance hídrico entre los escenarios de cambio climático y el año base………………….. 287

Tabla 4.4.12

Análisis comparativo de los componentes del balance hídrico entre los escenarios de ocupación del suelo (EOS 1, EOS 2) sometidos al escenario de cambio climático más crítico (A1FIMI) y el año base.. 288

i

RESUMEN En el presente trabajo se describen las metodologías seguidas para implementar un

modelo hidrológico semidistribuido en una cuenca hidrográfica binacional con fines de

planificación territorial. El caso de estudio es la cuenca binacional Catamayo Chira

ubicada en la zona limítrofe ecuatoriano-peruana, en las coordenadas 3º 30´ a 5º 8´ de

latitud sur y 79º 10´ a 81º 11´, la que posee una extensión de 17 199.19 km2. Ésta

cuenca es la principal fuente de abastecimiento de agua en la región; y se ha visto

afectada por un notable proceso de erosión que disminuye considerablemente a la vida

útil de los proyectos de riego y abastecimiento en la zona. En la búsqueda de posibles

soluciones a esta problemática, se pretende implementar el Soil and Water Assessment

Tool (SWAT), modelo hidrológico que permite el estudio el estudio cualitativo y

cuantitativo del efecto que diversas prácticas de manejo agrícola y planificación del uso

del suelo pueden presentar en la calidad del agua de una cuenca hidrográfica.

En una primera fase de la implementación del modelo se realizó la recopilación y

procesamiento de información base.

Se recopiló información climática, meteorológica e hidrológica en 40 estaciones

meteorológicas, 15 estaciones climáticas y 6 estaciones hidrológicas ubicadas en la zona

de estudio. La calidad de la información se validó mediante a curvas de doble

acumulación, homogenizándose los registros al período 1970-2000 aplicando un

análisis de correlación entre variables relacionadas. Información climática no registrada

fue estimada mediante variables observadas, se extrajeron 14 parámetros climáticos

característicos a nivel mensual y se elaboraron bases de datos de precipitación y

temperatura a escala diaria y mensual para todas las estaciones.

Se extrajo un DEM a partir de una imagen ASTER mediante métodos fotogramétricos,

validándose su calidad mediante puntos DGPS tomados en campo y mediante

comparación con respecto a un DEM SRTM. Dos cuencas hidrográficas fueron

delimitadas en dos zonas relieves marcadamente diferentes, determinándose sus

características morfométricas y utilizando éstas como un elemento de comparación

adicional.

ii

A fin de caracterizar el tipo de suelo existente en la zona de estudio se validó y

complementó de un mapa de tipo de suelo publicado en 2002. En el trabajo de campo se

realizaron calicatas que permitieron tomar muestras inalteradas, describir

detalladamente los horizontes de cada grupo de suelo y clasificarlos edafológicamente.

Ensayos de conductividad hidráulica fueron realizados in situ. Con la información

recabada y mediante ensayos de laboratorio se determinaron los parámetros que

requiere el modelo para cada tipo de suelo presente en la zona de estudio. El uso del

suelo se obtuvo de la clasificación supervisada mediante el método del ángulo espectral

de una imagen LANDSAT ETM+ de octubre de 2001. La caracterización de cada

ocupación del suelo se realizó mediante 32 parámetros de que se incluyen en una base

de datos con características de diversos usos de suelos incluida en el modelo SWAT.

En una segunda fase de la implementación se generaron diferentes escenarios a ser

estudiados con el modelo SWAT.

Se elaboran tres mapas de ocupación del suelo a partir de tres imágenes: Landsat5 MSS

(02/11/1986), Landsat5 TM (24/07/1996), Landsat7 ETM+ (02/10/2001), corregidas

geométricamente, topográficamente, transformadas a reflectividad y clasificadas

supervisadamente en cuatro categorías temáticas. Los cambios ocurridos entre 1986 y

1996, se estudiaron aplicando la metodología propuesta por Pontius et al. (2004),

determinándose la persistencia, ganancia, pérdida e intercambios entre las categorías

temáticas presentes mediante el análisis de tabulación cruzada. Se seleccionaron 5

variables de tipo biofísico y 2 de tipo antrópico; y la relación entre las transiciones

observadas y las posibles variables explicativas se modeló mediante regresión logística

y una red neuronal de perceptrones multicapa (MLP). Las probabilidades de transición

se calcularon según las variables explicativas. Se elaboró un mapa predictivo hacia el

año horizonte (2001), empleando para ello el mapa de cobertura de la fecha inicial

(1996), las probabilidades de transición ya calculadas. Aplicando cadenas de Markov se

calcularon las futuras áreas que tendrían pérdida o ganancia en 2001 y mediante el

método de asignación multiobjetivo de usos de suelo (MOLA) se elaboró el mapa de

ocupación del suelo, que se comparó con el mapa extraído de la imagen LANDSAT de

2001 cuantificándose el ajuste entre ellos mediante el índice Kappa. Con un

procedimiento similar se elaboró un mapa de ocupación del suelo para el año horizonte

iii

2012, el que será considerado como un escenario futuro de ocupación del suelo que se

produciría si se mantienen las tendencias de cambio de ocupación del suelo observadas.

Un segundo escenario de ocupación del suelo se elaboró en base a modificar al mapa de

uso actual del suelo, adicionando zonas con vegetación densa (bosque y arbusto) con

intensión de reducir la producción de sedimentos. En cuanto a zonas productivas éstas

se variaron en función del uso potencial del suelo y de las potencialidades ecológico-

económicas la cuenca.

Con el fin de estudiar el efecto de posibles variaciones climáticas en los recursos

hídricos de la zona, se pretendió identificar evidencias de un posible cambio climático

en la zona de estudio buscando la tendencia de las series históricas disponibles de

precipitación y temperatura aplicando un filtro de medias móviles de cuarto orden.

Posteriormente se generaron escenarios regionales futuros de precipitación y

temperatura hacia los años horizonte 2025, 2050 y 2080, considerando dos escenarios

distintos de evolución climática del IPCC: B2-MES (extensivo) y A1-FIMI (intensivo)

y aplicando 8 modelos de circulación general (CCC199, CCSR96, CSM98, ECH498,

HAD300, HAD 295, MRI_96 y WM_95).

El modelo se implementó con la información base recopilada, realizándose un análisis

de sensibilidad que permita seleccionar las variables más relevantes para el cálculo;

dicho análisis se realizó variando un parámetro a la vez y cuantificando el efecto de la

variación realizada en los resultados aplicando un método combinado de muestreo Latin

Hypercube y simulación OAT (One-factor-At-a-Time). El modelo fue calibrado

secuencialmente, con el 70% de los datos observados en las estaciones hidrológicas,

mediante la optimización del coeficiente de correlación R2 y la eficiencia Nash y

Sutcliffe (EF) calculados con los valores observados y los calculados por el modelo. El

modelo se validó con el 30% restante de las observaciones. Posteriormente se

implementaron los dos escenarios de ocupación del suelo, considerando en este caso

como datos climáticos los datos originales con los que se calibró y validó el modelo.

Por su parte, los escenarios de cambio climático se implementaron considerando la

ocupación del suelo actual y los datos climáticos generados para cada estación según los

dos escenarios climáticos futuros considerados.

iv

Complementariamente, se implementó el modelo concentrado de Témez, el que requiere

de reducida información de entrada (precipitación y evapotranspiración a nivel mensual)

y de la calibración de solo 4 parámetros fundamentales. El modelo fue calibrado y

validado de manera similar que el SWAT, se estudió su desempeño y se definieron

posibles limitaciones de aplicación.

El estudio reflejó que de seguir las tendencias actuales de cambio de ocupación del

suelo se pueden esperar mayores incrementos en las tasa de pérdida de suelo, aunque un

ordenamiento basado en las aptitudes del suelo y en las potencialidades ecológico-

económicas de la cuenca pueden contribuir a reducirla en porcentajes significativos. Se

encontraron evidencias de cambio climático y según los escenarios analizados se prevé

trastornos considerables del régimen climático actual con un sostenido incremento de

temperaturas y una oscilante disminución de las precipitaciones. De producirse

escenarios del cambio climático como los propuestos por el IPCC, se observaría una

disminución considerable en la producción de agua de la cuenca ocasionando una sequía

generalizada de graves consecuencias.

v

ABSTRACT This research describes the methodologies applied in order to implement a semi-

distributed hydrological model in a binational hydrographical basin for territorial

planning. The case study is the binational basin Catamayo-Chira located on the

Ecuador-Peru border with the coordinates of 3º 30´ - 5º 8´ south latitude and 79º 10´ -

81º 11´, and with an area of 17 199.19 km2. This basin is the main source of water

supply in this region and it has been affected by a strong erosion process which

considerably diminishes the useful life of the irrigation and supply projects in this zone.

In order to solve this problem, the Soil and Water Assessment Tool (SWAT) needs to

be implemented. This is a hydrologic model which permits the qualitative and

quantitative study of the effect that agricultural management and soil use planning can

have on the quality of water in a hydrographical basin.

In the first stage of implementation of this model, the gathering and processing of key

information was carried out.

Climatical, meteorological, and hydrological information was collected in 40

meteorological stations, 15 climate stations and 6 hydrological stations located in the

surveyed zone. The quality of information was validated through the use of double

accumulation curves; thus, the records of the period 1970-2000 were homogenized

based on a correlation analysis among related variables. Unrecorded climatic

information was estimated through observed variables, and databases of rainfall and

temperature at a daily and monthly scale for all the stations were then created.

A DEM was extracted from an ASTER image through photogrammetric methods. The

DEM’s quality was validated by using field DGPS points and by comparison with

respect to a DEM SRTM. Two hydrographical basins were defined in two markedly

different relief zones. Their morphometric characteristics were determined and were

used as an additional element for comparison. In addition, a DEM which was made

based on geographical information was validated and the DEM to be used in the

implementation of the model was selected.

vi

The type of soil in the surveyed zone was characterized and was then validated and

complemented by using a soil type map, which was published in 2002. Regarding the

fieldwork, holes were drilled in order to extract unaltered samples, and to provide a

detailed description of the horizons of each soil group and classify them

edaphologically. Furthermore, in situ hydraulic conductivity tests were carried out. 7

global parameters and 12 horizon parameters were determined based on the information

collected and using laboratory tests. These parameters are required by the model for

each soil type present in the surveyed zone. The analysis of soil-use was obtained from

the classification supervised through the method of the spectral angle of a LANDSAT

ETM+ image from October 2001 whose results were validated using 315 field GPS

points. The characterization of each soil-use was carried out through 32 parameters

which are in a database with features of various soil uses included in the SWAT model.

The existing coverage in the surveyed zone, which was previously mapped, was

compared with the coverage included in the SWAT database which presented similar

characteristics and behavior.

In a second phase of implementation different scenarios were generated to be tested

with the SWAT model.

Three maps of the soil use were elaborated from three images: Landsat5 MSS

(02/11/1986), Landsat5 TM (24/07/1996), and Landsat7 ETM+ (02/10/2001). They

were geometrically and topographically revised, transformed into reflective maps and

classified under supervision into four thematic categories. The changes occurred

between 1986 and 1996, and were studied applying the methodology proposed by

Pontius et al. (2004). This study determined the presence of persistence, profit, loss and

interchange among the thematic categories through the analysis of cross tabulation. 5

variables of biophysical types and 2 of anthropic types were selected. The relation

among the observed transitions and the possible explicative variables were modelled

through a logistic regression and a neuronal net of multilayer perceptrons (MLP). Then,

the probabilities of transition were calculated according to the explicative variables. A

predictive map to the horizon year (2001) was elaborated using the coverage map of the

initial date (1996) and the probabilities of transition, which were already calculated. The

future areas that would have profit and loss in 2001 are calculated applying the Markov

chains. The map of soil use is elaborated using the method of multi-objective land uses

vii

assignation (MOLA) which was compared with the map extracted from the LANDSAT

image of 2001, and by this method the adjustment between them was quantified through

the Kappa index. Using a similar procedure a map of soil use was created for the

horizon year of 2012, which will be considered as a future scenario of soil use. It will be

produced if the observed change tendencies of soil use remain.

A second scenario of soil use was created in order to modify the current map of soil use.

In this case zones with dense vegetation (forest and bushes) were added in order to

reduce the production of sediments. Regarding productive zones, they varied according

to the function of the potential soil use and the ecological and economic potentialities of

the basin.

With the purpose of studying the effect of possible climatic variations in the hydric

resources zone, we tried to identify the evidences of a possible climatic change in the

study zone. We looked for a tendency of the available historical series of precipitation

and temperature applying a fourth-order moving average filter. Then, future regional

scenarios of precipitation and temperature to the future years of 2025, 2050 and 2080

were generated considering two different scenarios of climatic evolution from IPCC B2-

MES (extensive) and A1-FIMI (intensive), and applying 8 models of general circulation

(CCC199, CCSR96, CSM98, ECH498, HAD300, HAD 295, MRI_96 y WM_95).

The model was implemented with the compiled base information. Then, an analysis of

sensibility was done in order to select the most relevant variables for the calculation.

This analysis was done by varying one parameter at a time and quantifying the effect of

the variation done in the results. Furthermore, it was necessary for the analysis of the

application of a combined method of Latin Hypercube sample and the OAT (One-facto-

At-a-Time) simulation. Both were implemented in the model. The model was validated

with the remaining 30% of the observations. Afterwards, two scenarios of the soil use

were implemented, considering the original data as climatic data. They were used to

adjust and validate the model. On the other hand, the scenarios of climatic change were

implemented considering the current soil use and the climatic data generated for each

season according to the two future climatic scenarios considered.

viii

Additionally, the concentrated model of Temez, which requires reduced information of

input (precipitation and evapotranspiration at monthly level) and the calibration of just 4

fundamental parameters, was implemented. The model was calibrated and validated in

the same way that the SWAT was. Its performance was studied and the possible

limitations of application were defined.

The study showed that if the current tendencies of soil use continue, higher increases in

the soil loss rate will be expected. However, an ordering based on the ecological and

economic potential of the basin can contribute to a reduction of the soil loss rate.

Evidence was found regarding climate change and according to the scenarios analyzed,

considerable climate disorders are forecasted with a steady increase in temperature and

an oscillating decrease in rainfall. If climate change scenarios similar to the ones

proposed by IPCC occur, a considerable reduction in the water production of the basin

will be observed, thus, causing a widespread drought with serious consequences.

1

1. INTRODUCCIÓN

Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________

3

“He sido un niño pequeño que, jugando en la playa, encontraba de tarde en tarde un guijarro más fino o una concha más bonita de lo normal. El océano de la verdad se extendía,

inexplorado, delante de mi”.

Sir Isaac Newton (1642-1727)

El ambiente o medio ambiente es el entorno vital de un organismo, constituido por un

conjunto de factores físicos, naturales, sociales, culturales, económicos y de paisaje, que

interactúan entre sí, con el individuo y con la comunidad en que éste vive. Cualquier

actividad que el hombre realiza con el fin de obtener un beneficio produce algún nivel

de degradación del ambiente; por lo que, actividades, procesos o comportamientos

humanos de índole económico, social, cultural o político trastornan el entorno y

ocasionan impactos negativos sobre el ambiente, la economía y la sociedad, generando

problemas ambientales tan notables como la destrucción de hábitats, deforestación,

erosión, cambio climático, etc.

La erosión es la remoción del suelo por agentes del medio físico; ocurre de manera

natural, pero las actividades humanas, particularmente la agricultura y deforestación

(que remueven la vegetación protectora y reducen la estabilidad del suelo), han

incrementado los niveles de erosión dando paso a un proceso denominado “erosión

acelerada”, que ha sido el responsable de la pérdida de 1/5 de la capa superficial del

suelo agrícola del mundo y un 1/5 de la capa superficial del suelo de los bosques

tropicales en los últimos 50 años. La erosión es considerada como un severo problema

ambiental que afecta, en diverso grado, al 80% de la superficie del planeta, estimándose

que las pérdidas globales de tierras productivas, debidas a la erosión, oscilan entre 5 y 7

millones de hectáreas por año.

Entre los múltiples efectos de la erosión se pueden citar: a) disminución de la

productividad agrícola por la pérdida de la capa superficial más fértil del suelo, b)

disminución de la capacidad de almacenamiento del agua en el suelo y c) aumento de la

producción y acumulación de sedimentos que deteriora la calidad del agua y

compromete la vida útil de las obras hidráulicas fluviales. La erosión y el transporte de

sedimentos están en función de la escorrentía, la morfología de la cuenca, su tectónica,


4

litología, así como el clima y las actividades humanas desarrolladas. La adecuada

combinación de usos de suelo y prácticas de manejo puede reducir las tasas de erosión y

sedimentación de manera significativa.

La zona limítrofe entre Ecuador y Perú, al igual que otras regiones de la costa pacífica

de Sudamérica, es afectada por una limitada disponibilidad de recursos hídricos. Los

totales de precipitación anual oscilan entre los 10mm y 80 mm anuales en las zonas

bajas, cercanas al océano Pacífico; y entre los 500mm y 1000mm por año en las zonas

altas, influenciadas por la presencia de la cordillera de los Andes y la cercanía de la

Amazonia. Periódicamente, esta zona se ve afectada por la ocurrencia del ENSO (El

Niño Oscilación Sur), fenómeno que en su fase cálida produce excesos de evaporación y

consecuentemente lluvias intensas y en su fase fría, conocida como La Niña, produce

descensos de la temperatura normal del océano ocasionándose notables disminuciones

de evaporación y precipitación con consecuentes períodos de sequía.

Figura 1.1 Cuenca Binacional Catamayo Chira


5

La Cuenca Binacional Catamayo-Chira se encuentra ubicada en la zona fronteriza

ecuatoriano-peruana y se constituye en su principal fuente de abastecimiento de agua

con fines agrícolas y de consumo humano. Se extiende entre las coordenadas 3º 30´ a 5º

8´ de latitud sur y 79º 10´ a 81º 11´, posee una extensión de 17 199.19 km2, de la que el

42% pertenece al Ecuador. En la cuenca habita una población de 817 968 habitantes.

La cuenca nace en las cumbres de la divisoria continental de aguas (Ecuador) y

desemboca en el Océano Pacifico (Perú), atravesando escenarios montañosos y

costaneros, con climas tropicales, ecosistemas, usos y sistemas administrativos; que

determinan características territoriales naturales y antrópicas muy diversas. La

geografía de la cuenca es abrupta con rangos de altitud que oscilan entre los 3.700 y 0

metros sobre el nivel del mar. En este escenario se presentan once zonas de vida, que

van desde el desierto tropical (d-T) hasta el bosque pluvial montano (bp-M). La

precipitación media anual es del orden de los 800 mm variando entre 10 mm en la zona

baja, hasta 1000 mm en su cabecera. La cuenca baja se halla marcadamente influenciada

por su cercanía con el océano pacífico, la cuenca alta por su parte, recibe una notable

influencia de la cordillera de Los Andes y la vecina Amazonia. En términos generales

la cuenca se halla cubierta en un 20% de bosque natural, 21% de bosque seco, un 30%

de pastizal, un 10% de cultivos y un 19% de usos varios. Los suelos son

predominantemente Entisoles que cubren un 60% del área de la cuenca, seguido de un

16% de Inceptisoles. En la zona de estudio adicionalmente se presentan Alfisoles,

Aridisoles, Molisoles y Vertisoles, en menores proporciones. La cuenca está formada

por cinco tributarios principales: Los ríos Catamayo, Macará, Quiroz, Chipilico y

Alamor, de los cuales los mayores productores de agua son el río Catamayo con un

caudal medio de 30 m3/s y la del río Macará con 40 m3/s.

La cuenca se ha visto afectada por un notable proceso de erosión originado por la

combinación de pendientes considerables, suelos altamente erosionables y usos

inadecuados del suelo que ha ocasionado que más del 20% de la cuenca se encuentre en

un claro proceso de erosión lo que afecta considerablemente a la vida útil de los

proyectos de riego y abastecimiento en la zona, con la consecuente afectación a las

extensas áreas agrícolas que se encuentran en la parte baja de la cuenca.


6

Con la finalidad de brindar una idea clara de la realidad de la cuenca Binacional

Catamayo Chira, se incluye una colección de fotografías en el anexo 3 del presente

trabajo.

El principal proyecto de abastecimiento de agua de la cuenca es el reservorio de

Poechos (1000 millones de m3 de capacidad inicial). Se estima que en años normales

aproximadamente 7 u 8 millones de m3 de sedimentos ingresan al reservorio Poechos.

En los años Niño 1982/1983 y 1997/1998 la tasa de sedimentación se incrementó en un

1000%, llegando a 79 millones de m3/año, ocasionando una reducción de 15 años de

vida útil del embalse. Actualmente se estima que de producirse dos eventos Niño de

similar magnitud, el reservorio podría dejar de operar, ocasionando el colapso de las

actividades agrícolas en los valles Chira y Bajo Piura, zonas de principal importancia

para el norte peruano.

En la búsqueda posibles soluciones a esta problemática, que puede tener repercusiones a

nivel internacional, el proyecto Binacional Catamayo Chira se encuentra elaborando un

plan de ordenamiento de la cuenca que permita un aprovechamiento racional de los

recursos naturales y que posibilite un desarrollo sostenido y sustentable de la región.

Las alternativas de manejo involucran criterios de valoración ecológico - económica, de

aptitud agrícola, de género, entre otras. Uno de los medios de selección de una solución

óptima la constituyen los modelos hidrológicos, ya que permiten analizar el impacto de

diferentes escenarios de ordenamiento y manejo; y de entre ellos, escoger el que brinde

las mejores condiciones que, en este caso, permitan reducir la producción de

sedimentos, sin afectar la disponibilidad de recursos hídricos en la cuenca.

1.1 Objetivos

Objetivo General

Modelar en forma semidistribuida la cuenca Binacional Catamayo Chira a fin de

obtener una potente herramienta que facilite una planificación territorial óptima, que sea

la base de su desarrollo.


7

Objetivos Específicos

Para alcanzar el objetivo general se han propuesto los siguientes objetivos específicos:

• Implementar el Soil and Water Assessment Tool (SWAT) para contribuir a

la planificación territorial de la cuenca

¿Es posible conocer el comportamiento hidrológico de la cuenca Catamayo Chira y

determinar la influencia de los cambios de ocupación del suelo en su hidrología?. ¿Será

posible reducir la producción de sedimentos mediante cambios de ocupación del suelo?.

¿De que manera influiría el cambio climático en la disponibilidad de los recursos

hídricos de la cuenca?

Para responder a estas interrogantes es necesario implementar el modelo hidrológico

semidistribuido SWAT, calibrarlo y validarlo, de manera que sea capaz de reproducir de

manera aceptable el ciclo hidrológico en la cuenca, y con éste estudiar el efecto de

varios escenarios de tipo climático y de ocupación del suelo en la hidrología de la

cuenca.

Para la implementación del modelo y el análisis de escenarios se requiere generar

información de diversa índole, que se obtiene mediante el cumplimiento de los objetivos

específicos restantes:

• Caracterizar climática e hidrológicamente la cuenca

¿Cuál es el régimen climático, hidrológico y meteorológico de la cuenca Catamayo

Chira?. ¿Cuál es la calidad de la información existente?

Para responder a estas preguntas es necesario recopilar la mayor cantidad de

información climática, meteorológica e hidrológica; validarla y homogenizarla a un

período común y extraer los parámetros necesarios que permitan caracterizar

climáticamente la cuenca y realizar la implementación del modelo SWAT.


8

• Estudiar el cambio del uso del suelo y generar escenarios futuros de

ocupación del suelo

¿Es factible modelar las tendencias de cambio de uso de suelo en una cuenca

hidrográfica y generar con dicho modelo un escenario futuro de ocupación?.

Esta pregunta nos lleva a buscar primeramente los patrones de cambio de ocupación del

suelo, para luego tratar de encontrar variables que tengan poder de explicar tales

cambios. A continuación se realizará un pronóstico de la ocupación del suelo hacia un

año horizonte que reflejará su posible estado de persistir las tendencias actuales de

evolución. Se introducirán cambios de ocupación del suelo al estado actual y se

generará un escenario realista, que tenga la capacidad de reducir la erosión en la cuenca.

Finalmente, el efecto de dichos escenarios se estudiará con el modelo SWAT

• Estudiar las tendencias climáticas y generar escenarios regionales de

cambio climático

¿Hay evidencias de cambio climático en la cuenca Catamayo chira?. ¿Afectará el

cambio climático a la cuenca?, ¿Cuál será la magnitud de los cambios climáticos?

Para conocer el efecto de los cambios climáticos en los recursos hídricos será necesario

primeramente estudiar las tendencias climáticas históricas mediante métodos

estadísticos sencillos; para de ser el caso, identificar posibles evidencias de un cambio

climático. A continuación se generarán escenarios climáticos regionales en base a la

aplicación de las metodologías propuestas por el IPCC. Para finalmente estudiar el

impacto de aquellos en la hidrología de la cuenca mediante el modelo SWAT.

1.2 Estructura de tesis

Conforme los objetivos planteados, este trabajo se ha concebido como una recopilación

de siete artículos individuales, que se constituyen en partes de un todo. En cada artículo


9

individualmente se presentan los antecedentes, metodologías empleadas y el análisis de

los resultados que permiten obtener conclusiones relevantes en cada caso.

En una primera parte se presenta una revisión bibliográfica, la que si bien no es

exhaustiva, procura proporcionar una visión detallada de los antecedentes y

fundamentos teóricos empleados en cada una de las fases de la presente investigación.

Los siete artículos elaborados se agrupan en dos secciones: la primera agrupa tres

trabajos en los que se describe los procesos seguidos para generar la información base

requerida en la presente investigación, para en la segunda, reunir los cuatro temas

relativos a la generación de escenarios y al modelamiento hidrológico propiamente

dicho. Cada uno de los artículos se describen en los párrafos siguientes.

En el primer artículo (presentado en XII Congreso de la Asociación Española de

Teledetección, Mar del Plata, Argentina, septiembre, 2007) se presentan las técnicas

empleadas para generar y validar un modelo de elevación digital empleando imágenes

ASTER, estudiando las posibles ventajas que pueda presentar para delimitar cuencas

hidrográficas y calcular parámetros morfométricos de estas, en comparación a un DEM

SRTM. Con esto se pretende seleccionar la mejor fuente de información topográfica

con fines de modelamiento hidrológico.

El segundo artículo (presentado en el IX Congreso Ecuatoriano de Hidráulica, Quito,

Ecuador, noviembre de 2007) presenta los procesos de recopilación, validación y

homogenización de la información climática, meteorológica e hidrológica registrada en

un período de 30 años en las estaciones que para el efecto existen en la zona de estudio.

Con este trabajo se pretende caracterizar climática e hidrológicamente la cuenca y

construir las bases de datos necesarias para la implementación del modelo.

En el tercer artículo (presentado en el IX Congreso Ecuatoriano de Hidráulica, Quito,

Ecuador, noviembre de 2007) se resumen los procedimientos de campo y laboratorio

realizados para obtener los parámetros que permitan caracterizar el tipo y uso del suelo

de la cuenca binacional Catamayo Chira. Con este trabajo se obtienen los parámetros


10

necesarios para modelar los procesos que a nivel del suelo se realizan en el ciclo

hidrológico.

El cuarto artículo presenta la metodología aplicada para identificar los cambios de

ocupación de suelo ocurridos y las posibles variables con capacidad de explicarlos, así

como los procesos realizados para modelar las tendencias de cambio y poder

proyectarlas hacia el futuro. Con este trabajo se pretende generar un escenario de

ocupación de suelo que refleje el estado que éste tendría de mantenerse las tendencias

actuales de su evolución.

En el quinto artículo (enviado para publicación en Estudios Geográficos, CSIC. Fecha

de envío 6-XI-2009) se exponen las metodologías empleadas para identificar posibles

evidencias de cambio climático en la zona de estudio; y para generar escenarios

regionales de cambio climático. Con esto se pretende obtener elementos que permitan

estudiar el efecto, de producirse dichos cambios, en la disponibilidad de recursos

hídricos en la cuenca.

En el sexto artículo (enviado para publicación en Ingeniería del Agua. Fecha de envío

31-X-2009) se presenta el modelamiento concentrado de varias subcuencas presentes

en la zona de estudio y sus alrededores, esto con el objetivo de comparar las posibles

ventajas que un modelo de estas características pueda presentar frente a un de tipo

semidistribuido.

En el séptimo artículo se resumen de cierta manera los artículos precedentes y se

presentan los procesos empleados para implementar, calibrar y validar un modelo

semidistribuido en la cuenca binacional Catamayo Chira. Se describen los procesos de

implementación de cada escenario climático y de ocupación del suelo y se analizan sus

efectos. Con esto se obtiene una herramienta que, al alcance de los entes de decisión,

puede constituirse en un aporte fundamental en la resolución de la problemática, ya

expuesta, de la cuenca binacional Catamayo Chira.

Finalmente, se presenta un capítulo referente a las conclusiones generales del estudio

relacionándolas con los objetivos de la tesis. Una lista de las referencias y fuentes

bibliográficas consultadas cierra el presente trabajo.


11

Complementariamente, se incluyen tres anexos que contienen las abreviaturas utilizadas

en el desarrollo de la presente tesis, las formulas de cálculo de los parámetros de

calibración y validación de los modelos empleados y la ya mencionada colección

fotográfica.

13

2. REVISIÓN BIBLIOGRÁFICA

Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________

15

En el presente capítulo se pretende realizar una revisión de los fundamentos teóricos de

los distintos elementos que han sido combinados para alcanzar los objetivos planteados

en la presente tesis. Si bien la revisión no es totalmente exhaustiva, se pretende

proporcionar una descripción clara y didáctica de dichos elementos.

2.1 Modelización hidrológica

2.1.1 Ciclo hidrológico El ciclo hidrológico no tiene ni principio ni fin y sus procesos ocurren en forma

continua (Chow et al., 1988, p.2) En la figura 2.1, esquemáticamente se muestra como

el agua se evapora desde los océanos y la superficie del suelo para volverse parte de la

atmósfera; el vapor de agua se eleva hasta que se condensa en la atmósfera y precipita

luego sobre la superficie terrestre en forma de lluvia.

El agua de lluvia es interceptada en primer término por el follaje de la vegetación (de

existir ésta), o puede caer directamente sobre el suelo o cuerpos de agua. Esta agua

interceptada puede ser luego evaporada. Del agua que llega a la superficie del suelo

parte será infiltrada (ingresa al perfil del suelo) y parte escurrirá superficialmente.

Simultáneamente a la entrada de agua en el suelo, el agua puede ser evaporada de la

superficie del suelo o extraída de éste por las raíces de las plantas y transpirada luego

por sus hojas. El agua infiltrada puede descender a estratos más profundos del suelo y

llegar hasta un acuífero, pudiendo regresar eventualmente a la superficie, a través de

vertientes o extracciones mediante pozos.

En terrenos con relieve se puede producir un movimiento del agua en los estratos

superficiales del suelo (flujo lateral subsuperficial) y un movimiento superficial del

agua sobre el terreno (escorrentía), a través de canales permanentes (que disponen de

agua durante todo el año) o intermitentes (que poseen agua durante la temporada

lluviosa), hacia reservorios superficiales o el océano. El agua evaporada desde el suelo,

océanos, lagos, ríos y embalses y transpirada por la vegetación regresa a la atmósfera

iniciando un nuevo ciclo.


16

A pesar de que el concepto de ciclo hidrológico es simple, el fenómeno es enormemente

complejo e intrincado. La hidrología de una región está determinada por sus patrones

de clima, su topografía, geología y vegetación. Adicionalmente a esto, las actividades

humanas invaden gradualmente el medioambiente natural del agua alterando el

equilibrio dinámico del ciclo hidrológico, iniciando nuevos procesos y eventos (Chow

et al., 1988, p.5).

Figura 2.1. Ciclo hidrológico del agua. (http://ga.water.usgs.gov/edu/watercycle.html)

La cuenca hidrográfica es la unidad de estudio en hidrología, la que puede definirse

como el conjunto de tierras que drenan sus aguas hacia un cauce común. Según Ponce

(1989), se puede clasificar a las cuencas hidrográficas por su tamaño en: cuencas

pequeñas (small catchments), cuencas medianas (midsize catchments) y cuencas

grandes (large catchments). El límite superior para las pequeñas cuencas se establece en

torno a 1 Km2, siendo el límite superior de las medianas entre 100 y 5000 Km2. En

cuanto a las grandes cuencas no se establece un límite superior. Esta clasificación

obedece al hecho de que en cuencas pequeñas, la escorrentía puede ser modelada

asumiendo que la precipitación es constante en el tiempo y el espacio. En cuencas

medianas la escorrentía puede ser modelada asumiendo que la precipitación es constante

en el espacio, pero variable en el tiempo. En cuencas de gran tamaño, la escorrentía se

modela asumiendo que la precipitación varía en el tiempo y en el espacio (Ponce, 1988,

p. 7).


17

En Hidrología de avenidas, usualmente las cuencas pequeñas se modelan mediante

simples métodos empíricos (método racional, por ejemplo). Para cuencas medianas,

modelos concentrados conceptuales como el hidrograma unitario son preferidos en la

práctica. Para cuencas grandes, las variaciones temporales y espaciales de la lluvia y la

escorrentía dictan el uso de modelos distribuidos, incluyendo reservorios y tránsito

hidrológico (Ponce, 1988, p. 8).

La cuenca Binacional Catamayo Chira posee 17 199.19 km2, por lo que se la clasifica

como una cuenca grande.

2.1.2 Sistema hidrológico Un sistema, en general, es un conjunto de parte conectadas entre sí, que forman un todo.

El ciclo hidrológico puede tratarse como un sistema cuyas componentes son todas las

fases del ciclo hidrológico. Estas componentes pueden agruparse como subsistemas

analizándose separadamente y combinando los resultados de acuerdo con las

interacciones entre subsistemas. Para fines prácticos, solo se consideran algunos

procesos del ciclo hidrológico, en un determinado momento y teniendo en cuenta

únicamente una pequeña porción de la superficie de La Tierra. (Chow, et al., 1988).

Un sistema hidrológico se define como “una estructura o volumen en el espacio,

rodeada por una frontera, que acepta agua y otras entradas, opera en ellas internamente

y las produce como salidas” (Chow, et al., 1988, p.7). La estructura es la totalidad de

los caminos del flujo a través de los cuales el agua puede pasar como materia prima

desde el punto que entra al sistema hasta que lo abandona. La frontera es una superficie

continua tridimensional que encierra a la estructura y en la que operan los procesos

físicos, químicos y biológicos del ciclo hidrológico.

Si la superficie y el suelo de la cuenca se examinan en detalle, el número de caminos

posibles resulta enorme. A lo largo de alguno de estos caminos, la forma, la pendiente y

la rugosidad pueden cambiar continuamente; variando incluso en el tiempo conforme el

suelo se humedece. De manera análoga la precipitación varía en el tiempo y el espacio;

estas complicaciones hacen que sea prácticamente imposible describir estos procesos


18

físicos a través de leyes físicas exactas. Si se utiliza el concepto de sistema, el esfuerzo

se dirige hacia la construcción de un modelo que relacione entradas y salidas en lugar de

llevar a cabo la representación exacta de los detalles del sistema, los cuales pueden ser

desconocidos o no significativos desde el punto de vista práctico. Sin embargo, el

conocimiento de un sistema físico ayuda en el desarrollo de un buen modelo y en la

determinación de su precisión (Chow, et al., 1988, p.8).

2.1.3 Modelos hidrológicos Un modelo hidrológico puede definirse como la representación matemática del ciclo del

agua sobre una determinada porción de territorio, con la finalidad de realizar

transformaciones lluvia - escorrentía. Los modelos hidrológicos buscan simplificar la

complejidad del mundo real por medio de una selección de los aspectos fundamentales

que determinan el funcionamiento del sistema hidrológico modelado, de forma que

generalmente cuantas más simplificaciones supone un modelo, menos precisos serán sus

resultados. Un sistema hidrológico engloba el conjunto de procesos físicos, químicos y

biológicos que actúan sobre unas variables de entrada convirtiéndolas en otras variables

de salida (Clarke, 1973).

2.1.4 Clasificación de los modelos hidrológicos

En forma general los modelos se clasifican en:

• Modelos físicos. Se basan en la reducción a una determinada escala del prototipo

(realidad). Su fundamento teórico lo constituye el análisis dimensional

completado con la teoría de la semejanza.

• Modelos matemáticos. Representan el sistema (prototipo) por un conjunto de

ecuaciones y sentencias lógicas que expresan las relaciones entre variables y

parámetros.

Comúnmente se reconocen cuatro tipos de modelos matemáticos (Ponce, 1988): (1)

determinísticos, (2) probabilísticos, (3) conceptuales, y (4) paramétricos.


19

Los modelos determinísticos son formulados siguiendo fórmulas de la física y/o

procesos químicos descritos por ecuaciones diferenciales. Es formulado en términos de

un grupo de variables, parámetros y ecuaciones relacionadas a ellos. Implica una

relación causa-efecto entre los valores de los parámetros elegidos; y deberían proveer el

mejor detalle en la simulación de los procesos físicos o químicos.

Los modelos probabilísticos son exactamente lo opuesto en significado a los modelos

determinísticos. Un modelo probabilístico se formula siguiendo las leyes del azar o

probabilidad. Los modelos probabilísticos son de dos tipos: estadísticos, y estocásticos.

Los modelos estadísticos tratan con datos observados, mientras que los modelos

estocásticos, lo hacen con la estructura del azar observada en ciertas series hidrológicas

temporales.

Los modelos conceptuales son representaciones simplificadas de los procesos físicos,

usualmente recaen sobre descripciones matemáticas (ya sean en forma algebraica o por

ecuaciones diferenciales ordinarias), que simulan procesos complejos basándose en unas

pocas claves de parámetros conceptuales. El uso extensivo de los modelos conceptuales

en la ingeniería hidrológica refleja la complejidad inherente del fenómeno y la

incapacidad práctica de considerar los componentes determinísticos en todas las

instancias. De allí que los modelos conceptuales son sustitutos útiles y prácticos para los

modelos determinísticos.

Los modelos paramétricos (esto es: empírico, o caja negra) son los más simples de todas

las propuestas de modelado. Como su nombre indica, el énfasis de los modelos

paramétricos está en los parámetros empíricos en los que está basada la solución.

Usualmente, un modelo paramétrico consiste en una ecuación (o ecuaciones) algebraica

que contiene uno o más parámetros a ser determinados por el análisis de datos u otro

medio empírico. La aplicabilidad de los modelos paramétricos está restringida al rango

de datos utilizados en la determinación de los valores de los parámetros. Los modelos

paramétricos son útiles cuando los modelos conceptuales, determinísticos o

probabilísticos no son prácticos o son demasiado caros.

2.1.4.1 Modelos de tiempo invariable frente a modelos de tiempo variable


20

En los modelos de tiempo invariable, el parámetro o parámetros permanecen constantes

en el tiempo. Por el contrario, en los modelos de tiempo variable, los parámetros varían

en el tiempo. En la práctica, la mayoría de las aplicaciones han sido restringidas a

modelos de tiempo invariable.

2.1.4.2 Modelos de eventos aislados frente a modelos de procesos continuos

Como sus nombres lo implican, los modelos de eventos aislado son de corto plazo,

diseñados para simular eventos individuales de lluvia-escurrimiento. Su énfasis está en

la filtración y en el escurrimiento de superficie, su objetivo es la evaluación del

escurrimiento directo. Los modelos de evento son aplicables para el cálculo de flujo de

inundación, particularmente en los casos donde el escurrimiento directo es el mayor

contribuyente al escurrimiento total. Típicamente, los modelos de evento no tienen en

cuenta la recuperación de humedad entre eventos de tormenta y, por ello, no se ajustan

para la simulación de flujos de tiempo seco (esto es: diariamente).

Distinto de los modelos de evento, los modelos de procesos continuos toman en cuenta

todos los componentes del escurrimiento, incluyendo el escurrimiento directo (flujo de

superficie) y el escurrimiento indirecto (flujo subterráneo e interflujo). Los modelos de

proceso continuo se focalizan en la evapotranspiración y en otras abstracciones

hidrológicas de largo plazo responsables del valor de recuperación de humedad durante

los períodos en que no hay precipitación. El objetivo de los modelos de proceso

continuo es tener en cuenta el balance de humedad a largo plazo de toda la cuenca. Los

modelos de proceso continuo se adaptan a la simulación de flujos diarios, mensuales o

estacionales, usualmente para el volumen a largo plazo del escurrimiento y estimaciones

de la producción de agua.

2.1.4.3. Modelos agregados frente a modelos distribuidos

Los modelos hidrológicos pueden clasificarse en modelos agregados y modelos

distribuidos (Carpenter y Georgakakos, 2006). Un modelo concentrado es aquel que

realiza un balance de agua simplificado, empleando parámetros únicos que representan

en promedio la variabilidad espacial y temporal de las características de una zona


21

relativamente extensa. Por su parte, los modelos distribuidos dividen la cuenca en

pequeñas sub áreas, considerando la variabilidad espacial de los datos y de los

parámetros del modelo (García et al., 2008). Los conceptos de modelos concentrados y

distribuidos, opuestos en significado, no son necesariamente excluyentes ya que los

modelos concentrados pueden ser usados como componentes de un gran modelo

distribuido (Ponce, 1989, p. 393).

Lo que realmente constituye una diferencia importante entre los métodos agregados y

distribuidos, dentro del estudio hidrológico y desde el punto de vista espacial, es la

forma de realizar la subdivisión de la cuenca. Los métodos distribuidos dividen el

terreno en celdas de forma regular, generalmente cuadrangulares, dando lugar a un

"grid' o matriz de datos. El objetivo es hacer la unidad de cálculo suficientemente

pequeña para poder considerar constante el valor de las variables y parámetros, que

intervienen en los fenómenos que van a ser analizados, dentro de la misma.

También podemos aplicar un modelo agregado en divisiones hidrográficas naturales o

subcuencas; y, aunque se sepa que las variables y parámetros no pueden ser constantes

en toda la unidad, adoptar los valores medios disponibles como representativos de los

valores reales. Este enfoque, mediante divisiones en subcuencas, se presta menos a la

mecanización del conjunto del territorio a estudiar, que las celdas regulares; y, da lugar

a los denominados modelos semidistribuidos de gran aplicación en cuencas de mayor

tamaño.

2.1.5 Etapas de implementación de un modelo hidrológico

La implementación de un modelo requiere de tres etapas definidas:

• Selección o construcción del modelo

• Calibración del modelo

• Validación

2.1.5.1 Selección o construcción del modelo


22

La construcción de un modelo de cuenca comienza con la selección de los componentes

del modelo. Una vez que éstos han sido elegidos, se unen como partes del todo,

siguiendo una secuencia lógica que recuerda a la del proceso natural. La lluvia y la

nieve son consideradas primero, seguidas por las abstracciones hidrológicas, la

generación del hidrograma de la subcuenca, reservorio y transito de la corriente en el

canal, y su combinación en las confluencias de la red hidrográfica (Ponce, 1989).

La selección del modelo adecuado implica en primer lugar, definir la escala física y la

escala de tiempo en que se desea trabajar; y a partir de ello, se puede decidir la

estrategia de la modelización, seleccionando el ámbito de la modelización (la cuenca, el

tramo de río, etc.) y el horizonte temporal (modelo continuo o de evento, periodicidad

de los resultados, duración de la simulación, etc.). En este paso es fundamental la

definición de los datos que estarán disponibles para la construcción, calibración y

explotación del modelo, puesto que la concepción global del modelamiento, ha de ser

consistente con la calidad de los datos disponibles.

2.1.5.2. Calibración del modelo Una vez seleccionado el modelo, es imprescindible un proceso de calibración para

conseguir que éste simule adecuadamente el comportamiento del sistema que

representa. Según Ponce (1989), la calibración del modelo es el proceso por el cual los

valores de sus parámetros son identificados para su uso en una aplicación particular.

Consiste en el uso de datos de lluvia-escurrimiento y un procedimiento para identificar

los parámetros del modelo que provean la mejor concordancia entre los flujos simulados

y los registrados. La identificación de los parámetros puede ser llevada a cabo

manualmente, por prueba y error, o automáticamente, utilizando técnicas de

optimización matemática.

La calibración es un proceso interactivo, se empieza por los valores medidos o

supuestos de los parámetros, y se van modificando sucesivamente a fin de reducir las

diferencias (residuos) entre los valores calculados y de los observados en el sistema. Se

han desarrollado algoritmos matemáticos de calibración automática que minimizan las

diferencias entre los valores de las variables de estado, calculadas por el modelo y las


23

observadas en la realidad. Para ello es preciso definir previamente una función objetivo,

que es una expresión matemática en la que intervienen las variables de estado

calculadas y medidas, y que representa el grado de ajuste del modelo; y un método para

ajustar los valores de los parámetros tras cada iteración, mejorando de esta manera el

ajuste. La calibración se configura como un procedimiento de búsqueda del mínimo de

la función objetivo dentro del espacio n-dimensional que forman los parámetros

seleccionados para calibrar.

El proceso de calibración suele ser el principal obstáculo que encuentra en la práctica la

puesta a punto de un modelo de cuenca. Por regla general el número de parámetros que

describen los modelos es desproporcionado con relación a los datos de medidas reales

en la cuenca y es muy difícil encontrar en un caso práctico un modelo que represente

adecuadamente el comportamiento de la cuenca y pueda ser calibrado con los datos

disponibles.

2.1.5.2.1 Análisis de sensibilidad

El análisis de sensibilidad es el proceso por el cual un modelo es probado para

establecer una medida del cambio relativo en los resultados del modelo, causado por un

cambio correspondiente en los parámetros del mismo (Ponce, 1989).

La sensibilidad es analizada usualmente aislando el efecto de cierto parámetro. Si un

modelo es altamente sensible a un parámetro dado, pequeños cambios en el valor de ese

parámetro podría producir cambios significativos en el rendimiento del modelo. Por

ello, es necesario concentrar el esfuerzo del modelado en obtener buenas estimaciones

de este parámetro. Por otro lado, los parámetros poco sensibles pueden ser relegados a

un rol secundario.

Este tipo de análisis es un complemento necesario para la modelización, especialmente

porque provee información sobre el nivel de certeza, para asegurar los resultados del

modelado. Los resultados del análisis de sensibilidad para las variaciones de parámetro

es particularmente importante en el caso de modelos determinísticos que tienen algunos

componentes conceptuales. Debido a los componentes conceptuales, las calibraciones

son estrictamente válidas solo dentro de rangos estrechos de las variables, de allí que,


24

los errores en la estimación de los parámetros necesitan ser determinados de manera

cualitativa.

2.1.5.3 Validación La validación del modelo consiste en comprobar el adecuado funcionamiento del

modelo con una serie de mediciones reales no utilizadas en el proceso de calibración

Para ello se utilizan las mismas funciones o criterios objetivos que en la calibración.

Generalmente, en los modelos determinísticos no hay límites de tolerancia normalizados

para la validación de un modelo. Estos son puestos por el modelador en función de la

finalidad del modelo.

Normalmente el desempeño del modelo en la etapa de validación se cuantifica mediante

el cálculo del coeficiente de correlación R2 y la eficiencia EF (Nash y Sutcliffe, 1970) y

el error cuadrático medio (RMSE) entre caudales observados y calculados por el

modelo.

2.1.6 Modelos hidrológicos distribuidos

La gran ventaja de los modelos hidrológicos distribuidos es que permiten tener en

cuenta las heterogeneidades en tipo de suelo, ocupación del suelo, clima y topografía

mediante una discretización de la cuenca en celdas. A continuación se ha realizado una

revisión de los principales modelos hidrológicos de lluvia-escorrentía distribuidos en el

espacio que han sido utilizados hasta la actualidad.

En primer lugar, el modelo SHE fue uno de los primeros modelos que utilizó una

discretización de la cuenca en celdas. La estructura del modelo se fundamenta en la

unión de dos módulos independientes: Un módulo unidimensional que representa las

columnas de flujo vertical no saturado de profundidad variable, y un módulo

bidimensional que representa la escorrentía saturada. El modelo SHE está formado por

los siguientes componentes (Abbott et al., 1986):


25

• Componente que representa los procesos de intercepción de lluvia por la

cubierta vegetal y evapotranspiración: Calcula la evapotranspiración y la

cantidad de lluvia neta resultante a partir de los datos meteorológicos de entrada

y los parámetros de vegetación.

• Componente que representa los procesos de escorrentía y flujo en canal: Calcula

el transporte del agua superficial en forma de escorrentía por el terreno y flujo en

los cauces, a partir de los datos de topografía, forma del cauce y parámetros de

rugosidad. La profundidad de agua superficial disponible como escorrentía se

determina a partir de la lluvia neta y los coeficientes de evaporación dados por el

componente anterior y por el coeficiente de infiltración del suelo determinado

por el siguiente componente.

• Componente que representa la zona no saturada: Calcula el contenido de

humedad del suelo, así como la distribución de presiones en la zona no saturada.

La zona no saturada se extiende desde la superficie del suelo hasta el nivel

freático.

• Componente de la zona saturada: Calcula la cota del nivel freático y los flujos en

la zona saturada, que se suponen tener una dirección únicamente horizontal.

• Componente de deshielo: Calcula la transferencia de humedad debida a la nieve

a partir de un conjunto de parámetros de vegetación y nieve y unos datos

meteorológicos de entrada.

El modelo SAC-SMA (‘Sacramento Soil Moisture Accounting’) ha sido desarrollado

por el ‘National Weather Service’ de los Estados Unidos (Burnash, 1995; Ajami et al.,

2004). El modelo se fundamenta en un algoritmo de cálculo de la escorrentía generada a

partir de una división del suelo en dos capas, una superior y otra inferior. Cada capa

incluye almacenamientos que interactúan para generar estados de humedad del suelo y

cinco formas de generación de la escorrentía:

• Escorrentía directa procedente de las zonas impermeables, tanto temporales

como permanentes.

• Escorrentía superficial debida a una precipitación más rápida que el tiempo

necesario para que se produzca el proceso de percolación cuando las zonas más

altas del almacenamiento están llenas.


26

• Flujo interno debido al drenaje lateral producido por un almacenamiento libre

temporalmente.

• Flujo de base suplementario.

• Flujo de base primario.

El modelo utiliza un conjunto de almacenamientos que se encuentran unidos mediante

una serie de procesos. Los almacenamientos se llenan si ocurre una precipitación lo

suficientemente fuerte, mientras que se vacían debido a la infiltración vertical, la

evapotranspiración y el drenaje lateral. El volumen de agua que excede la capacidad del

almacenamiento genera el exceso de lluvia. Este exceso se introduce en el tanque de

almacenamiento libre, desde el cuál se produce el percolamiento vertical hacia la capa

inferior o fluye horizontalmente. Finalmente, el agua que excede la capacidad de

percolamiento y de flujo lateral se convierte en escorrentía superficial.

El modelo DBSIM (‘Distributed Basin Simulator’) realiza una parametrización de los

procesos de generación de escorrentía de una forma más física que en el caso de los

modelos conceptuales (Garrote y Bras, 1995). El modelo está formado por dos

componentes principales:

• Módulo de generación de escorrentía: Calcula la distribución espacial de la

capacidad de infiltración superficial de la cuenca con el objeto de representar la

evolución de las zonas saturadas durante una tormenta. Se utiliza un modelo de

infiltración cinemática. La generación de escorrentía se puede producir mediante

dos mecanismos: Escorrentía producida por la exfiltración del flujo subterráneo

y escorrentía producida por la superación de la capacidad de infiltración del

suelo.

• Módulo de transporte del flujo superficial: Calcula el caudal en un punto de la

cuenca a partir de la distribución de la tasa de generación de escorrentía en la

cuenca y una función de respuesta instantánea de cada celda, que sigue una

función delta de Dirac con un retardo igual al tiempo de viaje desde dicha celda

al punto en el que se está calculando el caudal.


27

El modelo TOPMODEL se utiliza para simular el comportamiento hidrológico en

cuencas de pequeño tamaño. Se fundamenta en la representación del flujo subterráneo

mediante una aproximación de onda cinemática que supone que la variación de espesor

de la zona saturada se puede simular mediante sucesivas representaciones en régimen

uniforme; y, que el gradiente hidráulico de la zona saturada (pendiente de la línea

piezométrica que determina la presión sobre el agua subterránea que la obliga a moverse

a cierta velocidad) puede ser simulado mediante la pendiente topográfica local. De esta

suposición se deriva una relación simple entre el almacenamiento en la cuenca y el

índice topográfico (relación entre el área drenante y la pendiente), que representa la

propensión de alcanzar las condiciones saturadas en cualquier punto de la cuenca. Una

tercera suposición consiste en que la distribución de la transmisividad en profundidad

aguas abajo de un punto es una función exponencial del déficit de almacenamiento. Por

tanto, en un intervalo de tiempo con lluvia, el modelo predice que cualquier lluvia sobre

una zona saturada alcanzará el cauce del río como escorrentía superficial o subterránea,

junto con el exceso de lluvia sobre el requerido para rellenar las zonas donde el déficit

es pequeño (Beven et al., 1995).

El modelo queda completado mediante los componentes que representan el

comportamiento de la zona no saturada y del transporte de caudal. La zona no saturada

se representa mediante dos tipos de almacenamiento, uno representa el almacenamiento

por intercepción de la vegetación y otro el almacenamiento por drenaje que controla la

recarga de la zona saturada.

El modelo MIKE-11 es un modelo hidráulico en dos dimensiones que simula los

procesos de generación de escorrentía, transporte de sedimentos y calidad de las aguas.

Uno de los módulos que incluye es el hidrológico de lluvia-escorrentía. El

comportamiento hidrológico de la cuenca se simula de modo semi-distribuido mediante

la división de la cuenca en subcuencas unidas a la red de drenaje. El modelo permite

simular el proceso lluvia-escorrentía mediante un modelo NAM que se utiliza en zonas

rurales, teniendo en cuenta el contenido de humedad en cuatro almacenamientos

interconectados, o mediante un modelo de hidrograma unitario que utiliza el método del

Soil Concervancy Service (Havno et al., 1995). Por otra parte, hay que mencionar el

modelo MIKE SHE que supone un desarrollo del modelo SHE descrito con anterioridad

(Butts et al., 2004).


28

Recientemente se han desarrollado modelos que utilizan las ventajas derivadas de la

disponibilidad de información GIS, un ejemplo de eso es la integración del modelo

Agricultural NonPoint Source (AGNPS) en el SIG GRASS (Mitchell et al., 1993) con el

fin de predecir volúmenes de escorrentía y arrastre de sedimentos en pequeñas cuencas

rurales. Sarabi et al. (1995) realizan una asociación semejante entre el modelo Water

Erosión Prediction Proyect (WEPP) y el SIG GRASS. Otro caso exitoso es el modelo

SWAT (Arnold et al., 1998) que es un modelo semidistribuido continuo de base física

que ha sido ampliamente aplicado de manera exitosa en la simulación de caudales y

sedimentos en cuencas de mediana y gran escala en diferentes regiones del planeta, con

variadas condiciones climáticas y topográficas, así como para el para el estudio

cualitativo y cuantitativo del efecto que en la calidad del agua presentan las diversas

prácticas de manejo agrícola.

2.1.6.1 El modelo SWAT

El Modelo SWAT (Soil and Water Assessment tool) es un modelo continuo de base

física usado para pronosticar el impacto que las practicas de manejo del suelo tienen en

el agua, sedimentos y nutrientes en largos períodos de tiempo (Di Luzio et al., 2002). Y

que está implementado en un entorno SIG (ArcView). El SWAT es un modelo

continuo semidistribuido basado en la ecuación de balance hídrico en el perfil del suelo.

( )∑=

−−−−+=t

igwseepasufdayot QwEQRSWSW

1 Eq. 2.1

donde SWt es el contenido de humedad final en el suelo (mm H2O), SW0 es el contenido

de humedad inicial en el suelo en el día i (mm H2O), t es el tiempo (días), Rday es la

cantidad de precipitación en el día i (mm H2O), Qsurf es la cantidad de escorrentía

superficial en el día i (mm H2O), Ea es el nivel de evapotranspiración en el día i (mm

H2O), wseep es la cantidad de agua en la zona de saturación del perfil del suelo en el día i

(mm H2O), and Qgw es el flujo de retorno en el día i (mm H2O)

Empleando un DEM, el modelo SWAT realiza una división topográfica de la cuenca en

subcuencas en base a un umbral de área, para posteriormente subdividir cada una de las


29

subcuencas en una o varias unidades de respuesta hidrológica (HRU) homogéneas que

representan la combinación única de tipo y ocupación de suelo. La respuesta de cada

HRU en términos de agua, sedimentos, nutrientes y pesticidas son determinadas

individualmente para luego ser agregadas a nivel de subcuenca y transitadas hasta la

salida de la cuenca a través de su red hídrica (Bouraoui et al., 2005). Con este proceso

se obtiene una mejor descripción física del balance hídrico y se incrementa la precisión

del modelo (Neitsch et al., 2002).

Los principales elementos considerados para la simulación mediante SWAT se resumen

a continuación (Neitsch et al., 2002):

• Clima: La información de clima provee las entradas de humedad y la energía

para el balance hídrico. Se requiere: precipitación diaria, temperatura del aire

máxima y mínima diaria, radiación solar velocidad del viento y humedad

relativa. Esta información puede ser introducida en base al registro histórico de

observaciones o pueden ser generadas durante la simulación mediante un

generador de clima implementado en el modelo para el efecto.

• Intercepción: Es el agua que es interceptada por la vegetación y desde donde se

evaporará. El máximo almacenamiento por intercepción se calcula empleando el

índice de área foliar de cada cobertura o cultivo.

• Infiltración: La infiltración se refiere al ingreso de agua en el perfil del suelo.

La cantidad de infiltración se calcula como la diferencia entre la precipitación y

la escorrentía superficial.

• Evapotranspiración: Se refiere a todos los procesos mediante los cuales el agua

en estado líquido o sólido, cerca de la superficie de la tierra se transforman en

vapor atmosférico. La evapotranspiración incluye la evaporación desde masas

de agua, el suelo húmedo y las superficies vegetales, así como la transpiración

desde las hojas de las plantas y la sublimación desde las superficies de hielo y

nieve. En SWAT la evapotranspiración se calcula mediante las metodologías de

Hargreaves (Hargreaves et al., 1985, citados por Neitsch et al., 2002), Priestley-

Taylor (Priestley y Taylor, 1972, citados por Neitsch et al., 2002), and Penman-

Monteith (Monteith, 1965, citado por Neitsch et al., 2002).


30

• Flujo lateral subsuperficial: Es la contribución al caudal de los ríos originada

bajo la superficie pero sobre la zona en la que las rocas están saturadas con agua.

Un modelo de almacenamiento cinemática es usado para predecir el flujo lateral

en cada estrato del suelo. El modelo considera la variación de la conductividad,

pendiente y contenido de humedad del suelo.

• Escorrentía superficial: o flujo superficial, es el flujo que ocurre a lo largo de

una superficie inclinada. Utilizando cantidades diarias o subdiarias de

precipitación SWAT simula los volúmenes de de escorrentía superficial y la tasa

máxima de escorrentía en cada HRU. El volumen de escorrentía superficial es

calculado mediante el método del número de la Curva (USDA Soil Conservation

Service, 1972, citados por Neitsch et al., 2002) o mediante el método de

infiltración de Green y Ampt (Green and Ampt, 1911, citados por Neitsch et al.,

2002). La tasa máxima de escorrentía se calcula mediante una modificación del

método racional que considera que la tasa máxima de escorrentía es función de

la proporción de la precipitación diaria que cae en la subcuenca durante su

tiempo de concentración, el volumen diario de escorrentía superficial y el tiempo

de concentración de la subcuenca.

• Estanques: Son estructuras de almacenamiento localizadas en una subcuenca

para interceptar la escorrentía superficial, localizadas fuera de los cauces

principales, por lo que nunca recibirán agua de las cuencas localizadas río arriba.

El cálculo es una función de la capacidad de estancamiento, entradas y salidas

diarias de flujo, filtración y evaporación

• Canales tributarios: Dos tipos de canales son definidos en una subcuenca: El

canal principal y los tributarios. Los tributarios son los canales de menor orden

en la red hídrica. Los tributarios drenan parte de la subcuenca y no reciben

aportes de aguas subterráneas. Todo el flujo de un tributario es liberado y

transitado a través del canal principal. SWAT utiliza los atributos del tributario

para determinar el tiempo de concentración de la subcuenca.

• Flujo de retorno: el flujo de retorno o flujo base es el volumen de la corriente

originado por las aguas subterráneas. SWAT divide al agua subterránea en dos

sistemas de acuíferos: uno poco profundo, libre, que contribuye al flujo de

retorno en los cauces dentro de la cuenca; y uno profundo, confinado, que

contribuye al flujo de retorno a los cauces fuera de la cuenca. El agua infiltrada


31

que pasa del fondo de la zona radicular es dividida en dos fracciones, cada

fracción viene a recargar uno de los dos acuíferos considerados. Adicionalmente

al flujo de retorno, el agua almacenada en el acuífero poco profundo puede

reemplazar la humedad en el perfil del suelo en condiciones muy secas o ser

directamente removida por la planta. El agua de los dos acuíferos puede ser

removida por bombeo.

• Crecimiento de plantas y coberturas: SWAT utiliza un modelo individual de

crecimiento de plantas a fin de simular todos los tipos de vegetación. El modelo

es capaz de diferenciar entre plantas perennes y anuales. Las plantas anuales son

las que crecen a partir de la fecha de plantación hasta la cosecha, o hasta la fecha

en la que las unidades de calor (heat units) igualan el potencial de unidades de

calor para la planta. Las plantas perennes mantienen sus sistemas de raíces a lo

largo del año, aunque se vuelven inactivas en los meses de invierno. El modelo

de crecimiento de la planta se utiliza para evaluar la eliminación de agua y los

nutrientes de la zona de la raíz, la transpiración, y la producción de biomasa. El

crecimiento potencial de la planta está en función de la energía interceptada y la

eficiencia de la planta en convertirla en biomasa. La energía interceptada se

estima en función de la radiación solar y el índice de área foliar. La transpiración

actual de la planta es función de de la evapotranspiración potencial y la

disponibilidad de agua en el suelo. La absorción de nutrientes (fósforo y

nitrógeno) es estimada un una análisis de la oferta y demanda de nutrientes, en

donde la demanda de nutrientes es calculada como la diferencia entre la

concentración actual del elemento en la planta y la concentración óptima. La

concentración óptima varía según cada etapa del crecimiento. Las limitaciones

del crecimiento son causadas por la influencia ambiental, por lo que el modelo

estima problemas causados por agua, nutrientes y temperatura.

• Erosión: La erosión y la tasa de sedimentos son estimados para cada HUR con

la Ecuación Universal de Pérdida de Suelo (MUSLE) (Williams, 1975, citado

por Neitsch et al., 2002). Mientras la USLE utiliza a la precipitación como un

indicador de la energía erosiva, la MUSLE usa la cantidad de escorrentía para

simular la erosión y la tasa de producción de sedimentos. El modelo estima el

volumen de escorrentía superficial y la tasa máxima de escorrentía, las que

conjuntamente con el área son usadas para calcular la energía erosiva disponible.

El factor de manejo de cultivos es recalculado cada día que la escorrentía ocurre


32

y está en función de la biomasa sobre el suelo, de residuos en la superficie del

suelo, y el mínimo factor C de la planta

• Nutrientes: SWAT sigue los caminos de circulación y transformación del

nitrógeno y fósforo en la cuenca. En el suelo, la transformación de nitrógeno

de una forma a otra se rige por el ciclo del nitrógeno. La transformación del

fósforo en el suelo está controlado por el ciclo del fósforo. Los nutrientes

pueden ser introducidos en el canal principal; y transportados aguas abajo a

través de la escorrentía superficial y subsuperficial.

• Pesticidas: Aunque SWAT no simula el estrés en el crecimiento de una planta

debido a la presencia de malezas, insectos dañinos y otras plagas; los plaguicidas

pueden ser aplicados a cada HRU para estudiar el movimiento del producto

químico en la cuenca. SWAT simula el movimiento de plaguicidas en el flujo de

red a través de la escorrentía superficial (en solución y absorbidos por los

sedimentos transportados por la escorrentía); y en el perfil del suelo y los

acuíferos, por percolación (en solución). Las ecuaciones utilizadas para el

modelo del movimiento de plaguicidas en la fase terrestre del ciclo hidrológico

se adoptaron del modelo GLEAMS (Leonard et al., 1987, citado por Neitsch et

al., 2002). El transporte de plaguicidas por el agua y los sedimentos se calcula

para cada evento de escorrentía y el escurrimiento de plaguicidas por lixiviación

es estimado para cada capa de suelo cuando se produce percolación.

• Manejo agrícola: SWAT permite al usuario definir las prácticas de gestión que

tienen lugar en cada HRU. El usuario puede definir el comienzo y el fin del

período de crecimiento, especificar el calendario y las cantidades de fertilizantes,

plaguicidas y riego necesarias, así como el calendario de operaciones de

labranza. Al final del período de crecimiento, la biomasa puede ser removido de

la HRU como producto o quedar en la superficie como residuo. Además de

estas prácticas básicas de gestión, operaciones tales como pastoreo,

automatizado, aplicaciones de fertilizantes y agua, y la incorporación de otras

opciones de gestión para el uso del agua están disponibles. La última mejora de

la gestión de la tierra es la incorporación de rutinas para calcular cargas de

sedimentos y nutrientes de las zonas urbanas.

• Tránsito hidrológico: Una vez SWAT determina la carga de agua, sedimentos,

nutrientes y plaguicidas para el canal principal, las cargas se transitan a través


33

de la red de cauces de la cuenca utilizando una estructura de mando similar a la

del modelo HYMO (Williams y Hann, 1972, citados por Neitsch et al., 2002).

Además de hacer el seguimiento de flujo de masa en el canal, SWAT modela la

transformación de los productos químicos en la corriente. El flujo líquido es

transitado mediante el método de almacenamiento variable desarrollado por

Williams (1969) o el método Muskingum. El transporte de sedimento en el canal

está dado por la operación simultánea de dos procesos, el depósito y

degradación. La máxima cantidad de sedimentos que pueden ser transportados

es función de la velocidad máxima en el canal. El cálculo del transito de

nutrientes en el cauce es adaptado del método empleado en el modelo QUAL2E

(Brown and Barnwell, 1987, citados por Neitsch et al., 2002). Al igual que con

los nutrientes, la carga total de plaguicidas en el canal está dividida entre el que

se encuentra disuelto y el que está adicionado al sedimento. Si bien el

plaguicida disuelto se transporta con el agua, el plaguicida asociado a los

sedimentos es afectado por el transporte de sedimentos y los procesos de

deposición. Las transformaciones de plaguicidas en estas dos fases se rigen por

relaciones de primer orden decrecientes. El transito de pesticidas se realiza

mediante la simulación de procesos como la solución, decantación,

resuspensión, la volatilización, la difusión y la transformación.

• Transito en reservorios: El balance de agua en reservorios incluye flujo de

ingreso, flujo de salida, precipitación en la superficie, evaporación y filtración

desde el fondo del reservorio. El modelo ofrece tres alternativas para estimar las

salidas desde el reservorio.

La versión AVSWAT es una versión del modelo SWAT que lo interrelaciona con los

sistemas de información geográfica, concretamente con ArcView, que posee tres

componentes principales:

• Un preprocesador que limita las cuencas geográficas, genera la red hídrica y

calcula parámetros topográficos de subcuencas y parámetros de entrada al

modelo,

• Un módulo de ingreso y edición de los datos de entrada, definición de HRU y

ejecución de la simulación hidrológica


34

• Un postprocesador que presenta resultados gráficos y tabulares.

La versión AVSWAT no modifica la estructura matemática del modelo SWAT sino que

facilita la entrada de datos, su edición y la visualización de resultados. Al combinarse

con un SIG se facilita enormemente el funcionamiento semidistribuido del modelo.

Para el análisis de sensibilidad la versión AVSWATX, posee un módulo en el que se

combina un muestreo basado en el método del “Latin Hypercube” (McKay et al., 1979;

Iman and Conover, 1980; McKay, 1988, citados por van Griensven, 2006), que a

diferencia del método de Montecarlo convencional, realiza un muestreo estratificado

entre el rango de posibles valores de cada parámetro; y la simulación OAT (One-factor-

At-a-Time) (Morris, 1991, citado por van Griensven, 2006), que asegura que los

cambios en la salida de cada corrida del modelo pueden ser atribuidos, de modo

inequívoco, a los cambios realizados a la variable de entrada en cada simulación (van

Griensven, 2006). El Latin Hypercube selecciona para cada parámetro, valores

representativos que serán analizados, uno cada vez, mediante simulaciones sucesivas del

modelo, determinándose su grado de sensibilidad.

2.2 Modelos digitales de elevación

Un modelo digital de elevación (DEM) es la representación simplificada de una variable

que se mide en una superficie ondulada de tres dimensiones (Cebrián y Mark, 1986,

citados por Bosque, 1997). Dos de esas dimensiones se refieren a los ejes ortogonales

X e Y y la tercera mide la altura Z de la variable temática representada en cada punto

del espacio (Bosque, 1997, p.371).

Desde el punto de vista hidrológico el modelo digital de elevación permite la

delimitación automática de cuencas hidrográficas y la determinación de parámetros

morfométricos básicos para los cálculos hidrológicos como el área, el perímetro de la

cuenca, su pendiente, su distribución hipsométrica, así como las longitudes y pendientes

de los cauces principales, entre otros.


35

2.2.1 Generación de DEMs mediante interpolación de observaciones puntuales

La interpolación se puede definir como un procedimiento que permite calcular el valor

de una variable en una posición del espacio (punto no muestral, con un valor estimado),

conociendo los valores de esa variable en otras posiciones del espacio (puntos

muestrales con valores reales) (Bosque, 1997, p.375). La calidad del DEM estará

supeditada a la densidad espacial de los puntos muestrales y a su precisión.

El kriging en el método de interpolación espacial más ampliamente utilizado, pretende

predecir valores de una variable en lugares en donde los datos no están disponibles,

empleando para ello el patrón espacial de los datos disponibles (Alsamamra et al.,

2009). Los valores interpolados se obtienen mediante la combinación lineal de los

valores de la altura (Z) en los puntos muestrales. Se puede demostrar que existen unas

determinadas ponderaciones tales que la media de las diferencias entre los valores

obtenidos por kriging (Z*i) y los observados (Zi) es cero y por otro lado la varianza de

estas diferencias (de los valores derivados del Kriging menos los observados) es la

mínima posible. Las ponderaciones que cumplen con estas dos propiedades se

determinan mediante la función del variograma (Bosque, 1997 p. 378)

El variograma es un gráfico de dispersión (y una función matemática) que relaciona la

distancia en una dirección concreta del plano entre los puntos muestrales (h) (en

abscisas) y una medida de la variabilidad )(hγ , de la altura Z en el conjunto de puntos

muestrales que están separados un valor concreto (h) de la distancia (en ordenadas).

Una vez encontrado el variograma empírico de la variable a interpolar, se calcula la

función que se ajusta a dicho variograma, normalmente empleando una función esférica,

exponencial o lineal (Bosque, 1997 p. 382).

Las ponderaciones Wij, expresadas en forma matricial W, se calculan con la ecuación

( ) ( )ixij DDW γγ .= Eq. 2.2


36

Siendo )( ijDγ el valor del variograma teórico para la distancia Dij que separa el punto

muestral i del punto muestral j, )( ixDγ , por su parte, es el valor del variograma teórico

para la distancia Dix que separa el punto muestral i del calculado x

Las ponderaciones así obtenidas son diferentes para cada punto calculado y, por lo

tanto, en cada un de ellos es preciso resolver la ecuación matricial 2.2 y calcular la

matriz de soluciones W, que es específica para cada punto interpolado (Bosque, 1997 p.

382).

Una vez calculadas las ponderaciones de cada lugar se puede obtener la interpolación en

ese punto mediante la ecuación

jxjjx ZWZ .∑= Eq. 2.3

Siendo Wxj la matriz de ponderaciones calculada para el punto x y Zj el valor de la

elevación en el punto muestral j.

El error estadístico que afecta a la interpolación en ese punto (Error (Zx)) se calcula con

la ecuación (Bosque, 1997 pp. 382)

)(.)( xjxjjx DWZErrort γ∑= Eq. 2.4

Siendo )( xjDγ el valor del variograma teórico para la distancia Dxj que separa el punto

calculado x de cada punto muestral j

2.2.2 Generación de DEMs a partir de curvas de nivel

La interpolación de un DEM a partir de curvas de nivel consiste en encontrar dos puntos

pertenecientes a dos curvas de nivel contiguas, situadas en una dirección concreta del

plano, de tal manera que el punto no muestral tiene una altura intermedia entre las dos

curvas (Bosque, 1997). La interpolación se puede realizar en forma lineal, o empleando

un polinomio de segundo o tercer grado ajustado a los puntos pertenecientes a varias


37

curvas de nivel situadas en una dirección concreta. En ambos casos la estimación de la

elevación variará según la dirección seleccionada; al parecer, la mejor solución la

proporciona la dirección en la que se presenta la máxima pendiente.

Otra alternativa es la creación de una red de triángulos irregulares (TIN), en la que se

unen con líneas puntos contiguos, formando triángulos, preferentemente equiláteros.

Cada uno de los puntos que definen el triángulo determinan un plano cuya ecuación

puede ser determinada en base a los valores de las tres coordenadas (X, Y, Z) de cada

punto. Aplicando la ecuación obtenida, se puede determinar la elevación d cada punto

en el interior del triángulo. Se supone que la altura varía dentro del triángulo en forma

lineal y por tanto las elevaciones interiores del triángulo están entre la altura máxima y

mínima de los vértices (Bosque, 1997).

2.2.3 Generación de DEMs mediante LIDAR

El Light Detection And Ranging (LIDAR) es un sensor aerotransportado que permite la

recolección de información topográfica con alta densidad y precisión. El sistema

LIDAR incluye una unidad de escaneo, una unidad de control y un sistema de posición

y orientación (POS) que comprende un GPS diferencial y una unidad de medida inercial

(IMU) (Wehr y Lohr, 1999). El sistema LIDAR opera en la banda del infrarrojo cercano

emitiendo pulsos de energía en intervalos cortos. El LIDAR mide las distancias desde

el sensor hasta el suelo u objetivo deseado registrándose su posición en el espacio.

Mediante la combinación de toda la información recogida, es posible obtener las

coordenadas 3D de cada retorno de láser emitido, que puede llegar desde el terreno o

desde los objetos sobre éste.

Cuando la señal láser es enviada hacia la tierra, ésta puede fácilmente chocar con más

de un objeto que se encuentre sobre ella, lo que genera múltiples señales de retorno.

Algunos sistemas son capaces de registrar el primero y el último retorno de cada señal

emitida. En áreas forestales, por ejemplo, parte de la señal regresa desde el follaje y

parte desde la superficie del suelo. El sistema colecta ambos pulsos de retorno

simultáneamente, capturando información no solo de la vegetación sino también del

suelo. Algunos dispositivos capturan además la intensidad del pulso de retorno, la que

varía según las características del material, por lo que las imágenes de intensidad


38

proveen de información adicional empleada en clasificación de usos de suelo (Wehr y

Lohr, 1999).

Figura 2.2. Representación de los elementos del sistema LIDAR. Sistema de

Posicionamiento Global (DGPS), Sistema de navegación inercial (IMU). Todos los elementos son ilustrativos, sin escala (Lee, 2008)

Después de realizado el vuelo, se obtienen dos series de datos: datos del sistema POS

(DGPS, IMU) y los ángulos instantáneos de escaneo. Si la precisión de los datos del

sistema POS son mejores que 0.1 m en posición y 0.02º en orientación, es posible

calcular puntos muy precisos de medición referidos a un sistema de coordenadas

terrestre. Para esto es necesario considerar los ángulos de rotación del sistema láser

referidos con el origen del IMU (ver figura 2.2), la posición del láser con respecto al

IMU y la posición del IMU con respecto a la tierra (DGPS). Esta información se

conoce como parámetros de calibración (Wehr y Lohr, 1999). El resultado es una nube

de puntos de los que se conoce sus coordenadas X, Y, Z y los valores de intensidad del

pulso de retorno.


39

Los puntos correspondientes al terreno se separan de otros puntos correspondientes a

edificios y vegetación. Este proceso se realiza empleando los datos crudos a los que se

les aplica un filtro basado en morfometría o en procesos autoregresivos. En muchas

ocasionas se requiere un proceso adicional de edición manual (Wehr y Lohr, 1999).

Contando con las coordenadas X, Y e Z de cada uno de los puntos, el modelo de

elevación digital se genera aplicando técnicas de interpolación espacial. La precisión

del DEM es muy alta, gracias a la precisión de los puntos y a su densidad espacial.

2.2.4 Generación de DEMs mediante RADAR

RADAR es el acrónimo de Radio Detection And Ranking. El RADAR es un sensor

activo, es decir que emite energía, por lo que puede operar en presencia de nubes e

incluso durante la noche. El RADAR tiene tres funciones primarias: (a) Trasmitir

señales de microonda hacia el terreno. (b) recibir la porción de la energía emitida que

es retropopagada (reflejada) por el terreno y (c) observar la intensidad y el tiempo de

retraso de la señal de retorno (CCNRS, 2003).

El radar de apertura sintética SAR es un sensor activo que emite la energía en el

intervalo de frecuencias de microondas en un período pequeño de tiempo; y recibe los

ecos provenientes de reflexiones de la señal en los objetos dando lugar a una apertura

sintética, es decir, debido a la gran velocidad de desplazamiento del vehículo espacial

(7,5 Km/s aproximadamente), la antena del dispositivo SAR se convierte en una antena

virtual de mayor tamaño. El blanco permanece en el haz de la antena durante unos

instantes y está observado por el radar desde numerosos puntos a lo largo de la

trayectoria de satélite, lo que es equivalente a prolongar la longitud real de la antena

(CCNRS, 2003).

Las señales que son recibidas se registran en su magnitud y fase. La fase denota el

desplazamiento relativo entre la onda recibida y la emitida. El ciclo completo de la

onda sinusoidal equivale a 2Л, o 360º. El acoplamiento de los ecos forma un

holograma de microondas de los objetos antes que una imagen con formas. Las

resoluciones típicas del SAR varían entre 10 y 100 m, aunque una resolución inferior al

metro es posible. Comúnmente se usan longitudes de onda de 3 cm (banda X), 5 cm


40

(banda C) y 25 cm (banda L). Normalmente un punto se define en base a su rango

(distancia entre el punto en la tierra y el sensor) y su azimut (posición del sensor a lo

largo de su línea de vuelo. Este tipo de geometría provoca que el relieve montañoso en

las imágenes SAR, sea diferente o distorsionado si se compara con las imágenes

ópticas. La magnitud del píxel en una imagen SAR es una medida de la capacidad del

objeto de dispersar microondas. La fase de un píxel contiene información sobre la

diferencia de fase de la dispersión.

2.2.4.1 Princípios de Interferometría SAR (InSAR)

La interferometría SAR (InSAR), es una técnica de procesamiento de pares de imágenes

de radar para la obtención de DEMs de alta precisión. Este proceso, un par de imágenes

adquiridas desde dos posiciones distintas de la antena, separadas una distancia

denominada línea base. Cuando las antenas radar se montan en la misma plataforma, las

imágenes se pueden obtener de una misma pasada. Cuando se emplea una sola antena

es necesario realizar la toma de las imágenes en dos pasadas. La figura 2.3 representa

un esquema de la geometría de adquisición para InSAR.

Figura 2.3. Geometría de adquisición de datos para InSAR. r y r´ son el rango (distancia entre el sensor y el punto en la tierra), h es la altura de la plataforma, B es la línea base, θ´ es el ángulo de la línea base con la horizontal y α es el ángulo de depresión


41

La diferencia de rango viene dada por:

( )αθ +=− cos´ Brr Eq.2.5

La altitud h viene dada por

)(αrsenh = Eq.2.6

La fase del modelo interferométrico o interferograma está dada por:

( )λπδρ

λπφ 22´ =−= rr Eq. 2.7

Siendo δρ la diferencia en Rango debido a la posición de las antenas y λ la longitud de

onda. Combinando las ecuaciones 2.5, 2.6 y 2.7, la altitud puede ser calculada por:

⎟⎠⎞

⎜⎝⎛ −= − ´

2cos 1 θ

πφλ

Brsenh Eq. 2.8

En este caso la diferencia de fase es llamada diferencia de fase interferométrica.

2.2.4.2 Extracción de DEMs

Las diferencias de fase pueden ser utilizadas para determinar la elevación (Henderson y

Lewis, 1998). El proceso para la obtención del DEM requiere de los siguientes

procesos:

• Filtraje del rango y azimut: Garantiza la calidad de la señal de fase y optimiza la

coherencia de la señal. Antes de la formación del interferograma se debe

realizar un filtrado completo de la imagen tanto en rango cuanto en azimut, para

reducir los ruidos.


42

• Coregistro de las imágenes: Está ligado directamente a la calidad de la fase

interferométrica. Cuanto más preciso es el coregistro, mejor será la calidad de

los productos obtenidos.

• Elaboración del Interferograma: Que se obtiene a través de un par de imágenes

completas.

• Remoción de áreas planas: Para reducir el ruido en el interferograma y

simplificar el proceso de desdoblamiento de fase, debe ser hecha una remoción

de primer orden. Esta eliminación se puede hacer mediante la aplicación de la

frecuencia dominante en el borde de área plana, tanto en azimut y en el rango

• Reducción del ruido de la fase: Permite simplificar el procesos de

desdoblamiento de fase. La reducción puede ser hecha a través de un filtro de

media, donde el tamaño de la ventana de exploración varía en función de la

banda (X, C o L) utilizada en el análisis.

• Coherencia: La coherencia es la medida del ruido de la fase interferométrica y

puede ser estimada en una ventana móvil a través de la magnitud γ del

coeficiente de correlación de las imágenes SAR, el que se calcula mediante la

expresión:

∑ ∑

∑

= =

=

⋅

=Np

n

Np

n

nn

Np

n

nn

ii

ii

1 1

2)(2

2)(1

1

)*(2

)(1

γ Eq. 2.9

En este caso Np representa el número de píxeles en una ventana móvil utilizada.

La coherencia varía entre 0 y 1. Para las regiones de baja coherencia los

resultados son menos fiables a causa de posibles pérdidas de información

• Desdoblamiento de la fase: Este proceso permite la reconstrucción de la fase

interferométrica original (relacionada a la altitud del sensor). La relación entre

la fase desdoblada φ y la fase comprimida φm se calcula con la expresión:

Nm πϕϕ 2+= Eq. 2.10


43

• Cálculo de la altitud y geocodificación: Para la obtención de la elevación de los

puntos, es necesario una relación precisa entre la fase desdoblada y la altitud. La

obtención de la información puede ser dividida en tres fases: La primera consiste

en determinar el polinomio que relaciones la fase y la altitud, con base a la

información obtenida para el píxel base. El segundo paso es la determinación

del polinomio para el resto de la imagen y el tercer paso es el cálculo de la

altitud con base a dichas informaciones (Coltelli et al., 1996)

2.2.5 Generación de DEMs a partir de imágenes ópticas

Si de imágenes ópticas se trata, la utilización de pares estereoscópicos para la

generación de un DEM se basa en la disparidad binocular o paralaje, definido como la

“diferencia” de la imagen de un objeto proyectado en cada retina. El grado de

disparidad entre las imágenes proyectadas de un objeto depende del ángulo de

convergencia. La convergencia es la habilidad de enfocar el eje óptico de los dos ojos

en un solo objeto. La sensación de cantidad de tensión muscular en los ojos, resultante

de diferentes ángulos de convergencia, facilita una estimación indirecta de la distancia a

un punto de vista. El principio de la disparidad binocular es aplicado en fotogrametría

aérea y satelital para calcular la elevación del terreno a partir de la medida del paralaje

entre dos imágenes (Toutin, 2001).

Existen dos medios para la obtención de pares estereoscópicos de imágenes satelitales:

el primero, capturando imágenes desde orbitas adyacentes entre las que existe traslape

(across-track) y el segundo, captando las imágenes desde una órbita única (along–

track). Desde 1980 se ha estudiado la posibilidad extraer información de elevación a

partir de pares estereoscópicos obtenidos de órbitas adyacentes del satélite LANDSAT

(Simard y Slaney 1986, Ehlers y Welch, 1987, citados por Toutin, 2001) y del IRS

(Malleswara et al.,1996), pero la aplicación de imágenes estereoscópicas tomadas desde

orbitas paralelas se ha visto limitada debido a que el traslape suficiente se obtiene en

zonas ubicadas entre 45 y 50 grados de latitud norte o sur, para relaciones pequeñas

base- altura (B/H); es decir, entre la diferencia de posición al adquirir las imágenes

(Base, B) y altura de observación del satélite (Altura, H), se obtienen errores mayores a

50m y solamente en zonas con relieve alto o medio son apropiadas para producir


44

paralaje vertical (Toutin, 2001). La adquisición de pares estereoscópicos a lo largo de la

misma línea de vuelo ha sido aplicada en varios satélites tales como el JERS-1, el

ASTER, y el IRS-P5, así como los satélites de alta resolución como el Orb-View1 y el

Quick-Bird. La gran ventaja de este sistema es la capacidad de reducir las diferencias

radiométricas del par estéreo, ya que el tiempo transcurrido entre la adquisición de las

dos imágenes suele ser de pocos segundos, minimizándose los efectos ópticos y

atmosféricos. Se han reportados trabajos realizados con JERS-1 (Maruyama et al., 1994;

Raggam y Almer, 1996; Westin, 1996, citados por Toutin, 2001) con precisiones del

orden de 20m, Trabajos con ASTER (Toutin, 2002; Kamp et. al, 2003; Fujisada, et. al,

2005) han reportado precisiones en altura que varían entre los 7m y 15m, aunque en

general pueden esperarse niveles de precisión altitudinal entre 10 y 50m (Lang y Welch,

1999)

Debido al incremento de tipos de imágenes es muy común tener información de

diferentes sensores sobre la misma zona, por lo que se han realizado varias experiencias

en la generación de DEM utilizando imágenes de una misma zona, pero obtenidas por

diferentes sensores y ángulos de vista, obteniéndose artificialmente pares

estereoscópicos. Trabajos realizados con SPOT y LANDSAT (Welch et al.,1990,

Krupnik, 2000) han reportado errores entre 50m y 100m. Errores del orden de los 320m

se han obtenido al trabajar con pares estereoscópicos formados por la combinación

NOAA-AVHRR y LANDSAT MSS (Akeno, 1996). La posibilidad de extraer DEMs

utilizando pares estereoscópicos formados por imágenes ópticas y de radar han

estudiadas por varios investigadores (Bloom. et al., 1988; Raggam et al., 1994; Toutin,

2000), que han reportado valores de RMSE entre 20 y 30m con errores

máximos/mínimos del orden de ± 250m.

2.2.6 Generación de DEMs a partir de imágenes ASTER

El Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) es un

sistema de observación orbital puesto en funcionamiento desde 1999 como resultado de

la cooperación entre la NASA, el Ministerio de Economía de Japón, el METI y el

ERSDAC japonés y su propósito fundamental es el de monitorear fenómenos

relacionados al medio ambiente y la explotación de recursos naturales. Es parte del

sistema EOS (Earth Observing System).


45

La cobertura de una escena ASTER es de 61.5 Km por 63 Km. Las imágenes Aster

capturan información en 15 bandas del espectro electromagnético: cuatro en el espectro

visible y el infrarrojo cercano (VNIR, 0.5-1.0 um) con 15 m de resolución espacial, seis

en el Infrarrojo de onda corta (SWIR, 1.0–2.5 um) con 30 m de resolución espacial y

cinco en el infrarrojo térmico (TIR, 8–12 um) con una resolución espacial de 90 m

(Fujisada et al., 2005).

El subsistema de VNIR tiene 2 telescopios uno en el nadir y uno con vista atrás con un

ángulo de 27.60º que proporcionan una vista en el nadir (nadir –looking) (banda 3N,

0.76–0.86 um) y una vista hacia atrás (backward-looking) (banda 3B, 27.7º del nadir)

que permiten obtener una visión estereoscópica de una región determinada en la

dirección de vuelo del satélite. La relación B/H de 0.60. La diferencia temporal entre

las dos observaciones es de 55 segundos, por lo que las variaciones en las condiciones

ópticas y atmosféricas son mínimas, consecuentemente se puede esperar una excelente

correlación entre las imágenes. La distancia entre órbitas vecinas es de 172 Km en el

ecuador. El sistema de observación orbital ASTER posee una orbita circular

heliosícrona polar con un altitud de 705 Km, cruza la línea ecuatorial a las 10:30 AM y

regresa al mismo punto cada 16 días.

Figura 2.4. Geometría del sistema Along-Track de ASTER,

http://asterweb.jpl.nasa.gov/


46

Una imagen ASTER Level 1-A contiene los datos de la imagen sin aplicarle

coeficientes de calibración radiométrica y remuestreo geométrico; al aplicarse dichos

coeficientes, se obtiene una imagen Level 1-B. Las imágenes Level 1A y Level 1-B

pueden ser utilizadas para la generación de DEMs pues los parámetros geométricos

útiles del instrumento y la información del satélite son incluidos en ellas.

2.2.6.1 Generación de imágenes normalizadas o epipolares

Previo a la extracción del DEM, es necesario que el par estereoscópico sea transformado

a un par de imágenes epipolares normalizadas las cuales son paralelas al plano XY del

espacio objeto. Al transformar las imágenes adquiridas en epipolares se produce

exclusivamente la paralaje en una sola dirección y los puntos correspondientes se

alinean en la misma fila o columna, por lo que el tiempo requerido para realizar el

proceso de superposición de las imágenes, que permitirá luego el cálculo de la magnitud

de la paralaje y en base a ella la elevación, se reduce considerablemente. En dos

imágenes normalizadas al tener un punto a de coordenadas (Xa, Ya) en la imagen

izquierda, el proceso de búsqueda de su punto conjugado a´ en la imagen derecha para

realizar la superposición, se realizará a lo largo de la línea Y´ = Ya; debido a que ambos

puntos poseerán igual coordenada Y.

La normalización del par estereoscópico adquirido se realiza comúnmente aplicando

criterios de geometría epipolar.

2.2.6.2 Geometría epipolar

En la figura 2.5 se presentan algunos elementos básicos a considerar en la geometría

epipolar, así: si se tiene un par estereoscópico cuyas imágenes han sido tomadas desde

las posiciones O y O´; entonces la línea OO´ se denomina eje epipolar. El plano que

pasa por los centros de proyección izquierda (O) y derecha (O´) y el punto P sobre el

terreno, es llamado plano epipolar. La línea de intersección de un plano epipolar y el

plano de la imagen se denomina línea epipolar. Todas las líneas epipolares de una

misma imagen intersecan en un punto llamado epipolo (e, e´ según el caso), definido

por la intersección del eje epipolar con el plano de la imagen.


47

Figura 2.5. Geometría epipolar (adaptado de Morgan, 2004)

Las relaciones entre el sensor, la imagen y el suelo pueden determinarse en base a la

condición de colinearidad que especifica que la posición del sensor, el punto en el

terreno y su correspondiente punto en la imagen deben estar colocados sobre una línea

recta, es decir deben ser colineales (Piong, 2003). Las ecuaciones que resumen la

condición de colinearidad son las siguientes:

( ) ( ) ( )( ) ( ) ( )⎥⎥⎦

⎤

⎢⎢⎣

⎡

−+−+−

−+−+−−=

opopop

opopopop ZZmYYmXXm

ZZmYYmXXmfxx

333231

131211 Eq. 2.11

( ) ( ) ( )( ) ( ) ( )⎥⎥⎦

⎤

⎢⎢⎣

⎡

−+−+−

−+−+−−=

opopop

opopopop ZZmYYmXXm

ZZmYYmXXmfyy

333231

232221 Eq. 2.12

En donde:

κϕ coscos11 =m

κϕsenm cos12 −=

ϕsenm =13


48

κϕωκω coscos21 sensensenm +=

κϕωκω sensensenm −= coscos22

ϕω cos23 senm −=

κϕωκω coscos31 sensensenm −=

κϕωκω sensensenm coscos32 +=

ϕω coscos33 =m

Las ecuaciones 2.11 y 2.12 consideran parámetros de orientación tanto interna como

externa del sensor (figura 2.6), los mismos que se incluyen en la cabecera de la imagen.

Los parámetros internos de orientación son aquellos que definen la geometría interna

del sensor, dichos parámetros permiten transformar la imagen de un sistema de

coordenadas basado en píxeles al sistema espacial de coordenadas. Los parámetros la

externos de orientación, definen la posición y orientación del sensor cuando la imagen

es capturada, es decir, las coordenadas Xo, Yo, Zo de la posición de captura de la imagen

y los ángulos de rotación definidos por omega (ω) (rotación alrededor del eje

fotográfico X), phi (φ) (rotación alrededor del eje fotográfico Y) y kappa (κ) (rotación

alrededor del eje fotográfico Z). Todos estos elementos definen la posición del centro

de proyección (O) con respecto al sistema general de coordenadas (X, Y, Z).

Figura 2.6. Elementos de orientación exterior (Piong, 2003)


49

El proceso para la generación de imágenes normalizadas puede resumirse de la siguiente

manera (Morgan, 2004):

• Se inicia con la localización de un pixel en la imagen normalizada (xn, yn).

• Se calcula la correspondiente localización en la imagen original (xn, yn) usando

las ecuaciones de colinearidad.

• Se calculan los niveles de gris g(x, y) en la imagen original utilizando un

apropiado método de interpolación como el vecino próximo, interpolación

bilinear o convolución cúbica

• Se asigna el valor de gris interpolado al píxel de la imagen normalizada g(xn, yn)

= g(x, y).

• El proceso se repite para todos los píxeles de la imagen normalizada.

• El proceso en general se repite para la otra imagen del par estereoscópico.

La figura 2.7 representa el remuestreo epipolar. En las imágenes normalizadas las líneas

epipolares son paralelas y los epipolos se encuentran en el infinito.

Figura 2.7. Remuestreo epipolar e imágenes normalizadas (adaptado de Morgan, 2004)


50

2.2.6.3 Superposición de imágenes y determinación de la paralaje

En el par estereoscópico normalizado las diferencias de posición paralelas a la dirección

de viaje de satélite (diferencias de paralaje, ∆p) son atribuidas a desplazamientos

causados por el relieve. Las elevaciones relativas del terreno son determinadas por la

medida de ∆p en las imágenes registradas y posteriormente transformadas en

elevaciones relativas y absolutas (Lang y Welch, 1999).

La determinación de las elevaciones de DEM se realiza calculando la paralaje que se

produce al “superponer” las imágenes normalizadas. Para conseguir esta superposición

una ventana de correlación, de un tamaño predefinido (por ejemplo: 11x11 píxeles), es

centrada en un píxel de 15 m en la banda 3N de la imagen. El área en la banda 3B con

cada píxel conjugado localizado es definida por el tamaño de una ventana de búsqueda

acorde al máximo desplazamiento de la imagen ocasionado por el relieve del terreno.

La ventana de correlación se desplaza píxel a píxel a través de la ventana de búsqueda y

el coeficiente de correlación es calculado para la ubicación de cada píxel. La ubicación

que presente el mejor coeficiente de correlación es considerada como el punto óptimo.

Las diferencias de localización de un píxeles en las imágenes conjugadas paralelas a la

dirección del movimiento del satélite es el valor de ∆p y es proporcional a la elevación

relativa del terreno y al datum vertical. Éste proceso se repite sistemáticamente en toda

la imagen (Lang y Welch, 1999).

2.2.6.4 Determinación de la altura y generación del DEM

En la figura 2.8 se describen los elementos necesarios para el cálculo de la altura ∆h a

partir de la diferencia de paralaje ∆p en un par estereoscópico. La base B es igual a X1

para la vista en el nadir y hacia atrás ∆h es obtenida por el ángulo de orientación (α) y

el intervalo de tiempo ∆t requerido para capturar la cima y la base del objeto. En el par

estéreo ∆t está representado por (X1 – X2 ) = ∆p.


51

Figura 2.8. Cálculo de altura en base a la diferencia de paralaje (Lang y Welch,

1999).

La georeferenciación de los DEM se puede realizar en base de las efemérides y la

información de altitud registrada en los metadatos de ASTER. Dicha información es

utilizada para calcular los coeficientes de transformación entre la imagen y un

determinado sistema de coordenadas, obteniéndose un DEM relativo. Al incorporar

puntos de control en el modelo, es posible referir el DEM a un sistema de coordenadas,

obteniéndose un DEM absoluto.

En algunos puntos la correlación puede fallar, por lo que el proceso de extracción de un

DEM requiere de un paso adicional de edición utilizando una serie de procesos

interactivos a fin de corregir los vacíos de información generados por la falta de

correlación entre las imágenes (Lang y Welch, 1999).

2.3 Cambio de ocupación del suelo


52

La ocupación del suelo es un elemento importante en estudios hidrológicos ya que de

ella dependen en gran medida las relaciones lluvia escorrentía en una cuenca

hidrográfica. La ocupación del suelo es un hecho dinámico, dependiente de diversos

factores, por lo que el estudio de los cambios ocurridos y de sus posibles causas, puede

definir un escenario posible del estado futuro de la ocupación del suelo, que evaluado

mediante un modelo hidrológico, permita conocer la disponibilidad de recursos hídricos

en una cuenca según una determinada tendencia de evolución.

Los procesos de transición entre coberturas del suelo son el resultado de complejas

interacciones entre factores físicos, biológicos, económicos, políticos y sociales y en

muchos casos tiene influencia en la producción de procesos erosivos, incrementos de la

escorrentía superficial, inundaciones, cambios en la biodiversidad, etc. (Mas, 1999).

La detección de cambios en la ocupación de suelo puede realizarse en base a dos

procedimientos: El primero en el que se realiza la asignación de clases a la clasificación

obtenida de imágenes satelitales de diferentes fechas, para luego identificar los cambios.

En el segundo primeramente se obtienen los cambios en base a un análisis simultáneo

de imágenes de diferentes fechas para luego asignar las clases temáticas (Van Oort,

2006, Coppin et al., 2004). Cada uno de estos procedimientos presenta diferentes

grados de confiabilidad y precisión según cada caso de aplicación, pero el análisis

realizado según el primer enfoque es el más utilizado en la literatura (Pontius et al,

2004). En todo caso, el método más sencillo y eficaz para la cuantificación de los

cambios es el análisis de una tabulación cruzada de la ocupación del suelo en dos

instantes distintos (Pontius et al, 2004, Serra et al 2008) determinándose la persistencia,

ganancia, pérdida e intercambios de cada uno de los usos de suelo considerados.

En la tabulación cruzada la diagonal principal representa las zonas en las que se

presentó persistencia de la situación inicial. El total de las columnas presenta el valor

general de cada ocupación del suelo en la fecha inicial y el total de las filas representa el

valor general de la ocupación del suelo en la fecha final. Los valores del resto de la

matriz, fuera de la diagonal principal, representan los cambios ocurridos. Los cambios

netos se obtienen mediante la diferencia entre los totales de filas menos los totales de

columnas de la tabulación cruzada. Los cambios netos no necesariamente representan

todos los cambios ocurridos ya que podrían producirse compensaciones entre los


53

cambios ocurridos en dos lugares diferentes. Los cambios totales indican todas las

variaciones desde o hacia una ocupación del suelo. La ganancia de una categoría se

determina restando el total de la fila menos el valor estable que se encuentra en la

diagonal principal de dicha categoría temática. El intercambio equivale al doble del

valor mínimo entre ganancia o pérdida de dicha categoría (Pontius et al., 2004)

2.3.1 Modelos predictivos del cambio del uso del suelo

El análisis y modelamiento del cambio del uso del suelo pretende identificar sus causas,

su ubicación y el momento en que ocurrieron, sus aplicaciones son diversas

encontrándose trabajos relativos a la degradación y desertificación (Huete et al., 2003,

Greerken y Ilaiwi, 2004), sequías (Bayarjargal et al, 2006), inundaciones (Liu et al,

2002), crecimiento urbano (Van Vliet et al., 2009), etc. Para que un modelo predictivo

se transformen en una herramienta útil es necesario que representen de manera eficaz la

magnitud de los cambios, la localización de los futuros cambios, y; los patrones

espaciales de estos cambios (Brown et al., 2002).

Para modelar los patrones espaciales de los cambios de ocupación del suelo prevalecen

dos aproximaciones: (a) Modelos basados en regresión, y (b) Modelos en base a

transición espacial.

2.3.1.1 Modelos basados en regresión

Los modelos basados en regresión establecen relaciones entre un amplio rango de

variables explicativas/predictivas y los cambios observados de ocupación del suelo, para

posteriormente, utilizar dichas variables para estimar la localización de los cambios

futuros sobre el paisaje. La influencia de estos factores locales sobre el cambio de

ocupación del suelo, puede ser modelada como función del decaimiento de la distancia,

donde la influencia decrece con el incremento de ésta (Weng, 2002), o empleando

variables distribuidas espacialmente como el tipo edafológico del suelo, la pendiente,

elevación, etc., en la que su influencia viene dada por su posición geográfica.


54

Generalmente, en la modelación en base a regresión se han usado aproximaciones

lineales, como la regresión logística (Serra et al, 2008) y no lineales, vinculadas a redes

neuronales (Mas, et al, 2004, Pijanowski et al., 2005).

2.3.1.1.1 Regresión logística

Los modelos de regresión logística son modelos estadísticos en los que se desea conocer

la relación entre: Una variable dependiente cualitativa, dicotómica (regresión logística

binaria o binomial) o con más de dos valores (regresión logística multinomial) y Una o

más variables explicativas independientes, o covariables, ya sean cualitativas o

cuantitativas.

Las covariables pueden ser cuantitativas o cualitativas. Las covariables cualitativas

deben ser dicotómicas, tomando valores 0 para su ausencia y 1 para su presencia. Si la

covariable cualitativa tuviera más de dos categorías, para su inclusión en el modelo

deberíamos realizar una transformación de la misma en varias covariables cualitativas

dicotómicas ficticias o de diseño (las llamadas variables dummy), de forma que una de

las categorías se tomaría como categoría de referencia. Con ello cada categoría entraría

en el modelo de forma individual. En general, si la covariable cualitativa posee n

categorías, habrá que realizar n-1 covariables ficticias. (Kleinbaum y Klein, 2002)

Por sus características, los modelos de regresión logística permiten dos finalidades:

• Cuantificar la importancia de la relación existente entre cada una de las

covariables y la variable dependiente.

• Clasificar individuos dentro de las categorías (presente/ausente) de la variable

dependiente, según la probabilidad que tenga de pertenecer a una de ellas dada la

presencia de determinadas covariables.

El modelo de regresión logística tiene la forma:

∑=

+=⎟⎟⎠

⎞⎜⎜⎝

⎛

−

n

iijj

ij

ij xp

pLog

101

ββ Eq. 2.13


55

En donde xij son j variables explicativas para la región i y βj son los parámetros de la

regresión que deben ser estimados a través de un procedimiento de máxima

verosimilitud (Kleinbaum y Klein, 2002).

En el término de la izquierda de la ecuación 2.13 se denomina normalmente logit, que

es, el logaritmo natural de la odss de la variable dependiente (es decir, el logaritmo de la

razón de proporciones de ocurrencia y no ocurrencia del fenómeno). El término a la

derecha de la igualdad es una expresión de primer grado (lineal).

nn xbxbxbay ++++= ...2211 Eq. 2.14

Estimación de parámetros mediante máxima verosimilitud

Para la estimación de los coeficientes del modelo se recurre al cálculo de estimaciones

de máxima verosimilitud, es decir, estimaciones que maximicen la probabilidad de

obtener los valores de la variable dependiente. El proceso se inicia construyendo la

función de verosimilitud (likelihood function) de la ecuación de regresión logística

(ecuación 2.14) o su transformada logarítmica (LL, log likelihood) (ecuación 2.15)

( ) ( )( )∑−∑= − yiNi

yii ppL 1.β Eq.2.15

( ) ( ) ( ) ( )iiii pyNpyLL −−+= ∑∑ 1ln.lnβ Eq. 2.16

Donde pi es la probabilidad de ocurrencia de y=1 con los valores muestrales de las

covariables X x1, ... , xm+1 , para el sujeto i1, ... , N. Llamamos devianza al valor

-2·LL(β), y mide en qué grado el modelo se ajusta a los datos; cuanto menor sea su

valor, mejor es el ajuste (Hosmer y Lemeshow, 2000).

La primera derivada de LL(β) respecto de β (llamada función score) en su forma

matricial es:

( ) ( ) ( )pYXLLU −⋅=∂

∂= ´

βββ Eq. 2.17


56

siendo p una matriz de N filas y 1 columna que contiene las probabilidades de cada

individuo de que tengan su correspondiente evento yi.

La segunda derivada, llamada matriz informativa o hessiana, es

( ) ( ) XWXLLH ⋅⋅−=∂∂

∂= ´

´

2

ββββ Eq. 2.18

siendo W una matriz diagonal (una matriz cuadrada en la que todos sus elementos son 0

excepto su diagonal) de N filas y N columnas, en la que los elementos de su diagonal

vienen dados por los respectivos productos

y para cada fila su pi es

∑+

= +

=

⋅−1

11

1m

jijj x

i

e

pβ

Eq. 2.19

Los coeficientes de regresión se determinan con el siguiente procedimiento (Kleinbaum

y Klein, 2002):

• Se le asigna un valor inicial empírico a los coeficientes de regresión, en general

0 a todos ellos

• En cada iteración t la matriz de nuevos coeficientes de regresión experimentales

se obtiene sumando matricialmente un gradiente a la matriz de coeficientes


57

experimentales del paso anterior. Este gradiente es el resultado del cociente entre

la primera derivada y la segunda derivada de la función de verosimilitud de la

ecuación de regresión.

( )XWX

pYX

t

ttt ⋅⋅

−⋅+=

−

−−

1

11 ´

´ββ Eq. 2.20

• El segundo paso se repite tantas veces como sea necesario hasta que la

diferencia entre la matriz de coeficientes de regresión en dicha iteración y la

matriz de la iteración previa, sea 0 o prácticamente 0 (por ejemplo <10-6).

• Una vez finalizadas las iteraciones, la inversa de la matriz informativa de la

última iteración, nos ofrece los valores de varianzas y covarianzas de las

estimaciones de los coeficientes de regresión estimados.

2.3.1.1.2 Redes neuronales

Las redes neuronales son sistemas de procesamiento que tratan de reproducir la

capacidad que tiene el cerebro humano para reconocer patrones, hacer predicciones o

tomar una decisión en base a la experiencia pasada. Así, mientras el cerebro humano

confía en la estimulación neuronal, las redes neuronales actúan sobre un conjunto de

datos para aprender. Dichas redes destacan por su desempeño en la solución de

complejos problemas, donde el reconocimiento de modelos o comportamientos es

importante (Freeman y Skapura, 1993).

La estructura clásica de una red neuronal se ve reflejada en la siguiente arquitectura:

Figura 2.9. Estructura clásica de una red neuronal


58

Donde se pueden distinguir como parte de su diseño:

Capa de entrada: Destinada a recibir la información para la resolución del problema

(variables independientes). Tiene como características: a) Ser de carácter única. b)

Número de neuronas definido por la cantidad de inputs. c) Propaga los datos a la capa

siguiente sin proceso alguno, salvo la aplicación de una función escalar.

Capa Oculta: Donde se lleva a efecto el procesamiento de los datos. Tiene como

características: a) La no cualidad de única, pudiendo existir más de una en la

arquitectura de red. b) Número de neuronas definido por quien aplica la red. c) Los

datos se propagan a la capa siguiente previo acto de una función de activación.

Capa de Salida: En las que se presenta el resultado entregado por la red neuronal. Tiene

como características: a) Ser de carácter única. b) Número de neuronas definido por la

cantidad de outputs. c) Neuronas aplican una función de activación a los datos que

reciben, antes de dar el producto final

Las Neuronas

La neurona, también llamada procesador elemental (PE), es un dispositivo simple de

cálculo que a partir de un vector de entrada procedente del exterior o de otras neuronas,

proporciona una única respuesta o salida. Los procesadores elementales se agrupan

formando capas, las cuales a su vez conforman las llamadas redes neuronales.

Al igual que una neurona biológica, el PE tiene muchas entradas pero una sola salida,

que se puede aplicar a muchos otros PEs de la red. La salida del j-ésimo nodo es Xj, del

mismo modo que la salida generada por el i-ésimo nodo se denomina Xi. Cada conexión

con el i-ésimo PE tiene asociada a él un valor llamado peso o intensidad de conexión. El

peso de la conexión procedente del j-ésimo nodo y que llega al i-ésimo nodo se

denomina Wij. Una conexión de entrada puede ser excitatoria (pesos positivos) o

inhibitoria (pesos negativos). Cada PE determina un valor de entrada neto basándose en

todas las conexiones de entrada. La forma más común es calcular el valor de entrada

neto sumando los valores de entrada, ponderados mediante sus pesos correspondientes.

Es decir, la entrada neta de la i-ésima unidad se puede escribir de la siguiente forma

(Freeman y Skapura, 1993):


59

∑= ijji WXNeta Eq. 2.21

En donde el índice j recorre todas las conexiones que posea el PE. Una vez que la

entrada neta ha sido calculada, se trasforma en el valor de activación para ese PE.

( ) ( ) ( )( )tNetatafta iiii ,1−= Eq. 2.22

En la mayoría de los casos, la activación y la entrada neta son idénticas, y los términos

suelen utilizarse de manera intercambiable.

Una vez que se ha calculado la activación del PE, se puede determinar el valor de salida

aplicando la función de salida que puede escribirse como (Freeman y Skapura, 1993):

)( iii NetafX = Eq. 2.23

Funciones de Activación

Las funciones de activación son los elementos de la topología de la red que determinan

en que nivel de datos se quiere poner el mayor énfasis. Por ejemplo, si se utiliza una

función lineal todos los datos son tratados de la misma manera; por el contrario, si se

usara una función tangente hiperbólica, ésta consideraría más relevante la información

alrededor de cero que aquella que se encuentra en los extremos de uno y menos uno.

Los tipos de función de activación que podrían utilizarse son ilimitados. Sin embargo

las más utilizadas son las siguientes:

Función logística

La función logística o Sigmoide es la más común en la mayor parte de las redes

neuronales. Su rango es (0,1). Se utiliza para concentrar el aprendizaje en valores no

extremos en donde deberían encontrarse la mayor parte de los casos, por ello es de

especial utilidad cuando las salidas son categóricas. En términos matemáticos su

expresión es:

( ) ( )xexF −+=

11 Eq. 2.24


60

Función Lineal

La función Lineal es especialmente útil en aquellos casos en que la salida es una

variable continua o en aquellos en que se desea que la red aprenda los eventos menos

frecuentes, es decir, aquellos que coincidirán con valores alejados a cero en la escala.

Ello se debe a que a diferencia de la función Sigmoide, la lineal no se hace menos

sensible al alejarse de cero. La expresión matemática es:

( ) xxF = Eq. 2.25

Función Tangente Hiperbólica

La función Tangente Hiperbólica tiene las mismas propiedades que la logística, sin

embargo, el rango de salida de esta función permite respuestas simétricas (-1,1);

manteniendo una intermedia en cero. Esto puede ser de especial interés al escalar los

datos en la primera capa de la red, pues en muchos casos puede necesitarse atenuar los

valores exageradamente altos o bajos, pero diferenciándolos de un nivel donde la

información sea irrelevante en donde se tendrá como valor cero.

Esta función suele converger antes que la función Logística, sin embargo, no

necesariamente generaliza igualmente bien. En términos matemáticos la función es:

( ) ( )( )xx

xx

eeeexF −

−

+−

= Eq. 2.26

Funcionamiento de una red neuronal

Aprendizaje o Entrenamiento

Cuando se construye una red neuronal, se parte de un modelo de neuronas y de una

determinada arquitectura de red, estableciéndose los pesos iniciales como nulos o

aleatorios. Para que la red resulte útil es necesario entrenarla, lo que se conoce como

modo de aprendizaje. Aprendizaje es el proceso por el cual se produce el ajuste de los

parámetros libres de la red (pesos) a partir de un proceso de estimulación por el entorno


61

que rodea la red. En términos más simples significa la extracción de regularidades de

los datos de entrenamiento que serán transferidos a nuevos ejemplos. Esto se hace a

través de una cierta regla de aprendizaje (manera sistemática de cambiar los pesos),

construido normalmente a partir de la optimización de una función de error o costo, que

mide la eficacia actual de la operación de la red. En un proceso de aprendizaje la

información contenida en los datos de entrada queda incorporada en la propia estructura

de la red neuronal, estructura que almacena la representación de una cierta imagen de su

entorno.

El modo de aprendizaje es de gran importancia, debido a que una característica esencial

de las R.N.A. es que son sistemas entrenables, capaces de realizar un determinado tipo

de procesamiento, aprendiéndolo a partir de un conjunto de ejemplos.

Hay básicamente tres aspectos relacionados con el aprendizaje: La elección del conjunto

de entrenamiento y su tamaño, la elección de los parámetros del aprendizaje, y el

momento en que debemos detener el aprendizaje. Para enfrentar esto sólo existen

algunas reglas generales, de manera que la experimentación juega un papel importante.

En este aspecto, la disponibilidad de ambientes de simulación rápidos y habilidades de

prueba extensivos son una gran ventaja (Martín y Sanz, 1997).

Regla de Retropropagación

Existen diferentes algoritmos para entrenar las redes, siendo fundamental el de

Retropropagación del Error, Back-propagation o Regla del Gradiente. Este algoritmo

permite modificar los pesos de cada una de las neuronas de la red en forma proporcional

al error de su salida (generalmente la diferencia entre lo deseado y lo obtenido), el cual

por medio de la regla se va propagando desde la salida final por las capas intermedias

hasta la entrada. Los pasos a seguir para este entrenamiento son los siguientes:

a) Aplicar un vector de entrada como estímulo para la capa de entrada.

b) Propagar esta señal por todas las capas de la red hasta obtener una salida.

c) Comparar la salida de la red con el output deseado.

d) Calcular una señal de error para cada unidad de salida.


62

e) Transmitir la señal de error hacia atrás hacia todos los nodos que estén conectados

directamente.

f) Los nodos de capas anteriores reciben una fracción del error proporcional al peso de

su conexión.

g) Actualizar iterativamente los pesos de todas las conexiones de tal manera de

disminuir el error.

h) En el caso de que no se tenga convergencia, repetir todo lo anterior. Cuando el error

resulta aceptablemente pequeño, el aprendizaje se da por concluido (Freeman y

Skapura, 1993).

Elección del conjunto de entrenamiento

El tamaño del conjunto de entrenamiento es de vital importancia para la utilidad

práctica de la red. Si los patrones de entrenamiento no transfieren todas las

características del problema, el mapeo descubierto durante el entrenamiento sólo se

aplica al conjunto de entrenamiento. Así, el rendimiento en el conjunto de prueba será

mucho peor que el rendimiento del conjunto de entrenamiento. La única regla general es

usar muchos datos y representativos, es decir, datos que cubran todos los escenarios

posibles con los que se pueda encontrar la red en el futuro.

La relación entre el tamaño y el conjunto de entrenamiento y el número de pesos de la

red neuronal juega un papel importante. Si el número de ejemplos de entrenamiento es

menor que el número de pesos se podría producir una memorización de la solución, es

decir, que la red almacene cada ejemplo del conjunto de entrenamiento, lo que se

traducirá en una pobre generalización (capacidad de proporcionar una respuesta correcta

ante datos no utilizados en su entrenamiento). Es recomendable que el número de

muestras de entrenamiento sea de al menos el doble que el número de pesos de la red.

Cuando hay una gran discrepancia entre el rendimiento del conjunto de entrenamiento y

el de prueba, se debe detener el aprendizaje. En estos casos se debe aumentar el tamaño

del conjunto de entrenamiento y/o producir una mezcla diferente de ejemplos de

entrenamiento y prueba. Siempre se puede esperar una caída en el rendimiento (más o


63

menos entre 10% a 15%) desde el conjunto de entrenamiento al de prueba. (Freeman y

Skapura, 1993)

Tamaño de la red

La forma más eficiente para determinar el tamaño óptimo de la red es a través de la

experimentación. Un parámetro importante es el número de neuronas en la capa oculta,

el cual está relacionado con la capacidad de mapeo de la red. Mientras más grande es su

número, mayor es su capacidad para memorizar el conjunto de entrenamiento. Sin

embargo, si se continúa aumentando el tamaño de la red, hay un punto donde la

generalización empeorará, debido al hecho que se puede sobreajustar el conjunto de

entrenamiento, de modo que cuando la red trabaja con patrones que nunca ha visto

anteriormente la respuesta es impredecible. El problema es encontrar cuál es la

combinación correcta de neuronas y número de capas para resolver el problema en

tiempos de entrenamiento más bajo. Cada capa aumenta el poder discriminante de la

red. Es recomendable comenzar con una red pequeña y observar el comportamiento de

la curva de aprendizaje. Si el error final es pequeño, el número de procesadores

elementales probablemente es el apropiado. Si el error final es grande, el aprendizaje

puede haber caído en un mínimo local (con lo cual el número de neuronas debe ser

aumentado). En el caso que el rendimiento de la red se deteriore considerablemente

desde el conjunto de entrenamiento al conjunto de prueba, una de dos cosas ha ocurrido:

el conjunto de entrenamiento no es representativo del dominio del problema, o se ha

configurado la red con muchos pesos produciendo una pobre generalización

(sobreajuste).

Un método alternativo para el tamaño de la red, es comenzar con una red grande e ir

cambiando alguno de los pesos. Los pesos pequeños que tiendan a cero y decaen de

iteración a iteración, serán eliminados. (Freeman y Skapura, 1993)

Parámetros de aprendizaje

No existe una recomendación o receta en lo que se refiere a parámetros de aprendizaje.

El objetivo es entrenar tan rápido como sea posible y alcanzar el mejor rendimiento.

Aumentando el parámetro de la tasa de aprendizaje, se disminuirá el tiempo de

entrenamiento, pero también aumentarán las posibilidades de divergencia, es decir, de


64

alejarse del valor óptimo. Debido a que la corrección del peso depende de las

características de la superficie de error y de la tasa de aprendizaje, para obtener un

aprendizaje constante es necesario un parámetro adaptativo. Se recomienda una

estrategia en donde la tasa de aprendizaje sea grande al comienzo del proceso de

aprendizaje y que progresivamente decaiga hacia el término de la adaptación.

Las actualizaciones pueden ejecutarse al término de la presentación de todos los

elementos del conjunto de entrenamiento o en cada iteración (tiempo real). La primera

modalidad suaviza el gradiente y puede dar un aprendizaje más rápido para datos

ruidosos, sin embargo, también puede promediar los gradientes en cero y evitar el

aprendizaje. La modificación de los pesos en cada iteración con una tasa de aprendizaje

pequeña puede ser preferible la mayor parte del tiempo.

La curva del RMSE (error cuadrático medio) como función del número de iteraciones es

llamada curva de aprendizaje. Cuando la curva de aprendizaje presenta una forma

horizontal, el tamaño del paso (parámetro que determina la magnitud en la cual se van a

actualizar los pesos) debería ser incrementado para acelerar el aprendizaje y mejorar su

rendimiento. Por otro lado, cuando la curva de aprendizaje presenta una forma

oscilatoria el tamaño del paso debiera ser disminuido. En un caso extremo, el error

aumenta uniformemente, mostrando que el aprendizaje es inestable. En este punto la red

debería ser reformulada. Cuando la curva de aprendizaje se estabiliza después de

muchas iteraciones en un nivel que no es aceptable, es tiempo de cambiar la topología

de la red (más neuronas en la capa oculta o más capas ocultas, o una topología

diferente) o el procedimiento de entrenamiento. (Freeman y Skapura, 1993)

Criterio de detención

Otro problema es cuándo detener el entrenamiento. Todos los criterios están basados en

el error cuadrático medio. Los criterios más utilizados son fijar el número de iteraciones

o el prefijar un error final. Lo que se usa en la práctica es el aprendizaje mínimo

incremental (cuando entre dos iteraciones consecutivas el error no disminuye en al

menos una cantidad dada o umbral, el entrenamiento debiera terminarse). Esto nos da

un criterio para comparar topologías muy diferentes. Otra alternativa es usar dos

criterios para detener el entrenamiento: fijar un RMSE para el conjunto de prueba o fijar

un número máximo de eventos (es la presentación de un solo patrón de entrenamiento a


65

la red) desde que se alcanzó el último mínimo. El aprendizaje se detiene cualquiera de

las dos alternativas anteriores es alcanzada. (Martín y Sanz, 1997).

Memorización v/s Generalización

Uno de los aspectos fundamentales se relaciona con la capacidad de las redes

neuronales de generalizar a partir de ejemplos, lo que se denomina en ocasiones el

problema de la memorización frente a la generalización. La Generalización es la

capacidad de proporcionar una respuesta correcta ante patrones que no han sido

empleados en su entrenamiento. En su proceso de entrenamiento se puede considerar,

por una parte, un error en aprendizaje y por otra un error en generalización (error en

test). Una red se debe entrenar hasta que su error de generalización sea mínimo.

Para medir de una forma objetiva la eficacia final del sistema construido, el conjunto de

patrones de partida debería ser divido en tres grupos, un conjunto de aprendizaje y dos

de test, uno para la realización de validación cruzada (que evite el sobreajuste) y otro

que se mantenga al margen del proceso de aprendizaje, permitiendo de este modo una

validación totalmente objetiva de la red neuronal desarrollada.

Figura 2.10. Error en Test v/s error en Aprendizaje

Recuerdo o Ejecución

Una vez terminado el aprendizaje, los pesos y la estructura quedan fijos, la red neuronal

está en condiciones de procesar datos. Esto es lo que se conoce como modo recuerdo o

ejecución.


66

2.3.1.2 Modelos basados en transición espacial

Los modelos basados en transición espacial asumen explícitamente que las áreas

vecinas influyen en la probabilidad de transición del área o celda central. Estos modelos

abarcan, principalmente, las técnicas estocásticas basadas en el método de Cadenas de

Markov y Autómatas Celulares (AC) (Pontius y Malanson, 2005, Van Vliet et al.,

2008).

2.3.1.2.1 Cadenas de Markov

Las cadenas de Markov están constituidas por un conjunto de valores Xn, n: 0, 1, 2….

que en los que la probabilidad de alcanzar cualquier estado j de la variable depende

exclusivamente del estado i alcanzado en el instante de tiempo anterior.

[ ] [ ] jiiXjXPiXiXiXjXP tttttt ,/,......,,/ 10111 ∇======= +−+ Eq. 2.27

Se define para cada par de estados (i,j), que alcanzan en dos pasos consecutivos de n y

n+1, una probabilidad condicionada denominada probabilidad de transición pij.

[ ] ijtt piXjXP ===+ /1 Eq. 2.28

A los pij(t) se les llama probabilidades de transición y cuando estas no dependen de t,

se dice que las probabilidades de transición son estacionarias y se escriben pij .

Cuando un proceso estocástico sólo pueda tomar un conjunto finito de estados; y

satisfaga la propiedad markoviana con probabilidades de transición estacionarias,

entonces llamaremos al proceso Cadena de Markov.

Matriz de transición de un paso. Las probabilidades de transición estructuradas en forma matricial dan lugar a la

denominada matriz de transición P = (pij). Dicha matriz relaciona los estados de la


67

variable en dos pasos consecutivos t y t+1 a través de sus probabilidades de transición

(Hillier y Lieberman, 2002).

Por ejemplo p21 es la probabilidad de estar en el estado 1 en el siguiente paso, dado que

en el momento actual se encuentra en el estado 2. Las probabilidades pij deben satisfacer

las condiciones:

∑ =k

jijP 1, para toda i Eq. 2.29

0≥ijp , para toda i e j Eq. 2.30

Probabilidades de transición en n pasos

De forma análoga, si p(n) ij es la probabilidad de transición del estado i al estado j en n

pasos, (0 ≤ i, j ≤ M), entonces la matriz P(n) que contiene todos estos valores se

denomina matriz de transición de n pasos. La matriz de transición de n pasos P(n) se

puede obtener multiplicando la matriz de transición de un paso P, n veces (Hillier y

Lieberman, 2002):

nn PPPPPP == .......)( Eq. 2.31

[ ] ijn

n piXjXP )(0/ === = elemento (i,j) de la matriz P(n)

Eq. 2.32

Clasificación de estados de una Cadena de Markov


68

Estado alcanzable: El estado j es alcanzable desde el estado i, si existe n ≥ 0 tal que

p(n)i,j>0 ; es decir, es posible que el proceso llegue al estado j desde el estado i. Se

denota i → j. Se dice que los estado i y j se comunican si i ←→ j

Conjunto de estados cerrado:

Sea Ω un conjunto de estados. Ω es cerrado si cuando el sistema cae en uno de los

estados de Ω, permanece para siempre en algún estado de Ω.

Denotemos por fii a la probabilidad de que el proceso regrese alguna vez al estado i

dado que partió del estado i. Entonces:

Estado recurrente.

El estado i es recurrente si fii = 1. Siempre que parta del estado i, podré regresar a él.

Estado transitorio.

El estado i es transitorio si fii < 1. Es decir, hay manera de dejar el estado i de tal modo

que nunca se regrese a él.

Estado absorbente.

El estado i es absorbente si pii =1. Es decir, una vez que se llegue al estado i, no se

podrá salir de el.

Estado periódico.

Un estado recurrente i es periódico, con período k > 0, si k es el menor número tal que

todas las trayectorias que parten de i y regresan a i , tienen longitud múltiplo de k. Un

estado recurrente es aperiódico si no es periódico (Hillier y Lieberman, 2002).

Modelamiento Markoviano del uso del suelo

Las Cadenas de Markov se pueden aplicar en un espacio subdividido en una serie de

píxeles, cada uno de los cuales puede ser ocupado por un determinado tipo de uso de la

tierra en un momento dado. Determinadas las probabilidades de transición, mediante el

estudio temporal de los cambios ocurridos y considerando posibles variables


69

explicativas; se conforma la matriz de transición P. La proyección hacia el futuro se

realiza mediante la expresión (Briassoulis, 2000):

Pllt 0= Eq. 2.33

En la que l0 proporciona la distribución de los diferentes usos de suelo al inicio del

período. lt muestra la distribución de los tipos de suelo al final del período.

La distribución de de los usos de suelo después de n períodos de tiempo (de una

determinada longitud) es proporcionado por la matriz de transición de n pasos P(n).

)(

0nn

t Pll = Eq. 2.34

2.3.1.2.2 Autómatas celulares

Un autómata celular es un modelo formal que está compuesto por un conjunto de entes

elementales, cada uno de ellos susceptible de encontrarse en un cierto estado y de

alterarlo de un instante al siguiente, asumiendo que el tiempo transcurre de forma

discreta. La regla que gobierna la transición de estados en los entes es sensible a los

estados de los demás elementos de su vecindad, siendo por tanto una regla de transición

local. El aspecto que más caracteriza a los autómatas celulares es su capacidad para

dotar al conjunto del sistema, visto como un todo, una serie de propiedades emergentes

inducidas por la propia dinámica local (Rinaldi et al., 2007).

Los Autómatas Celulares son redes de autómatas simples conectados localmente. Cada

autómata simple produce una salida a partir de varias entradas, modificando en el

proceso su estado según una función de transición. Por lo general, en un autómata

celular, el estado de una célula en una generación determinada depende única y

exclusivamente de los estados de las células vecinas y de su propio estado en la

generación anterior (Rinaldi et al., 2007).


70

La estructura de un Autómata Celular se basa en cinco componentes básicos (Aguilera,

2006):

• Un plano bidimensional o un espacio n-dimensional dividido en un número de

subespacios homogéneos, conocidos como celdas. A todo esto se le denomina

Teselación Homogénea. En el caso de la integración de los autómatas en un SIG,

esta teselación es bidimensional y hace referencia a la malla raster empleada.

• Cada celda puede estar en uno de un conjunto finito de estados.

• Una Vecindad definida para cada celda, la que consiste en un conjunto contiguo

de celdas. Esta vecindad puede estar formada por las celdas inmediatamente

contiguas a la celda en cuestión (vecindad de Von Neuman ,4 celdas, o vecindad

de Moore, 8 celdas) o en el caso de modelos mas complejos como los

desarrollados por White et al (1997) en el que emplean una vecindad de 112

celdas y Barredo et al (2003) de 172.

• Una Regla de Evolución, la cual define el estado de cada celda, dependiendo del

estado inmediatamente anterior de su vecindad.

• Un Reloj Virtual de Cómputo, el cual generará "tics" o pulsos simultáneos a

todas las celdas indicando que debe aplicarse la regla de evolución y de esta

forma cada celda cambiará de estado. En el caso de los modelos que integran

SIG y autómatas celulares, se suele hablar de iteraciones, de tal modo que cada

iteración supone una aplicación de la regla de evolución y un consiguiente

cambio (o no) de estado.

Figura 2.11. Tipos de vecindad de un autómata celular: (a) Von Neumann, (b) Moore, (c) Von Neumann Extendido, (d) Moore

Extendido


71

Modelo de uso de suelo urbano con Autómatas Celulares

En 1997 White planteó un modelo de autómata celular capaz de reproducir la estructura

espacial de los suelos de una ciudad considerando un mínimo de factores. El autómata

considera y modela un conjunto de observaciones empíricas de orden geográfico y

económico (Aguilera et al., 2001).

Formalmente, el autómata celular de White consta de un espacio celular finito que

representa un área urbana hipotética, Los distintos usos de suelo son identificados

como los elementos del conjunto de estados del autómata celular. White define dos

estados los activos y los fijos. Los primeros representan usos de suelos convencionales,

tales como el residencial o el industrial, los cuales pueden cambiar con el tiempo. Los

segundos representan la infraestructura vial o accidentes naturales del terreno como ríos,

barrancos, etc. (Aguilera et al., 2001).

Las reglas de transición de estados son definidas a través de una función que relaciona

cuatro tipos de factores (Aguilera et al., 2001):

• La conveniencia intrínseca para que una ocupación del suelo, localizado en un

punto específico, se transforme en otro o permanezca sin cambio. Considera

cuestiones que van desde la calidad del suelo, hasta restricciones legales o

presiones económicas especulativas.

• El efecto que sobre una ocupación del suelo específico tiene a la existencia de

usos aledaños. El efecto puede ser atractivo o repulsivo: Por ejemplo una

ocupación del suelo residencial atrae al uso comercial y repele al industrial.

• El efecto de la accesibilidad local. Representa la facilidad de acceso a la red de

transporte.

• Adicionalmente, incluye una perturbación estocástica que captura el efecto del

conocimiento imperfecto y las necesidades y gustos variantes entre los actores

implícitos cuyas decisiones repercuten en los usos del suelo.

Con estas consideraciones se define una regla para calcular el potencial de transición

para cada celda activa. Luego se aplica la regla de transición; esto es, se cambia el


72

estado de cada celda al estado para el cual tiene el más elevado potencial. Los

potenciales se calculan mediante la expresión (Aguilera et al., 2001):

jk i d

idkdjjhj HImSvaP +⎟⎠

⎞⎜⎝

⎛+= ∑∑∑1 Eq. 3.35

En donde: Phj es el potencial de transición del estado h al estado j. mkd es un parámetro

de peso aplicado a las celdas con estado k y una distancia d de la celda central. Iid es 1,

si el estado de la celda i = k, de otro modo Iid = 0, donde i es el índice de suma de las

celdas situadas dentro de un radio d de la celda central. Hj es un parámetro incercial Hj

> 0 si j = h, de otra forma Hj = 0. Hj incrementa la probabilidad de que una celda

permanezca en su estado actual. sj es la conveniencia de estados de la celda j. Varía

entre 0 y 1. aj es el parámetro de accesibilidad que se calcula con: aj = (1 + D / δj)-1, en

la que D es la distancia euclidiana medida desde la celda central hasta la celda más

cercana que contiene estados fijos. δj es un coeficiente de accesibilidad, que expresa la

relevancia de la accesibilidad de la celda para que se dé el a j. v es un término

estocástico de perturbación, donde v = 1 + (-ln(r))α. En donde α es un parámetro que

permite controlar el tamaño de la perturbación. r es una variable aleatoria uniforme que

varía entre 0 y 1.

2.4 Clima y cambio climático

El clima tiene efecto directo en la disponibilidad de recursos hídricos en una cuenca

hidrográfica, por lo que conocer la respuesta de una cuenca ante eventuales variaciones

climáticas es de especial interés, más aún, si se considera la existencia de un posible

cambio climático que tenga impacto notable en las actividades humanas. Plantear

escenarios climáticos futuros y estudiar sus efectos en los recursos hídricos mediante un

modelo hidrológico, puede proporcionar elementos que contribuyan a la mitigación y

adaptación a dichos cambios.

El clima es el conjunto de los valores promedios de las condiciones atmosféricas que

caracterizan una región (Ayllon, 1996, p. 167, Casas y Alarcón, 1999, p. 117). Estos

valores promedio se obtienen con la recopilación de la información meteorológica


73

durante un periodo de tiempo suficientemente largo (Ayllon, 1996, p. 167). El clima se

ve afectado por la latitud, que condiciona el efecto de la radiación solar y la rotación

terrestre; por la altitud, que incide en la presión y la temperatura; por la orografía, que

modifica los factores climáticos locales; y a nivel regional, la distribución de tierras y

mares.

Se llama cambio climático a la modificación del clima con respecto al historial

climático a una escala global o regional. Tales cambios se producen a muy diversas

escalas de tiempo y sobre todos los parámetros climáticos y son debidos a causas

naturales y la acción de la humanidad. El cambio climático implica una alteración del

sistema climático global.

2.4.1 Sistema climático global

Actualmente se considera que el sistema climático está formado por varios subsistemas

que interaccionan entre ellos intercambiando masa, energía y cantidad de movimiento.

Estos subsistemas son la atmósfera que es la capa gaseosa que cubre el planeta,; la

hidrosfera, formada por toda el agua en forma líquida; la criosfera, que corresponde al

agua en estado sólido; la litosfera, que incluye a los continentes; y, la biosfera, formada

por la fauna y flora de continentes y océanos (Casas y Alarcón, 1999, p. 117).

La Tierra recibe grandes cantidades de calor, luz y rayos ultravioletas procedentes del

Sol y a su vez emite gran cantidad de la energía recibida. Del 100% de la radiación que

llega a la tierra el 40% es reflejada y el 60% restante es absorbida por la superficie de la

tierra y por la atmósfera (Ayllon, 1996, p. 34). El suelo y los océanos reemiten la

energía absorbida en forma de radiación electromagnética.

La energía llega del Sol en forma de luz, entra en la atmósfera y la atraviesa hasta llegar

al suelo y al océano donde es absorbida. Los vientos llevan el calor hacia otras zonas de

la tierra. En el mar las olas y las corrientes distribuyen el calor. El suelo y el mar

reemiten energía en forma de radiación electromagnética infrarroja. El hielo refleja la

luz del sol y al derretirse, modifica la salinidad del mar y la circulación de las corrientes

del océano (Kemp, 1994).


74

La atmósfera es prácticamente transparente, en la parte visible del espectro

electromagnético, por lo que presenta una baja absorción de la energía proveniente del

Sol; en cambio, en la parte de la radiación ultravioleta (radiación solar de entrante),

poseen una significante capacidad de absorción por la presencia del ozono. En la parte

del infrarrojo (radiación emitida por la superficie de la tierra, luego de haber sido

calentada por el Sol) su capacidad de absorción es significativa debido a la presencia de

vapor de agua, dióxido de carbono y otros gases. La absorción de radiación infrarroja

por parte de los gases, calienta la atmósfera estimulando la emisión de radiación de

onda larga, parte de esta radiación es enviada hacia los niveles más altos de la

atmósfera y al espacio, mientras que la mayor parte en enviada de regreso a la superficie

de la Tierra, por lo que se almacena más energía cerca de la superficie incrementándose

la temperatura. Este fenómeno se conoce como efecto invernadero.

2.4.1.1 La atmósfera

Es el conjunto de gases y aerosoles que comúnmente envuelven la Tierra. El 99% de la

masa de la atmósfera se encuentra por debajo de 25 y 30 Km de altitud, donde el 50% se

concentra debajo de los 5 Km (Casas y Alarcón, 1999, p. 13). Según Kemp (1994) la

atmósfera se encuentra formada por un 78% de nitrógeno, un 21% de oxígeno y un

pequeño porcentaje, pero determinante, de los llamados gases de efecto invernadero

(dióxido de carbono, metano óxido nitroso, ozono y halocarburos, del vapor de agua y

de partículas sólidas y líquidas dispersas por el aire (aerosoles).

En función de la variación de la temperatura media con la altura, la atmósfera se divide

en 4 regiones: Troposfera, Estratosfera, Mesosfera y Termosfera. La Troposfera es la

capa más próxima a la superficie de la Tierra y tiene una extensión del orden de 10Km.

En esta capa la temperatura media desciende con la altura de manera uniforme y es en

ella donde se producen los fenómenos físicos más ligados con el llamado tiempo

atmosférico. La Estratosfera se encuentra a una altura que varía entre los 10 Km y los

100 Km. En esta región el perfil térmico medio aumenta con la altura debido a las

reacciones fotoquímicas de producción de ozono a partir del oxígeno y la radiación

ultravioleta proveniente del Sol. La Mesosfera y la Termosfera son las capas más

exteriores de la atmósfera (Casas y Alarcón, 1999). En la primera la temperatura


75

disminuye con la altura; y en la segunda aumenta, aunque esto último, debido a la

acción de la radiación solar.

2.4.1.2 Los océanos

El estado termodinámico de los océanos está determinado por el intercambio de calor,

cantidad de movimiento y humedad entre éste y la atmósfera. Es gracias a la circulación

del océano que el calor del Ecuador se reparte hasta los Polos. Aproximadamente, el

50% de la energía que fluye de las zonas ecuatoriales hacia los polos se lleva a cabo

mediante la atmósfera; el resto lo hace mediante las corrientes oceánicas que se originan

a su vez, por los vientos o por las diferencias de densidad, temperatura o concentración

salina del agua de los océanos (Cubasch et al., 1990).

Las corrientes cálidas van del ecuador hacia las latitudes altas. Las corrientes cálidas

atenúan el clima haciendo que sus valores térmicos no sean tan fríos como por la latitud

pudieran ser; pero además, las masas de aire son más húmedas, por lo que las

precipitaciones son más abundantes. Por el contrario, las corrientes frías, que van de las

latitudes altas hacia el ecuador, enfrían el clima, por lo que en latitudes bajas el clima

no es tan caluroso como le correspondería. Además, las masas de aire que les

acompañan son más frías, y por lo tanto menos húmedas. Las oscilaciones de las

corrientes provocan en los climas períodos notablemente más cálidos, fríos, húmedos o

secos.

2.4.1.3 La Criosfera

Incluye a aquellas zonas cubiertas permanentemente por nieve o hielo. La nieve y el

hielo reflejan la mayor parte de la radiación solar que reciben, siendo del orden del 90%

en algunas zonas de la Antártica. Sin las masas de hielo, el albedo del planeta sería

menor lo que produciría un incremento de la temperatura atmosférica.

La influencia de las masas de hielo se hace notar en la reducción de la transferencia de

humedad y cantidad de movimiento entre la atmósfera y los océanos. Determinan el

volumen de los océanos y el nivel de los mareas.

2.4.1.4 La Biosfera


76

Está formada por la cubierta vegetal y la fauna. La vegetación altera la capacidad del

suelo de retener agua y determina la evaporación y el albedo superficial. La biosfera

tiene influencia en el ciclo del carbono mediante la fotosíntesis y la respiración. La

biosfera interviene además en el flujo de ciertos gases de efecto invernadero y variando

el contenido de aerosoles.

La biosfera afecta el albedo de la Tierra, sea sobre la tierra como en los océanos.

Grandes áreas de bosques continentales tienen bajo albedo comparado con regiones sin

vegetación como los desiertos. El albedo de un bosque deciduo es de aproximadamente

0,15 a 0,18, donde un bosque de coníferas es entre 0,09 y 0,15. Un bosque tropical

lluvioso refleja menos aún, entre 0,07 y 0,15. Como comparación, el albedo de un

desierto arenoso es de cerca 0,3. Queda claro que la presencia de bosques afecta el

presupuesto energético del sistema climático (Kemp, 1994).

2.4.1.5 La Litosfera

La litosfera es la capa rocosa más superficial del planeta, con un espesor medio de 300

Km en los continentes y de 70Km en los océanos. Está formada por los suelos,

sedimentos y rocas, la corteza continental y oceánica y la parte superior del manto.

La distribución de las masas continentales, la dinámica de placas, entre otras, han

modificado a través del tiempo el clima global alterando patrones de viento, distribución

de la precipitación, trayectoria de las corrientes oceánicas, etc., e incluso la actividad

volcánica ha modificado la composición del aire atmosférico mediante aportes de gases

y partículas en suspensión (Martín, 1999).

2.4.2 Causas naturales del cambio climático.

El clima global está determinado por un complejo sistema formado por la atmósfera, la

tierra, los océanos, el hielo y la biosfera. Cualquier variación del sistema, que origine

un cambio climático, es originada por un mecanismo actuante, que puede ser de

diferente naturaleza.


77

Factores como la localización y el tamaño de los sistemas montañosos y la distribución

de cuencas oceánicas, pueden inducir un cambio en el clima de una región, sin afectar

directamente el balance de la energía de la atmósfera, por lo que normalmente se

denominan mecanismos no radiactivos. Los que alteran el balance de energía del

sistema Tierra- Atmósfera son conocidos como mecanismos actuantes radiactivos (Sine

et al., 1990). Entre estos se puede citar las variaciones de la orbita terrestre, de la

radiación solar, las actividades volcánicas y la composición de la atmósfera.

Las complicadas interacciones gravitatorias en el sistema solar hacen que la orbita

terrestre cambie de modo regular, pasando de una forma casi circular, a la forma de una

elipse algo alargada. Cuando la orbita es aproximadamente circular, se presentan

condiciones climáticas cálidas, características del período interglaciar, produciéndose

por su parte períodos glaciales, cuando la orbita es elíptica. Esta teoría fue propuesta

por James Corrí en 1860, aunque fue Milankovitch (1930) (Casas y Alarcón, 1999, p.

123), el que calculó las variaciones de radiación solar que recibe la Tierra debida a

cambios de de rotación y traslación e incluso propuso un mecanismo astronómico para

explicar los ciclos glaciales y propuso la idea de que los períodos glaciales son el

producto de una reducción de irradiación en verano que producía una reducción de la

fusión de los hielos producidos en invierno. Los ciclos predichos por Milankovitch

fueron confirmados experimentalmente por Cesar Emiliani en 1960 (Fernández, 2002)

El clima de la Tierra depende de la luminosidad solar, la cual presenta variaciones de

hasta 0.2%, las que se relacionan con la actividad solar. Tal es así que algunos años

especialmente fríos de inicios del siglo XVII coincidieron con períodos de actividad

solar muy reducida. Al parecer las variaciones de la luminosidad del Sol están

relacionadas con la presencia de las manchas solares.

Parece demostrado que la presencia de montañas en la tierra influyen poderosamente en

el clima y por tanto la generación de montañas actúa como un mecanismo no radiativo

en el clima (Fernández, 2002). Las cadenas montañosas orientadas de Norte a Sur,

influyen en los patrones atmosféricos de circulación general que tienen una tendencia

Este Oeste debido a la rotación de la Tierra (Fernández, 2002). La elevación de la

meseta del Tibet, del Himalaya y la sierra Nevada en USA han podido inducir un


78

enfriamiento del clima global durante los últimos 40 millones de años (Kutzbach,

1991).

Los volcanes producen gases líquidos y sólidos. Los gases volcánicos incluyen vapor

de agua, hidrógeno y azufre combinado con dióxido de carbono. Las grandes

explosiones ocurridas durante una erupción volcánica pueden arrojar grandes cantidades

de ceniza y polvo hacia la estratosfera, donde el dióxido de azufre se convierte

rápidamente en aerosoles de ácido sulfúrico, enfriando el clima a nivel global. El efecto

climático de las erupciones volcánicas se comprobó en abril de 1815, cuando la

erupción del volcán Tambora en Indonesia, que arrojó a la atmósfera superior un millón

y medio de toneladas métricas de polvo, lo que ocasionó que las temperaturas

mundiales descendieran debido a la reducción de la luz del Sol que llegaba al suelo,

motivando que 1816 sea conocido como el “año sin verano”, por sus generalizadas

temperaturas frías. La actividad volcánica además puede afectar el clima en escala de

tiempo mayores, ya que sus emisiones contribuyen a incrementar la concentración de

gases de efecto invernadero, que a largo plazo, propician el incremento de la

temperatura.

2.4.3 Causas antrópicas del cambio climático

Las actividades humanas, como el quemado de combustibles fósiles y los cambios del

uso del suelo han incrementado la concentración de gases de efecto invernadero en la

atmósfera, lo que altera el balance radiativo y tiende a calentar la atmósfera. En otros

lugares, la presencia de aerosoles produce el efecto contrario en el balance radiativo y

tienden a enfriar la atmósfera.

En la actualidad, principalmente en el hemisferio norte, el enfriamiento ocasionado por

los aerosoles ha sido suficientemente acentuado como para compensar el calentamiento

debido a los gases de efecto invernadero. Si se considera que los aerosoles no

permanecen en la atmósfera durante largos períodos de tiempo, y según proyecciones el

volumen de emisiones de sus precursores no aumentará sustancialmente a nivel

mundial, los aerosoles no compensarán el efecto mundial a largo plazo de los gases de

efecto invernadero que poseen periodos de vida más largos (IPCC, 1997).


79

Los cambios en el contenido de gases en la atmósfera pueden ocurrir tanto por causas

naturales como por factores antropogénicos. La acción del hombre a través de la quema

de combustibles fósiles, la desaparición de bosques y otros procesos industriales, ha

incrementado la los volúmenes de dióxido de carbono de 290 ppm en 1870 a 370 ppm

en 2000 (Fernández, 2002).

Por su parte los cambios en el uso del suelo, ocasionan variaciones en el albedo de la

superficie terrestre, cambios en el balance del ciclo del agua al modificar las tasas de

evapotranspiración y contenido de humedad debida a la vegetación. Adicionalmente la

tala de bosques permite la liberación de cantidades sustanciales de carbono hacia la

atmósfera.

2.4.4 Efectos del cambio climático

Los efectos del calentamiento global comprenden cambios a escala planetaria de la

temperatura, la precipitación y otras variables climáticas, produciendo inundaciones,

sequías, el incremento del nivel medio del mar y de las temperaturas máximas, y un

posible aumento de intensidad y frecuencia de eventos climáticos extremos. El Panel

Intergubernamental sobre el Cambio Climático (IPCC) considera que los impactos del

cambio climático no serán uniformes en todo el planeta, sino que variarán de región a

región y prevé un aumento de la temperatura media global de entre 1.4 y 5.8 ºC hacia el

año 2100, y un incremento del nivel del mar en un rango entre 0.1 a 0.9 m

Según el Resumen Técnico sobre Impactos, Adaptación y Vulnerabillidad (IPCC,

2007a) para América Latina se prevén los siguientes efectos del cambio climático:

• Durante los próximos 15 años, es muy probable que los glaciares intertropicales

desaparezcan, reduciéndose la disponibilidad de agua y la generación de energía

hidroeléctrica en Bolivia, Perú, Colombia y Ecuador.

• Es probable que cualquier reducción futura de las precipitaciones en las regiones

áridas y semiáridas de Argentina, Chile y Brasil conduzca a una escasez severa

de agua.

• Es probable que para la década de 2020, entre 7 y 77 millones de personas

sufran la falta de abastecimiento de agua apropiado, mientras que en la segunda


80

mitad del siglo la posible reducción de la disponibilidad de agua y la creciente

demanda de una población cada vez mayor en la región, pudieran elevar estas

cifras hasta los 60 millones y 150 millones.

• En el futuro, es muy probable que el cambio climático de naturaleza

antropogénica (incluidos los cambios en los extremos climáticos) y la elevación

del nivel del mar tengan impactos en

- zonas bajas (Por ejemplo, en El Salvador, Guyana, la costa de la provincia de

Buenos Aires en Argentina);

- construcciones y turismo (Por ejemplo, en México y Uruguay);

- morfología costera (Por ejemplo, en Perú);

- manglares (Por ejemplo, en Brasil, Ecuador, Colombia, Venezuela);

- disponibilidad de agua potable en la costa del Pacífico de Costa Rica y

Ecuador.

• Se prevé que el aumento de la temperatura de la superficie del mar debido al

cambio climático tenga efectos adversos en:

- los arrecifes de corales en la región mesoamericana (Por ejemplo, México,

Belice, Panamá);

- la ubicación de las poblaciones de peces en el sudeste del Pacífico (Por

ejemplo, Perú y Chile).

• El aumento de 2°C y la reducción del agua del suelo podrían conducir a una

sustitución de los bosques tropicales por sabanas en la Amazonia oriental y en

los bosques tropicales del centro y sur de México, simultáneamente con el

reemplazo de la vegetación semiárida por árida en regiones del noreste de Brasil

y la mayor parte del centro y sur de México.

• En el futuro, es probable que aumente la frecuencia e intensidad de los

huracanes en la Cuenca del Caribe.

• Como consecuencia del cambio climático, se espera que los rendimientos de

arroz disminuyan después del año 2020, y es probable que el aumento de las

temperaturas y las precipitaciones en la región sureste de América del Sur

aumenten los rendimientos del frijol de soya, si se toman en consideración los

efectos del CO2.

• El aumento del número de personas con riesgo de sufrir hambrunas según el

escenario de emisiones A2 del IE-EE es probable que sea de 5, 26 y 85 millones


81

en los años 2020, 2050 y 2080, respectivamente, asumiendo que los efectos del

CO2 sean pocos o ninguno.

• Es muy probable que la productividad del ganado vacuno disminuya, como

respuesta al aumento de 4°C en la temperatura.

• La región de América Latina, preocupada por los efectos potenciales de la

variabilidad y el cambio climáticos, está intentando poner en práctica algunas

medidas de adaptación, tales como:

- el uso de las predicciones meteorológicas en sectores como la pesca (en Perú) y

la agricultura (en Perú y en el noreste de Brasil);

- los sistemas de alerta temprana para inundaciones en la Cuenca del Río de la

Plata, teniendo en cuenta la información del Centro Operativo de Alerta

Hidrológico.

• La región ha creado también nuevas instituciones para mitigar y evitar los

impactos de los peligros naturales, tales como el Centro de Información

Regional sobre Desastres para América Latina y el Caribe, el Centro

Internacional de Investigaciones sobre el fenómeno de El Niño, en Ecuador y la

Comisión Permanente del Pacífico Sur.

A nivel latinoamericano se ha detectado entre 1970 – 2004 un incremento de la

temperatura comprendido entre 0.2 y 1.0 ºC. Se han observado 53 cambios relevantes

en diferentes magnitudes analizadas en el aspecto físico, de las cuales el 98% son

congruentes con el calentamiento y 5 cambios relevantes en el aspecto biológico de las

cuales el 100% han sido considerados congruentes con el calentamiento global (IPCC,

2007b).

Mayores detalles sobre el cambio climático y sus posibles efectos revisarse en:

http://www.ipcc.ch/, http://www.cdc.gov/climatechange/effects/default.htm,

http://www.unfccc.int/, entre otras.

2.4.5 Pero, Existe verdaderamente cambio climático?


82

En contraposición a los postulados y conclusiones del IPCC, Robinson et al. (2007)

manifiestan que la temperatura promedio de la Tierra ha variado dentro de un rango de

unos 3 °C durante los últimos 3,000 años y en la actualidad está aumentando a medida

que la Tierra se recupera del período conocido como la Pequeña Edad de Hielo (desde

comienzos del siglo XIV hasta mediados del XIX) el que puso fin a una era

extraordinariamente calurosa denominada Óptimo Climático Medieval.

El incremento sextuplicado en el uso de hidrocarburos desde 1940 no ha tenido un

efecto notable sobre la temperatura atmosférica ya que utilización mundial de

hidrocarburos y la temperatura superficial registrada en los Estados Unidos no presentan

correlación significativa a diferencia de la estrecha correlación identificada entre la

misma temperatura y la actividad solar (Robinson et al. 2007).

Las predicciones de un calentamiento global catastrófico están basadas en modelos

climáticos computarizados que relacionan las emisiones gases de efecto invernadero con

los incrementos de temperatura, dichos modelos no se ven respaldados por mediciones

reales de la temperatura y clima de la Tierra. De hecho, durante cuatro de las siete

décadas desde 1940, cuando los niveles promedio de CO2 se incrementaron

continuamente, las temperaturas promedio en los EEUU presentaban tendencia

decreciente (Robinson et al. 2007), hecho que contradice las presunciones del IPCC.

Investigaciones realizadas en España presentan resultados similares; así, al analizar

series de precipitación registradas en la comunidad de Madrid durante un período de

136 años no se constató ningún cambio significativo y no pudo identificarse tendencias

determinadas, a nivel mensual y anual, que hagan pensar en un cambio climático (Sanz

Donaire, 2002a). En el caso de los valores extremos no se encontraron evidencias de

una tendencia hacia la concentración o dispersión de los valores extremos de

precipitación en el período analizado, considerándose que la ocurrencia de dichos

fenómenos es aleatoria y al parecer no obedece a la ocurrencia de cambio climático

(Sanz Donaire, 2002b).

Investigaciones como las citadas han motivado que un amplio sector de la comunidad

científica mundial, apoye un manifiesto que puede leerse en

http://www.petitionproject.org/index.php, el que es promovido por el Instituto de la


83

Ciencia y la Medicina de la Universidad de Oregón (EEUU), en el que se manifiesta

que: “No hay fundamentos científicos para afirmar que las emisiones de CO2 o la

actividad humana en general estén causando un aumento global de la temperatura de la

Tierra, que en las últimas décadas, la Tierra se esté calentando” o que “haya cambios

climáticos causados por la actividad humana” y por este motivo se solicita al gobierno

de los Estados Unidos a desconocer los acuerdo firmados en el protocolo de Kyoto en

1997 y otros acuerdos similares. A las claras no existe consenso entre la comunidad

científica en el tema del cambio climático.

2.4.6 Escenarios de cambio climático

2.4.6.1 Escenarios de emisión de GEI

Un escenario climático es una representación del clima futuro que es internamente

consistente, que ha sido construida empleando métodos basados en principios

científicos y que puede ser utilizada para comprender las respuestas de los sistemas

medio ambientales y sociales ante el futuro cambio climático (Vinner y Hulme, 1992)

Los escenarios son representaciones futuras de los potenciales cambios que se pueden

dar en el clima, fundamentándose en variaciones demográficas, sociales, económicas y

desarrollo tecnológico. En el informe especial del IPCC (2000) sobre los escenarios de

emisión (SRES) se han considerando cuatro grupos de escenarios principales

denominados familias: A1, A2, B1 y B2. Tales escenarios suponen diferentes

perspectivas de los cambios a producirse ya que en dos de ellos se recalca la riqueza

material y en los otros dos se enfatiza la sostenibilidad y equidad:

Familia A1: Supone un rápido crecimiento económico. Población mundial con máximo

hacia mediados del siglo y desciende posteriormente. Rápida introducción de

tecnologías nuevas y más eficientes. Convergencia entre regiones. Reducción de las

diferencias regionales en cuanto a ingresos por habitante. Se subdivide en: A1FI:

Utilización intensiva de combustibles de origen fósil. A1T: Utilización de fuentes de

energía de origen no fósil. A1B: Utilización equilibrada de todo tipo de fuentes.


84

Familia A2: Describe un mundo muy heterogéneo. Población en continuo crecimiento.

El desarrollo económico está orientado básicamente a las regiones, y el crecimiento

económico por habitante así como el cambio tecnológico, están más fragmentados y son

más lentos que en otras líneas evolutivas.

Familia B1: Considera la población mundial con valor máximo hacia mediados del

siglo para descender posteriormente. Estructuras económicas orientadas a una economía

de servicios y de información. Utilización menos intensiva de los materiales y la

introducción de tecnologías limpias con un aprovechamiento eficaz de los recursos.

Preponderancia a las soluciones de orden mundial encaminadas a la sostenibilidad

económica, social y ambiental, así como a una mayor igualdad, pero en ausencia de

iniciativas adicionales en relación con el clima.

Familia B2: Estima que predominan las soluciones locales a la sostenibilidad

económica, social y ambiental. La población aumenta progresivamente a un ritmo

menor que en A2, con unos niveles de desarrollo económico intermedios, y con un

cambio tecnológico menos rápido y más diverso que en las líneas evolutivas A1 y B1.

Aunque este escenario está también orientado a la protección del medio ambiente y a la

igualdad social, se centra principalmente en los niveles local y regional.

En cada escenario existen diferentes trayectorias para la emisión de gases de efecto de

invernadero, según el SRES se puede representar con mayor detalle los niveles de

emisiones totales del dióxido de carbono (CO2) apreciándose en la figura No. 2.12 las

tendencias que cada una de ellas conlleva.

2.4.6.2 Modelos de circulación general

La herramienta más importante para explorar la posible evolución futura del clima a

escala secular en escenarios de cambio de las concentraciones de gases de efecto

invernadero son los Modelos de Circulación General del Océano y la Atmósfera

(MCG), los que permiten simular el comportamiento futuro del régimen climático

mundial mediante el desarrollo de complicados modelos numéricos. Dichos modelos

simulan matemáticamente el comportamiento de los diferentes elementos del sistema

climático como los de la atmósfera, hidrosfera, litosfera y biosfera.


85

Figura 2.12. Emisiones anuales totales de CO2 provenientes de todas las fuentes entre 1990 y 2100 (en GtC/año) para los seis grupos de escenarios a) A1FI (incluye los escenarios de alto nivel de carbón y de alto nivel de petróleo y gas), A1T (combustibles predominantemente de origen no fósil) y el A1B (equilibrado); b) A2; c) B1 y d) B2. Cada franja de emisiones coloreada indica el repertorio de escenarios armonizados (basados en supuestos comunes sobre la población mundial, el crecimiento económico y el uso final de la energía), y no armonizados (basados en una cuantificación alternativa de la línea evolutiva) dentro de cada grupo. Se ofrece un escenario ilustrativo para cada uno de los seis grupos de escenarios, incluidos los cuatro de referencia (A1, A2, B1 y B2, en líneas de trazo continuo), y dos escenarios ilustrativos para A1FI y A1T (líneas de trazos)(IPCC, 2000)

La mayor parte de las ecuaciones en los MCG son ecuaciones diferenciales para la tasa

de cambio de una variable, de tal forma que si es conocido su valor en un determinado

instante, puede evaluarse el correspondiente en un instante posterior a través de la

integración de las ecuaciones apropiadas. Por tanto, los MCG tienen una orientación

predictiva y permiten obtener soluciones de las ecuaciones, y simulaciones climáticas, a

partir de un estado inicial del sistema (condiciones iniciales).

La principal fuente de incertidumbre de los modelos de circulación general se encuentra

en la denominada sensibilidad climática (∆T2X) la que se entiende como el incremento

de la temperatura global que se produce como respuesta a la duplicación del nivel de

CO2 en la atmósfera. Esta definición se basa en que la concentración de CO2 es el

factor principal en el calentamiento del planeta. El IPCC estima que el valor de la

sensibilidad climática se encuentra entre 1.5 ºC y 4.5 ºC con un nivel de confianza del


86

90%. Este intervalo no ha variado desde el Primer Informe de Evaluación del IPCC

(1990). La mejor estimación de este parámetro parece ser 2.6 ºC (IPCC, 2001).

2.4.6.3 Escalado de patrones

Los escenarios de emisión de GEI no pueden utilizarse directamente para proyectar los

patrones de cambio regional, pues ellos solamente proporcionan resultados sobre la

temperatura y el incremento del nivel del mar a escala global (Centella, 1998). Por otra

parte, aunque los MCG producen sus resultados sobre rejillas uniformes, las cuales sí

pueden utilizarse directamente en la proyección de los patrones regionales, sus salidas

no están disponibles para una diversidad de supuestos sobre futuras emisiones de GEI.

Así pues, es necesario combinar los resultados globales de los primeros con las rejillas

de los segundos (Centella, 1998). Dicho proceso se denomina escalado de patrones y se

basa en el hecho de que los patrones de cambio climático futuro permanecen bastante

similares independientemente de la magnitud total (media global) del cambio, al menos

por lo que respecta a los GEI (MMAE, 2007).

Para el escalado de patrones, los valores de cambio de una variable climática en cada

punto de rejilla del MCG (∆Vi) calculados como de la diferencia entre los valores

proyectados a un año horizonte por el MCG y los del período de referencia

(normalmente 1961-1990), son divididos (estandarizados) por el calentamiento global

del MCG en cuestión (∆TMCG), para producir una magnitud que representa el cambio de

cualquier variable por grado de calentamiento global. Finalmente, los valores

estandarizados son reescalados nuevamente, al multiplicarlos por el calentamiento

global obtenido de la salida de los escenarios del SRES (∆TañoMCS). El proceso puede

representarse mediante la ecuación 2.36 (Centella, 1998).

MCG

iañoañoi T

VMCSTV

∆∆

∆=∆ , Eq. 2.36

donde: ∆Vi,año es el cambio en la variable V para un año determinado, en el punto de

rejilla i; ∆Vi es la diferencia entre los valores proyectados a un año horizonte por el

MCG y los del período de referencia en el punto de rejilla i, para la variable V; ∆TMCG

es el calentamiento global dado por el MCG; ∆TañoMCS es el cambio de temperatura


87

global para un año específico con relación al período 1961-1990 obtenido por los

escenarios del SRES.

2.4.6.4 Generación de escenarios

Un generador de escenarios climáticos (GEC) es una cadena integrada de modelos

simples que toman escenarios de emisión como entrada y generan escenarios climáticos

distribuidos geográficamente mediante la combinación de los patrones de respuesta de

los diferentes GEI con diferentes MCG y utilizando datos climáticos observados.

Normalmente los GEC constan de dos módulos: el primero calcula el cambio climático

global mediante un conjunto de modelos climáticos simples que emulan el

comportamiento de los MCG, y el segundo realiza la representación del cambio

climático regional mediante una base de datos que contiene resultados de un gran

número de experimentos con MCG, así como datos globales de observación.

El GEC más utilizado es el MAGICC/SCENGEN (Wigley y Raper, 2002), acrónimo

que corresponde a “Model for the Assessment of Greenhouse-gas Induce Climate

Change/SCENario Generator”. El modelo incorpora el MAGGICC que es un modelo

unidimensional que brinda estimaciones de las concentraciones de los gases de efecto

invernadero, temperatura media global y elevación del nivel del mar entre los años 1990

y 2100 y el SCENGEN que ajusta los resultados del MAGGICC conjuntamente con un

amplio grupo de MCG tomando como fundamento las sensibilidad climática de cada

modelo para originar escenarios de cambio climático regionalizados, aumentando la

escala de los resultados de los GCM y así obtener un producto regional de temperatura y

precipitación en una cuadrícula de 5°.

89

3. GENERACIÓN DE INFORMACIÓN BASE

91

3.1. EXTRACCIÓN DE MODELOS DIGITALES DE ELEVACIÓN A PARTIR DE IMÁGENES ASTER PARA LA DETERMINACIÓN DE CARACTERÍSTICAS MORFOMÉTRICAS DE CUENCAS HIDROGRÁFICAS (Artículo presentado en XII Congreso de la Asociación Española de Teledetección, Mar del Plata, Argentina, septiembre, 2007)

RESUMEN El Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), es un sistema de observación orbital que posee la capacidad de capturar imágenes estereoscópicas de una misma porción de terreno, esta capacidad puede ser aprovechada para la generación de modelos digitales de elevación (DEM). En el presente trabajo se describe el proceso seguido para la extracción de DEMs a partir de imágenes ASTER en dos zonas con características de relieve marcadamente diferente en la sierra sur de la República del Ecuador. El análisis cuantitativo de la calidad del DEM se realiza en base a la captura de puntos GPS y a la comparación con un DEM SRTM. La distribución de errores se estudia en función de la pendiente. Los modelos obtenidos se emplean luego en la delimitación de cuencas hidrográficas y el cálculo de sus principales características morfométricas.

Palabras clave: Extracción de DEMs, ASTER, características morfométricas

ABSTRACT The Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), is a system that has the capacity of catching stereoscopic images of one same portion in the ground. That capacity can be advantaged for the generation of Digital Elevation Model (DEM). This work has the description of the process to follow for the extraction of DEMs considering the ASTER images in two zones with marked characteristics well outlined in difference in the highlands south of the Republic of Ecuador. The quantitative analysis of DEM´s quality is realized upon the basis of capturing of GPS points and comparated to a SRTM DEM. The mistake’s distribution is revised in functioning of the slope. The models obtained are the used in the delimitation of watershed and calculate of its main morphometrical parameters.

Keywords: DEM extracción, ASTER, morphometrical parameters

Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________

92

3.1.1 Introducción

El modelamiento de una cuenca hidrográfica requiere de información topográfica

adecuada a su tamaño y a las características generales de su relieve. El modelo SWAT

(Arnold et al., 1998), software de modelamiento hidrológico semidistribuido, de

generación continua, diseñado por el Departamento de Agricultura de los Estados

Unidos y la Universidad de Texas, emplea la información topográfica contenida en un

DEM para definir los cursos de agua, delimitar cuencas hidrográficas, definir la

topología del modelo y calcular parámetros morfométricos fundamentales para la

simulación hidrológica.

Un modelo de elevación digital (DEM) es la representación simplificada de una variable

que se mide en una superficie ondulada de tres dimensiones (Cebrián y Mark, 1986,

citados por Bosque, 1997). Dos de esas dimensiones se refieren a los ejes ortogonales

X e Y y la tercera mide la altura Z de la variable temática representada en cada punto

del espacio (Bosque, 1997). Los modelos de elevación digital son la base para todo

sistema de información geográfica, son imprescindibles en estudios geomorfológicos,

hidrológicos, geológicos, de vulnerabilidad, de telecomunicaciones, entre otros.

Existen diversas maneras de obtener un DEM, ya sea aplicando interpolación de datos

puntuales, a partir de curvas de nivel digitalizadas, extrayéndolos de pares

estereoscópicos de fotografías aéreas o imágenes de satélite mediante procedimientos

fotogramétricos, a partir de imágenes de radar aplicando la interferometría o más

recientemente, mediante Lidar (ver apartado 2.2).

Si de imágenes ópticas se trata, la utilización de pares estereoscópicos para la

generación de un DEM se basa en la disparidad binocular o paralaje, definido como la

“diferencia” de la imagen de un objeto proyectado en cada retina. El grado de

disparidad entre las imágenes proyectadas de un objeto depende del ángulo de

convergencia. La convergencia es la habilidad de enfocar el eje óptico de los dos ojos

en un solo objeto. La sensación de cantidad de tensión muscular en los ojos, resultante

de diferentes ángulos de convergencia, facilita una estimación indirecta de la distancia a

un punto de vista. El principio de la disparidad binocular es aplicado en fotogrametría


93

aérea y satelital para calcular la elevación del terreno a partir de la medida de la paralaje

entre dos imágenes (Toutin, 2001).

Existen dos medios para la obtención de pares estereoscópicos de imágenes satelitales:

el primero, capturando imágenes desde orbitas adyacentes entre las que existe traslape

(across-track) y el segundo, captando las imágenes desde una órbita única (along–

track). Desde 1980 se ha estudiado la posibilidad extraer información de elevación a

partir de pares estereoscópicos obtenidos de órbitas adyacentes del satélite LANDSAT

(Simard y Slaney 1986, Ehlers y Welch, 1987, citados por Toutin, 2001) y del IRS

(Malleswara et al.,1996), pero la aplicación de imágenes estereoscópicas tomadas desde

orbitas paralelas se ha visto limitada debido a que el traslape suficiente se obtiene en

zonas ubicadas entre 45 y 50 grados de latitud norte o sur, para relaciones pequeñas

base- altura (B/H); es decir, entre la diferencia de posición al adquirir las imágenes

(Base, B) y altura de observación del satélite (Altura, H), se obtienen errores mayores a

50m y solamente en zonas con relieve alto o medio son apropiadas para producir

paralaje vertical (Toutin, 2001). La adquisición de pares estereoscópicos a lo largo de la

misma línea de vuelo ha sido aplicada en varios satélites tales como el JERS-1, el

ASTER, y el IRS-P5, así como los satélites de alta resolución como el Orb-View1 y el

Quick-Bird. La gran ventaja de este sistema es la capacidad de reducir las diferencias

radiométricas del par estéreo, ya que el tiempo transcurrido entre la adquisición de las

dos imágenes suele ser de pocos segundos, minimizándose los efectos ópticos y

atmosféricos. Se han reportados trabajos realizados con JERS-1 (Maruyama et al., 1994;

Raggam y Almer, 1996; Westin, 1996, citados por Toutin, 2001) con precisiones del

orden de 20m, Trabajos con ASTER (Toutin, 2002; Kamp et. al, 2003; Fujisada, et. al,

2005) han reportado precisiones que varían entre los 7m y 15m, aunque en general

pueden esperarse niveles de precisión entre 10 y 50m (Lang y Welch, 1999)

Debido al incremento de tipos de imágenes es muy común tener información de

diferentes sensores sobre la misma zona, por lo que se han realizado varias experiencias

en la generación de DEM utilizando imágenes de una misma zona, pero obtenidas por

diferentes sensores y ángulos de vista, obteniéndose artificialmente pares

estereoscópicos. Trabajos realizados con SPOT y LANDSAT (Welch et al., 1990,

Krupnik, 2000) han reportado errores entre 50m y 100m. Errores del orden de los 320m

se han obtenido al trabajar con pares estereoscópicos formados por la combinación


94

NOAA-AVHRR y LANDSAT MSS (Akeno, 1996). La posibilidad de extraer DEMs

utilizando pares estereoscópicos formados por imágenes ópticas y de radar han sido

estudiadas por varios investigadores (Bloom. et al., 1988; Raggam et al., 1994; Toutin,

2000), que han reportado valores de RMSE entre 20 y 30m con errores

máximos/mínimos del orden de ± 250m.

La delimitación de cuencas de drenaje a partir de un DEM se basa en el análisis de la

orientación de la pendiente lo que permite definir el conjunto de pixeles que forman

parte de una cuenca vertiente. La técnica normalmente empleada comprende tres fases:

a) relleno de depresiones, que permite definir el sentido del flujo en zonas de mínimos

locales sin orientación definida; b) el cálculo de la orientación del flujo, que se basa en

el análisis de la orientación de la pendiente celda a celda en una ventana de 3 x 3 píxeles

y c) acumulación del flujo, en la que se enlazan los tramos parciales de flujo,

determinados en el segundo paso, hasta definir la red de cauces, la que es asociada a su

cuenca de drenaje.

Los algoritmos desarrollados para la delimitación de cuencas hidrográficas y la

determinación de sus características morfométricas a partir de un DEM han permitido

obtener resultados de similar precisión a los obtenidos a través de procedimientos

manuales en mucho menor tiempo (Wang y Ying, 1998). Por ejemplo al comparar los

parámetros característicos de la red de drenaje extraída de DEMs a escala 1:24 000 para

una cuenca de 84Km2, con la red hidrográfica de mapas topográficos, Garbrecht and

Martz (1993) encontraron que los parámetros variaban en un 5% con respecto a los

medidos manualmente. Eash (1994) comparó 24 características medidas en un DEM a

escala 1:250 000 con mediciones manuales realizadas sobre mapas impresos a la misma

escala, encontrando que de 10 parámetros de medición directa (como la pendiente de la

cuenca, longitud del canal principal, longitud total de cauces, etc), solo la pendiente fue

significativamente subestimada por el DEM.

La complejidad del relieve también influye en la definición de cuencas hidrográficas y

en la determinación de sus características morfométricas. En el caso de las redes de

drenaje, por ejemplo, se han obtenido resultados comparables con las redes naturales en

terrenos de marcado relieve; mayores diferencias se han observado en zonas

relativamente planas (Vogt et al, 2003). La determinación de la pendiente media es otro


95

caso, ya que la precisión al determinarla parece incrementar con la complejidad del

terreno (Wang y Yin, 1998).

Los DEMs tienen limitaciones para representar adecuadamente todos los elementos del

paisaje, por lo que normalmente se opta por mejorar su resolución tanto como sea

posible (Wise, 2000), claro está que una mejora de la resolución del DEM implica una

mejor resolución de la información base con la que se elabora el DEM, es decir que

según el caso, se requerirá mayor densidad de puntos, menor separación altitudinal entre

curvas de nivel, resolución más fina de los pares estereoscópicos, etc. Diferentes

estudios han reportado la influencia que tiene el tamaño del pixel del DEM en la

precisión de la definición de la cuenca hidrográfica y su red de drenaje (Quinn et al.,

1995; Wang y Yin, 1998), quedando claro que a mayor resolución (menor tamaño del

pixel) se obtendrán mejores estimaciones de los parámetros morfométricos de la cuenca.

3.1.1.1 Objetivos

En el presente trabajo se pretende extraer un DEM a partir de una imagen ASTER,

analizar su calidad, derivar del mismo parámetros que permitan el estudio morfométrico

de cuencas hidrográficas y validar sus posibilidades de aplicación como base para el

modelamiento semidistriuido de una cuenca hidrográfica mediante el modelo SWAT.

Para el efecto, al inicio del artículo se describe la zona de estudio y se detallan los

procedimientos de obtención de las imágenes del sensor ASTER. La corrección epipolar

y los procedimientos para calcular la elevación y extraer fotogramétricamente el DEM

son detallados a continuación. Se describen luego la delimitación automática de

cuencas hidrográficas y los principales parámetros morfométricos a extraerse a partir

del DEM. Se analiza la calidad del DEM y la validez de los parámetros morfométricos

calculados en dos cuencas de relieve marcadamente diferente.

3.1.2 Metodología

3.1.2.1 Zona de estudio


96

El área de estudio (Figura 3.1.1) se encuentra ubicada al sur de la República del

Ecuador (79.90º W, 4.40º S), es una zona andina montañosa caracterizada por un rango

de alturas que varía entre los 100msnm y 3000msnm, su orografía es bastante irregular

con pendientes que varían entre los 0º y 84º. Su cobertura vegetal es

predominantemente arbustiva seca, con la presencia de pequeñas áreas cubiertas de

pastizales y cultivos como el maíz y el café.

Figura 3.1.1. Ubicación de la zona de estudio

3.1.2.2 Extracción de DEMs a partir de imágenes estereoscópicas

Para extraer modelos digitales de elevación es necesario realizar los procesos que se

resumen a continuación:

• Adquisición de imágenes estereoscópicas de la zona de estudio.

• Normalización de las mismas a fin de obtener imágenes epipolares.

• Superposición del par epipolar a fin de calcular la paralaje de cada píxel.

• Determinación de la elevación de cada píxel a partir de las paralajes calculadas y

la información orbital de la imagen con la finalidad de generar un DEM.

• Geocodificación el DEM extraído utilizando puntos de control.


97

Gracias a la capacidad estereoscópica de las imágenes ASTER, es posible realizar la

extracción de un DEM a partir de ella aplicando la metodología señalada. A

continuación se detallan cada uno de los procesos requeridos para el efecto.

3.1.2.2.1 Imágenes ASTER y su adquisición

El Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) es un

sistema de observación orbital puesto en funcionamiento desde 1999 como resultado de

la cooperación entre la NASA, el Ministerio de Economía de Japón, el METI y el

ERSDAC japonés y su propósito fundamental es el de monitorear fenómenos

relacionados al medio ambiente y la explotación de recursos naturales. Es parte del

sistema EOS (Earth Observing System).

La cobertura de una escena ASTER es de 61.5 Km por 63 Km. Las imágenes Aster

capturan información en 15 bandas del espectro electromagnético: cuatro en el espectro

visible y el infrarrojo cercano (VNIR, 0.5-1.0 um) con 15 m de resolución espacial, seis

en el Infrarrojo de onda corta (SWIR, 1.0–2.5 um) con 30 m de resolución espacial y

cinco en el infrarrojo térmico (TIR, 8–12 um) con una resolución espacial de 90 m

(Fujisada et al., 2005).

Figura 3.1.2. Geometría del sistema Along-Track de ASTER,

http://asterweb.jpl.nasa.gov/


98

El subsistema de VNIR tiene 2 telescopios uno en el nadir y uno con vista atrás con un

ángulo de 27.60º que proporcionan una vista en el nadir (nadir –looking) (banda 3N,

0.76–0.86 um) y una vista hacia atrás (backward-looking) (banda 3B, a 27.7º del nadir)

que permiten obtener una visión estereoscópica de una región determinada en la

dirección de vuelo del satélite. La relación B/H (ver figura 3.1.2) es de 0.60. La

diferencia temporal entre las dos observaciones es de 55 segundos, por lo que las

variaciones en las condiciones ópticas y atmosféricas son mínimas, consecuentemente

se puede esperar una excelente correlación entre las imágenes. La distancia entre órbitas

vecinas es de 172 Km en el ecuador. El sistema de observación orbital ASTER posee

una orbita circular heliosícrona polar con un altitud de 705 Km, cruza la línea ecuatorial

a las 10:30 AM y regresa al mismo punto cada 16 días.

Una imagen ASTER Level 1-A contiene los datos de la imagen sin aplicarle

coeficientes de calibración radiométrica y remuestreo geométrico; al aplicarse dichos

coeficientes, se obtiene una imagen Level 1-B. Las imágenes Level 1A y Level 1-B

pueden ser utilizadas para la generación de DEMs pues los parámetros geométricos

útiles del instrumento y la información del satélite son incluidos en ellas.

3.1.2.2.2 Generación de imágenes normalizadas o epipolares

Previo a la extracción del DEM, es necesario que el par estereoscópico sea transformado

a un par de imágenes epipolares normalizadas las cuales son paralelas al plano XY del

espacio objeto, es decir sean paralelas al plano que contiene la porción del terreno

capturado por la imagen. Al transformar las imágenes adquiridas en epipolares se

produce exclusivamente la paralaje en una sola dirección y los puntos correspondientes

se alinean en la misma fila o columna, por lo que el tiempo requerido para realizar el

proceso de superposición de las imágenes, que permitirá luego el cálculo de la magnitud

de la paralaje y en base a ella la elevación, se reduce considerablemente. En dos

imágenes normalizadas al tener un punto a de coordenadas (Xa, Ya) en la imagen

izquierda, el proceso de búsqueda de su punto conjugado a´ en la imagen derecha para

realizar la superposición, se realizará a lo largo de la línea Y´ = Ya; debido a que ambos

puntos poseerán igual coordenada Y. La normalización del par estereoscópico adquirido

se realiza comúnmente aplicando criterios de geometría epipolar.


99

3.1.2.2.3 Geometría epipolar

En la figura 1.3 se presentan algunos elementos básicos a considerar en la geometría

epipolar, así: si se tiene un par estereoscópico cuyas imágenes han sido tomadas desde

las posiciones O y O´; entonces la línea OO´ se denomina eje epipolar. El plano que

pasa por los centros de proyección izquierda (O) y derecha (O´) y el punto P sobre el

terreno, es llamado plano epipolar. La línea de intersección de un plano epipolar y el

plano de la imagen se denomina línea epipolar. Todas las líneas epipolares de una

misma imagen intersecan en un punto llamado epipolo (e, e´ según el caso), definido

por la intersección del eje epipolar con el plano de la imagen.

Figura 3.1.3. Geometría epipolar (adaptado de Morgan, 2004)

Las relaciones entre el sensor, la imagen y el suelo pueden determinarse en base a la

condición de colinearidad que especifica que la posición del sensor, el punto en el

terreno y su correspondiente punto en la imagen deben estar colocados sobre una línea

recta, es decir deben ser colineales (Piong, 2003). Las ecuaciones que resumen la

condición de colinearidad son las siguientes:


100

( ) ( ) ( )( ) ( ) ( )⎥⎥⎦

⎤

⎢⎢⎣

⎡

−+−+−

−+−+−−=

opopop

opopopop ZZmYYmXXm

ZZmYYmXXmfxx

333231

131211 Eq. 3.1.1

( ) ( ) ( )( ) ( ) ( )⎥⎥⎦

⎤

⎢⎢⎣

⎡

−+−+−

−+−+−−=

opopop

opopopop ZZmYYmXXm

ZZmYYmXXmfyy

333231

232221 Eq. 3.1.2

En donde:

κϕ coscos11 =m

κϕsenm cos12 −=

ϕsenm =13

κϕωκω coscos21 sensensenm +=

κϕωκω sensensenm −= coscos22

ϕω cos23 senm −=

κϕωκω coscos31 sensensenm −=

κϕωκω sensensenm coscos32 +=

ϕω coscos33 =m

Las ecuaciones 1 y 2 consideran parámetros de orientación tanto interna como externa

del sensor (figura 3.1.4), los mismos que se incluyen en la cabecera de la imagen. Los

parámetros internos de orientación son aquellos que definen la geometría interna del

sensor, dichos parámetros permiten transformar la imagen de un sistema de coordenadas

basado en píxeles al sistema espacial de coordenadas. Los parámetros la externos de

orientación, definen la posición y orientación del sensor cuando la imagen es capturada,

es decir, las coordenadas Xo, Yo, Zo de la posición de captura de la imagen y los

ángulos de rotación definidos por omega (ω) (rotación alrededor del eje fotográfico X),

phi (φ) (rotación alrededor del eje fotográfico Y) y kappa (κ) (rotación alrededor del eje

fotográfico Z). Todos estos elementos definen la posición del centro de proyección (O)

con respecto al sistema general de coordenadas (X, Y, Z).


101

Figura 3.1.4. Elementos de orientación exterior (Piong, 2003)

El proceso para la generación de imágenes normalizadas puede resumirse de la siguiente

manera (Morgan, 2004):

• Se inicia con la localización de un pixel en la imagen normalizada (xn, yn).

• Se calcula la correspondiente localización en la imagen original (xn, yn) usando

las ecuaciones de colinearidad.

• Se calculan los niveles de gris g(x, y) en la imagen original utilizando un

apropiado método de interpolación como el vecino próximo, interpolación

bilinear o convolución cúbica

• Se asigna el valor de gris interpolado al píxel de la imagen normalizada g(xn, yn)

= g(x, y).

• El proceso se repite para todos los píxeles de la imagen normalizada.

• El proceso en general se repite para la otra imagen del par estereoscópico.


102

La figura 3.1.5 representa el remuestreo epipolar. En las imágenes normalizadas las

líneas epipolares son paralelas y los epipolos se encuentran en el infinito.

Figura 3.1.5. Remuestreo epipolar e imágenes normalizadas (Adaptado de Morgan, 2004)

3.1.2.2.4 Superposición de imágenes y determinación de la paralaje

En el par estereoscópico normalizado las diferencias de posición paralelas a la dirección

de viaje de satélite (diferencias de paralaje, ∆p) son atribuidas a desplazamientos

causados por el relieve. Las elevaciones relativas del terreno son determinadas por la

medida de ∆p en las imágenes registradas y posteriormente transformadas en

elevaciones relativas y absolutas (Lang y Welch, 1999).

La determinación de las elevaciones de DEM se realiza calculando la paralaje que se

produce al “superponer” las imágenes normalizadas. Para conseguir esta superposición

una ventana de correlación, de un tamaño predefinido (por ejemplo: 11x11 píxeles), es

centrada en un píxel de 15 m en la banda 3N de la imagen. El área en la banda 3B con

cada píxel conjugado localizado es definida por el tamaño de una ventana de búsqueda

acorde al máximo desplazamiento de la imagen ocasionado por el relieve del terreno.

La ventana de correlación se desplaza píxel a píxel a través de la ventana de búsqueda y


103

el coeficiente de correlación es calculado para la ubicación de cada píxel. La ubicación

que presente el mejor coeficiente de correlación es considerada como el punto óptimo.

Las diferencias de localización de un píxel en las imágenes conjugadas paralelas a la

dirección del movimiento del satélite es el valor de ∆p y es proporcional a la elevación

relativa del terreno y al datum vertical. Éste proceso se repite sistemáticamente en toda

la imagen (Lang y Welch, 1999).

3.1.2.2.5 Determinación de la altura y generación del DEM

En la figura 3.1.6 se describen los elementos necesarios para el cálculo de la altura ∆h a

partir de la diferencia de paralaje ∆p en un par estereoscópico. La base B es igual a X1

para la vista en el nadir y hacia atrás ∆h es obtenida por el ángulo de orientación (α) y

el intervalo de tiempo ∆t requerido para capturar la cima y la base del objeto. En el par

estéreo ∆t está representado por (X1 – X2 ) = ∆p.

Figura 3.1.6. Cálculo de altura en base a la diferencia de paralaje (Lang y Welch, 1999).


104

La georeferenciación de los DEM se puede realizar en base de las efemérides y la

información de altitud registrada en los metadatos de ASTER. Dicha información es

utilizada para calcular los coeficientes de transformación entre la imagen y un

determinado sistema de coordenadas, obteniéndose un DEM relativo. Al incorporar

puntos de control en el modelo, es posible referir el DEM a un sistema de coordenadas,

obteniéndose un DEM absoluto.

En algunos puntos la correlación puede fallar, por lo que el proceso de extracción de un

DEM requiere de un paso adicional de edición utilizando una serie de procesos

interactivos a fin de corregir los vacíos de información generados por la falta de

correlación entre las imágenes (Lang y Welch, 1999).

3.1.2.3 Delimitación automática de cuencas hidrográficas

Considerando que una cuenca hidrográfica es el conjunto de tierras que drenan sus

aguas hacia un cauce común, es posible delimitar una cuenca de drenaje en base al

análisis de la orientación de la topografía.

En la figura 1.7 la orientación de los píxeles se ha representado a través de vectores que

indican el sentido que tendría el escurrimiento que un píxel recibe directamente de la

precipitación o de otros pixeles, claramente se muestra que los tres píxeles de la primera

fila drenan con dirección norte - noroeste y los seis píxeles restantes lo hacen en

dirección sur – sureste. Al agruparse todos los píxeles que drenan hacia un píxel común

se define automáticamente la cuenca hidrográfica.

Figura 3.1.7. Delimitación automática de una cuenca hidrográfica (Bosque 1997)


105

Un problema que puede presentarse es la existencia de zonas planas dentro de la cuenca

de drenaje, lo que impediría la definición del sentido de flujo, para superar esta

dificultad es necesario analizar la pendiente y la orientación para porciones mayores a

un píxel y de esta manera considerar el sentido del flujo siguiendo la dirección de la

pendiente media de la zona. Adicionalmente pueden presentarse mínimos relativos o

pozos que producen una excesiva fragmentación de la cuenca, por lo que se suele

definir un límite según el número de píxeles que se requiere para producir el llenado de

dicho pozo y se realice su integración hasta una cuenca de drenaje más amplia. (Bosque,

1997).

3.1.2.4 Parámetros morfométricos de cuencas hidrográficas

La morfometría de cuencas permite establecer parámetros de evaluación del

funcionamiento del sistema hidrológico de una región; y pueden ser obtenidos con la

ayuda de un sistema de información geográfica, que se constituye en un elemento útil

para la planificación ambiental. En el presente trabajo se consideraron los siguientes

parámetros morfométricos:

Área de la cuenca (A): Se encuentra directamente relacionada con la cantidad de agua

que una cuenca puede producir y en consecuencia con la magnitud de sus caudales. El

área de la cuenca se obtiene directamente en base al producto entre área del píxel del

DEM y el número de píxeles encerrados por el límite de la cuenca.

Perímetro de la cuenca (P): es la longitud que posee la divisoria de aguas, la que se

calcula contabilizando los pixeles que se encuentran en la alineación del límite de la

cuenca.

Longitud axial (L): es la distancia medida desde la salida de la cuenca hasta el punto

más alejado de esta. Se encuentra relacionada con el tiempo de concentración de la

cuenca (Linsley et al., 1977, p. 349).

Factor de forma (Kf): Se obtiene mediante la división entre el ancho medio y la longitud

axial de la cuenca. El ancho medio, se obtiene de dividir el área de la cuenca para la

longitud axial. Una cuenca con un bajo factor de forma está menos sujeta a crecidas


106

que otra cuenca del mismo tamaño pero mayor factor de forma (Monsalve, 1999, p. 38).

Se calcula con la expresión:

2LAK f = Eq.3.1.3

En esta ecuación A es el área de la cuenca y L es la longitud axial

Coeficiente de compacidad de Gravelius (Kc) que relaciona la forma de la cuenca con la

de una circunferencia, cuyo círculo inscrito tiene la misma área de la cuenca en estudio.

Se determina con la expresión:

APKC 28.0= Eq. 3.1.4

En donde: Kc es el coeficiente de compacidad, P es el perímetro de la cuenca y A es el

área de la cuenca. Si Kc es igual a 1 la cuenca es de forma circular, las cuencas

alargadas presentan valores de Kc > 1 y se las considera con menor propensión a las

crecidas ya que su forma reduce las posibilidades de que una tormenta la cubra

totalmente, afectando la respuesta de la cuenca.

Desnivel altitudinal (Dh): es la diferencia entre la cota más alta de la cuenca y la más

baja. Se encuentra relacionado con la variabilidad climática y ecológica ya que una

cuenca con un mayor desnivel altitudinal puede presentar variaciones considerables de

precipitación y temperatura lo que consecuentemente posibilita que la cuenca alberge

diferentes ecosistemas.

Curva hipsométrica: la curva hipsométrica proporciona una información sintetizada

sobre la altitud de la cuenca, que representa gráficamente la distribución de la cuenca

vertiente por tramos de altura. Dicha curva presenta, en ordenadas, las distintas cotas de

la cuenca, y en abscisas la superficie de la cuenca que se halla sobre dichas cotas, bien

en unidades de área o en porcentaje de la superficie total de la cuenca. Se puede calcular


107

en base a un histograma de frecuencias de los intervalos de altura en los que se pueda

dividir a la cuenca.

Elevación media de la cuenca (Hm): se determina en base a los estadísticos del modelo

de elevación digital de la cuenca, considerando la elevación media de cada rango de

píxeles y el número de ellos comprendido en cada rango. La elevación media se

encuentra relacionada directamente con el clima de la cuenca, con sus valores de

temperatura media y de precipitación, consecuentemente sobre su caudal medio

(Monsalve, 1999, p.47).

Pendiente (S): La pendiente media ha sido tradicionalmente utilizada para caracterizar

el relieve de una cuenca, pero una representación más confiable se obtiene con un

histograma de frecuencias de la pendiente derivada del DEM, utilizándose los valores

de pendiente media (Sm), pendiente mínima (Smin) y pendiente máxima (Smáx).

Pendiente del cauce principal (Mcp): Este parámetro influye directamente en la

velocidad del flujo (Linsley et al., 1977, p. 350), consecuentemente en el tiempo de

concentración de la cuenca. Es considerado generalmente como la razón entre el

desnivel entre los puntos extremos del cauce y la distancia horizontal entre ellos.

3.1.2.5 El DEM SRTM

Para efectos de comparación se utilizó un DEM SRTM (USGS 2000), elaborado

mediante interferometría por el proyecto Shuttle Radar Topography Misión de la

National Geospatial-Intelligence Agency (NGA), la agencia espacial americana

(NASA), la agencia espacial italiana (ASI) y el centro espacial alemán (DLR). Los

DEMs SRTM cubren el 80% de la superficie de la tierra, es decir, toda la superficie del

planeta comprendida entre los 60º de latitud norte y los 56º de latitud sur, con una

resolución espacial de 3” de arco (aproximadamente 90m) y una precisión vertical de

16m (con un 90% de confianza).

3.1.2.6 Caso de estudio


108

En el presente trabajo se utilizó una imagen ASTER del 22 de julio de 2004 nivel 1B

con un porcentaje de cobertura de nubes del 5% y el proceso de extracción se realizó

aplicando PCI Geomatica 9.1.

Para extraer un DEM georeferenciado es necesario contar con una serie de puntos de

control (GCPs) con posición y elevación perfectamente conocidas, a partir de los cuales,

sea posible asignar valores reales de elevación a cada uno de los píxeles del DEM

extraído. Adicionalmente, en lugares en donde no se disponga de GCP, es conveniente

colectar puntos comunes a las dos imágenes (Tie points, TPs) los mismos que se ubican

de forma interactiva en pantalla y de los cuales se conoce su posición, requiriéndose

solamente una elevación aproximada de ellos. Los TPs, contribuyen a incrementar la

precisión del modelo matemático utilizado en la extracción del DEM.

Mediante un GPS diferencial 20 puntos fueron colectados en lugares identificables en la

imagen y en el terreno. Los puntos se colectaron a lo largo de los ejes viales existentes y

registrando las intersecciones de la vía con ríos y quebradas. Se procuró una

distribución uniforme de puntos en la imagen, tratando de cubrir la mayor parte de la

variación altitudinal que la zona de estudio presenta. El 70% de los mismos se utilizaron

como puntos de control y los restantes para validación.

Se generaron imágenes epipolares a partir de las bandas 3N y 3B de la imagen y se

extrajo un DEM georeferenciado de la zona de estudio con sistema de referencia UTM,

Datum WGS84 y elipsoide WGS84; con un tamaño de píxel de 90 m (DEM ASTER

90m).

Se verificó la calidad del DEM ASTER 90m extraído y del DEM SRTM, calculando

coeficiente de correlación (R²), la eficiencia de Nash & Sutcliffe (EF) (Nash y Sutcliffe,

1970) y el error cuadrático medio (RMSE) entre las cotas de los puntos de verificación y

las cotas correspondientes tomadas de los DEMs.

La diferencia entre el DEM ASTER 90m y el DEM SRTM fue calculada a fin de

identificar los lugares de mayor discrepancia; y, se determinó el valor del coeficiente R².


109

Adicionalmente, se elaboró un DEM ASTER con un tamaño de píxel de 15 m (DEM

ASTER 15m) con la finalidad de estudiar el efecto de la resolución en la delimitación

de la cuenca hidrográfica y el cálculo de sus parámetros morfométricos.

Dos zonas con características topográficas diferentes fueron seleccionadas, tanto en los

DEMs ASTER (ASTER 90m y ASTER 15m) así como en el DEM SRTM. En cada una

de ella se procedió a delimitar automáticamente una cuenca hidrográfica utilizando el

módulo que para el efecto posee el modelo Soil and Water Assessment Tool (SWAT)

(Arnold et al., 1998). Con esta herramienta, se generaron automáticamente cursos de

agua en las dos cuencas obtenidas de los DEMs ASTER y del SRTM considerando un

área de drenaje mínima de 20 Ha. Los cursos generados, se compararon con cauces

digitalizados en pantalla sobre la imagen ASTER en composición de color 1 - 2 - 3N,

con la finalidad de analizar el efecto de la resolución en ésta operación.

El modelo SWAT calcula directamente área de la cuenca, su perímetro, y su desnivel

altitudinal. La longitud axial se midió en forma manual. El coeficiente de compacidad,

el factor de forma y la pendiente del cauce principal fueron calculados con los

parámetros extraídos automáticamente. La elevación media se determinó en base al

DEM y los valores de pendiente se calcularon de un mapa derivado del DEM para el

efecto. Estos parámetros se obtuvieron para las dos cuencas delimitadas en los DEMs

ASTER 90m, ASTER 15m y SRTM.

3.1.3 Análisis de resultados

3.1.3.1 Calidad del DEM ASTER

En la figura 1.8 se puede observar el DEM ASTER extraído y en la figura 1.9 el DEM

SRTM de referencia. Visualmente existe una gran correspondencia entre el DEM

ASTER y el DEM SRTM, notándose mayores diferencias en su porción derecha, las

que han sido producidas por la falta de coherencia entre las imágenes 3N y 3B

utilizadas; atribuible en gran medida a la presencia de nubes en la porción derecha de la

imagen ASTER.


110

De la comparación realizada entre los GCPs tomados en campo y sus correspondientes

extracciones realizadas sobre el DEM ASTER 90m y el DEM SRTM (tabla 3.1.1), se

puede observar que el coeficiente de correlación R² es muy satisfactorio en ambos

casos, el valor del error cuadrático medio está dentro de lo esperado en el caso del

DEM SRTM y presenta un valor algo mayor en el caso del DEM ASTER 90m. La

eficiencia de Nash alcanza valores muy cercanos a uno en ambos casos, lo que nos da la

idea de que los datos analizados si poseen mayoritariamente una relación 1:1.

Las diferencias absolutas entre el DEM ASTER 90 y el DEM SRTM pueden apreciarse

en la figura 3.1.10, dichas diferencias agrupadas por rangos, se presentan en la figura

3.1.11 y el área correspondiente a cada rango de diferencia establecido se muestra en la

tabla 3.1.2. Las diferencias absolutas oscilan en un rango entre 0 y 546 m, aunque en la

tabla 3.1.2 se advierte que el 64% de la superficie total presenta diferencias menores o

iguales a 30m, siendo el 39.9% iguales a 0. Tan solo el 9.1% de la imagen presenta

diferencias mayores a 100m. En la figura 3.1.11 se puede observar que diferencias

mayores a 200m ocurren en la poción derecha de la imagen, en la que hubo presencia de

nubes. Aparte de esto, diferencias entre 100m y 200m se observaron en zonas de mayor

elevación, estas diferencias posiblemente se deban a la falta de puntos de control en

lugares con cota máxima, lo que no permitió un adecuado muestreo de la variación

altitudinal de la zona de estudio.

Tabla 3.1.1. Parámetros de calidad de ajuste entre los datos capturados en campo y extraídos de los DEMs ASTER 90m y SRTM

ASTER 90m SRTM R² 0.999 0.999RMSE 17.442 16.986EF 0.998 0.999


111

Figura 3.1.8. DEM (ASTER 90m) extraído de la imagen ASTER en el que se indican las zonas de estudio (zona 1 en rojo, zona 2 en azul)

Figura 3.1.9. DEM SRTM de referencia y zonas de estudio (zona 1 en rojo, zona2

en azul)


112

Figura 3.1.10. Diferencia absoluta entre el DEM SRTM y el DEM ASTER 90m

Figura 3.1.11 Rangos de diferencia absoluta entre los DEMs SRTM y ASTER 90m


113

Tabla 3.1.2. Diferencias entre los DEMs ASTER 90m y SRTM: Áreas de los rangos establecidos

Rango Área (Km2) Área (%)

Igual a 0 1260.44 39.9 Entre 0m y 30m 763.34 24.2 Entre 30m y 50m 339.61 10.7 Entre 50m y 100m 509.81 16.1 Entre 100m y 200 259.52 8.2 Mayor a 200m 28.05 0.9

3.1.3.2 Delimitación de cuencas hidrográficas y sus características morfométricas

Las cuencas delimitadas automáticamente en la zona 1 (relieve fuerte) y en la zona 2

(relieve llano) se pueden apreciar en las figuras 3.1.12 y 3.1.13 respectivamente.

Al analizar las cuencas hidrográficas delimitadas automáticamente tanto en los DEMs

ASTER (ASTER90m y ASTER 15m) y el DEM SRTM, en la zona 1 se aprecia una

buena correspondencia entre ellas, siendo evidente el mayor detalle alcanzado en la

cuenca delimitada sobre el DEM ASTER 15m. Se observan notables discrepancias en

la parte norte de la cuenca (detalle 1, figura 3.1.12) en donde los DEM ASTER 90m y

SRTM subestiman el área de la cuenca, incluso cortando un cauce natural con la

divisoria de la cuenca, hecho que evidencia los errores a los que puede conducir la falta

de detalle al representar el relieve.

En la cuenca delimitada en la zona 2 (relieve llano) se evidencias mayores

inconvenientes: Se observa que los DEMs presentan mejores coincidencias en los

lugares donde el relieve es más abrupto, siendo notorio que las mayores diferencias se

presentan en las zonas relativamente planas, como puede observarse en el detalle 1 de la

figura 3.1.13, en el que al parecer las diferencias existentes entre el DEM ASTER 90m

y el SRTM hacen que se defina la divisoria de agua por lugares distintos. En el caso de

los detalles 2 y 3 se observan las mayores diferencias entre el DEM ASTER 90m y el

DEM ASTER 15m, las mismas que se pueden atribuir a las diferencias de resolución.


114

En las figuras 3.1.14 y 3.1.15 se presenta una comparación gráfica de los cauces

generados en todos los DEMs, en la zona 1 y 2 respectivamente y una red de cauces

digitalizada directamente en pantalla. En el caso de la zona 1 se puede observar un buen

ajuste de los cauces generados en los 3 DEMs, aunque el cauce generado del DEM

ASTER 15m es el que presenta mayor similitud con los cauces digitalizados. En la zona

2 la situación es diferente, ya que se observa mayores diferencias, especialmente en las

zonas relativamente planas, esto debido a que las diferencias detectadas entre los DEMs

ocasiona ambigüedades en el cálculo de la orientación de la pendiente, lo que

indudablemente ocasiona resultados diferentes; en todo caso, el DEM ASTER 15m es el

que mejores resultados presenta, indudablemente por su alta resolución.

Figura No. 3.1.12. Cuencas hidrográficas delimitadas automáticamente en la zona 1


115

Figura 3.1.13. Cuencas hidrográficas delimitadas automáticamente en la zona 2

Figura 3.1.14. Comparación gráfica entre los cauces generados y los digitalizados

directamente sobre la imagen: zona 1


116

Figura 3.1.15. Comparación gráfica entre los cauces generados y los digitalizados

directamente sobre la imagen: zona 2

En la tabla 3.1.3 se presentan las características morfométricas calculadas para cada una

de las cuencas delimitadas. En la zona 1 mayores diferencias se presentan en la

magnitud del perímetro, siendo el perímetro de la cuenca delimitada en DEM ASTER

15m, por su mayor detalle, el que presenta una mayor longitud. Las diferencias ya

señaladas de elevación entre los DEMs, es la que ocasiona mayores diferencias en el

desnivel altitudinal (Dh) y en los valores de la elevación (Hmin, Hmás y Hm). La

pendiente máxima es la que presenta mayores diferencias, siendo la pendiente media un

poco más uniforme, aquí se puede notar el efecto que las diferencias de elevación tienen

en el cálculo de la pendiente de la cuenca. En la zona 2 los valores son un poco más

uniformes, notándose diferencias en la longitud del perímetro, en la que el DEM

ASTER 15m es el de mayor magnitud. La diferencia altitudinal es variable, como

consecuencia de las diferencias observadas entre lo valores máximos y mínimos. Igual

que en la zona 1, la pendiente máxima es la que mayor rango de variación muestra.

Tanto en la zona 1 como en la zona 2 los valores de la pendiente máxima se presentan

en el DEM ASTER 15m, que es el que presenta adicionalmente, mayores valores de

pendiente media y desviación típica de la pendiente, hecho atribuible al mejor detalle

alcanzado con un tamaño de pixel de 15m


117

Tabla 3.1.3. Principales características morfométricas de las cuencas delimitadas en las dos zonas seleccionadas de cada DEM

DEM A (Km2) P (Km) L (Km) Kf Kc Dh Lcp Mcp (%)

ASTER 15m 19.68 29.64 7.61 0.34 1.87 1553.00 8.10 15.81

Zona 1 ASTER 90m 19.54 27.36 7.56 0.34 1.73 1440.00 7.17 17.27

SRTM 19.31 27.72 7.36 0.36 1.77 1728.00 7.53 19.89

DEM Hmin Hmáx Hm Hdesv Smin Smáx Smedia Sdesv

ASTER 15m 955.00 2508.00 1561.00 332.86 0.00 73.20 21.60 9.47

Zona 1 ASTER 90m 1030.00 2470.00 1548.23 316.85 0.75 28.31 15.53 5.03

SRTM 910.00 2638.00 1557.28 365.69 1.42 36.42 21.65 6.79

DEM A (Km2) P (Km) L (Km) Kf Kc Dh Lcp Mcp (%)

ASTER 15m 14.17 30.27 7.25 0.27 2.25 764.00 8.09 5.35

Zona 2 ASTER 90m 14.11 24.12 7.30 0.26 1.80 821.00 7.50 5.29

SRTM 14.52 26.10 7.34 0.27 1.92 801.00 7.63 7.20

DEM Hmin Hmáx Hm Hdesv Smin Smáx Smedia Sdesv

ASTER 15m 456.00 1220.00 652.39 174.81 0.00 57.04 11.95 8.61

Zona 2 ASTER 90m 450.00 1271.00 654.64 174.49 0.00 26.33 7.59 6.65

SRTM 451.00 1252.00 662.21 207.92 0.25 35.27 10.47 7.98

Las curvas hipsométricas presentadas en la figura 3.1.16 indican el porcentaje de

superficie de cada cuenca que se encuentra sobre una cota determinada, permitiendo

conocer como se distribuyen altitudinalmente cada una de las cuencas. En éstas se

puede apreciar que las mayores diferencias altitudinales se presentan en las partes altas

de la cuenca, las que en ambos casos presentaban mayores diferencias entre los DEMs

analizados. En lo que respecta a las partes medias, las coincidencias son muy altas y

presentan diferencias relativamente bajas en las cotas menores.

Zona 1 Zona 2

Figura 3.1.16. Comparación de las curvas hipsométricas de las cuencas generadas, zona 1 y zona 2


118

3.1.4 Conclusiones

La calidad del DEM depende indudablemente de la precisión de los puntos de control

utilizados y de su distribución ya que las mayores diferencias entre el DEM generado

(DEM ASTER 90m) y el de referencia (DEM SRTM) se presentaron en zonas de cotas

altas, en las que no se había tomado puntos de control.

Una dificultad operativa de la extracción de un DEM ASTER es la precisión de la

localización de los puntos de control en la imagen, especialmente en zonas con relieve

marcado, ya que en zonas de montaña, la pendiente de la ladera hace que pequeñas

diferencias horizontales se traduzcan en grandes diferencias verticales y por ende en

errores considerables.

Las cuencas delimitadas automáticamente en condiciones de marcado relieve, así como

su red hídrica, presentaron menores diferencias que las delimitadas en zonas llanas,

haciéndose evidente además, que con mejor resolución del DEM mayor es el detalle

obtenido. Los parámetros morfométricos no presentaron una considerable variación, con

excepción de la pendiente que presentó mayores valores en el DEM de mejor resolución

espacial.

Las diferencias observadas en la limitación de la cuenca, la generación de cauces y los

parámetros morfométricos hacen suponer que la precisión obtenida del DEM SRTM es

suficiente para fines de modelamiento hidrológico de una cuenca hidrográfica de gran

tamaño (A>10 000 Km2), en donde la escala obliga realizar simplificaciones de la

información topográfica.

3.1.5 Referencias Akeno, K., 1996. DEM Generation from multi-sensor stereo-pairs AVHRR and MSS. En: International Archives of Photogrammetry and Remote Sensing, 9-18 de Julio, Vienna, Austria, Vol. 31, pp. 36-40. Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large area hydrologic modeling and assessment part I: model development. Journal of American Water Resources Association. 34 (1), 73–89.


119

Bloom, A.L., Fielding, E.J., Fu, X.-Y., 1988. A demonstration of stereo- photogrammetry with combined SIR-B and Landsat-TM images. International Journal of Remote Sensing 9 -5., 1023– 1038. Bosque, J., 1997. Sistemas de Información Geográfica. Riapl, Madrid, 451 pp. Eash, D.A., 1994. A geographic information system procedure to quantify drainage-basin characteristics. Water Resources Bulletin, 30, 1–8 Fujisada, H., Bailey, G. B., Kelly, G. G., Hara, S., Abrams, M. J., 2005. ASTER DEM performance. IEEE Transactions on Geoscience and Remote Sensing. 43, 2707-2714. Garbrecht, J., Martz, L., 1993. Network and subwatershed parameters extracted from digital elevation models — the Bills Creek experience. Water Resources Bulletin. 29, 909– 916. Kamp, U., Bolch, T., Olsenholler, J., 2003. DEM generation form ASTER satellite data for geomorphometric analysis of cerro Sillajhuay, Chile/Bolivia. En: ASPRS Annual Conference Proceedings, Anchorage, Alaska. Krupnik, A., 2000. Accuracy assessment of automatically derived digital elevation models from SPOT images. Photogrammetric Engineering and Remote Sensing. 68 (8), 1017-1023. Lang, H. R., Welch, R., 1999. Algorithm Theoretical, Basis Document for ASTER Digital Elevation Models (Standard product AST14) Version 3.0. NASA EOS publication ATBD-AST-08. Linsley, R., K., Kohler, M., A., Paulhus, J., L., H., 1977. Hidrología para Ingenieros, 2da edición, McGraw-Hill , México. Malleswara Rao, T. Ch., Venugopala Rao, K., Ravi Kumar, A., Rao, D. P., Deekshatula, B. L., 1996. Digital terrain model from Indian remote sensing satellite data from the overlap of two adjacent paths using digital photogrammetric techniques. Photogrammetric Engineering and Remote Sensing. 62, 726-731. Monsalve G., 1999. Hidrología en la Ingeniería, 2da edición. Editorial Escuela Colombiana de Ingeniería, Bogotá. Morgan, M., 2004. Epipolar resampling of linear array scanners scenes. Ph.D Thesis, University of Calgary, www.geomatics.ucalgary.ca/Papers/Thesis/AH/04.20193.MMorgan.pdf Nash, J. E., Sutcliffe. J. V., 1970. River flow forecasting through conceptual models I. A discussion of principles. Journal of Hydrology. 10, 282 – 290. Piong X., 2003. Digital elevation model extraction from ASTER in support of coal fire and environmental research project, China. MSc. Thesis, ITC, Holland, www.itc.nl/library/Papers_2003/msc/ereg/xiong_ping.pdf


120

Quinn, P.F., Beven, K.J., Lamb, R., 1995. The lna/tanh index: how to calculate it and how to use it within the TOPMODEL framework. Hydrol. Process. 9, 161– 182. Raggam, J., Almer, A., Strobl, D., 1994. A combination of SAR and optical line scanner imager for stereoscopic extraction of 3-D data. ISPRS Journal of Photogrammetry and Remote Sensing 49 - 4., 11–21. Toutin, T., 2000. Stereo-mapping with SPOT-P and ERS-1 SAR images. Internacional Journal of Remote Sensing. 21, 1657- 1674. Toutin T., 2001. Elevation modelling from satellite visible and infrared (VIR) data. International Journal of Remote Sensing. 22, 1097-1125. Toutin T., 2002. Three-dimensional topographic mapping with ASTER stereo data in rugged topography. IEEE Transactions on Geoscience and Remote Sensing. 40, 2241-2247. USGS, 2000. Shuttle Radar Topography Mission, 1 Arc Second scene SRTM_f03_s005w081, filled finished 2.0, Global Land Cover Facility. University of Maryland, College Park, Maryland . Vogt, J. V., Colombo R., Bertolo, F., 2003. Deriving drainage networks and catchment boundaries: a new methodology combining digital elevation data and environmental characteristics. Geomorphology. 53, 281–298 Wang, X., Yin, Z., Y., 1998. A comparison of drainage networks derived from digital elevation models at two scales. Journal of Hydrology. 210, 221–241. Welch, R., Jordan, R. T., Luvall, J. C., 1990. Geocoding and stereo display of tropical forest multi-sensor datasets. Photogrammetric Engineering and Remote Sensing. 56, 1389- 1392. Wise, S., M., 2007, Effect of differing DEM creation methods on the results from a hydrological model, Computers and Geosciences 33, 1351–1365

121

3.2 CARACTERIZACIÓN CLIMÁTICA, METEOROLÓGICA E HIDROLÓGICA DE LA CUENCA BINACIONAL CATAMAYO-CHIRA (Artículo presentado en el IX Congreso Ecuatoriano de Hidráulica, Quito, Ecuador, noviembre de 2007)

RESUMEN En el presente trabajo se realiza el análisis de calidad de los registros climáticos, meteorológicos e hidrológicos a nivel diario y mensual de 24 estaciones ecuatorianas y 19 estaciones peruanas distribuidas en la cuenca binacional Catamayo Chira. Se realizó la homogenización de los registros mediante procedimientos estadísticos, se obtuvo 15 parámetros a nivel mensual a fin de caracterizar climáticamente la zona de estudio y se preparó la información con el fin de implementar el modelo SWAT (Soil and Water Assessment Tool) en la cuenca. Palabras clave: Caracterización climática, SWAT. ABSTRACT The present work informs about a quality analysis of climatic, meteorological and hydrological records taken daily and monthly in 24 Ecuadorian and 19 Peruvian stations distributed in the bi-national basin Catamayo-Chira. A homogenization of records using statistical proceedings was carried out, and there were obtained 15 parameters at monthly level in order to climatically characterize the studied area and the information was prepared with the purpose of implementing the Soil and Water Assessment Tool (SWAT model) in the basin. Key words: Climatic characterization, SWAT.

Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________

122

3.2.1 Introducción

El modelamiento hidrológico es en la actualidad una herramienta muy utilizada para la

planificación del uso de la tierra y el ordenamiento territorial de cuencas hidrográficas.

Ya que un modelo hidrológico permite analizar la respuesta que una cuenca hidrográfica

puede presentar a diferentes alternativas de manejo.

El Soil and Water Assessment Tool (SWAT) (Arnold et al., 1998) es un software de

modelamiento hidrológico semidistribuido de generación continua diseñado por el

Departamento de Agricultura de los Estados Unidos y la Universidad de Texas. Este

modelo permite simular la producción de agua y sedimentos en cuencas hidrográficas,

así como el efecto que en la calidad del agua tienen las prácticas agronómicas por el uso

de pesticidas y fertilizantes. El SWAT se basa en un balance hídrico para determinar la

entrada, salida y almacenamiento de agua en la cuenca.

La simulación de los procesos requiere una considerable cantidad de información

climática, meteorológica e hidrológica, entre otras, la que incluye precipitación,

temperatura, velocidad del viento, temperatura del punto de rocío, radiación solar, todo

a nivel diario y mensual. Esta información es utilizada por el modelo para simular las

entradas y salidas al sistema, requiriéndose adicionalmente, datos de caudal y

sedimentos, utilizados en su validación y calibración.

3.2.1.1 Objetivo

En este trabajo se pretende mostrar los procedimientos seguidos para analizar y

homogenizar la información climática, meteorológica e hidrológica disponible para la

cuenca binacional Catamayo-Chira, a fin de obtener parámetros que permitan su

caracterización y la futura implementación del modelo SWAT. Al inicio del documento

se describe la zona de estudio, detallándose luego los procedimientos seguidos para

verificar la calidad de la información recopilada. Los procesos llevados a cabo para

rellenar los datos faltantes, homogenizar los registros y estimar matemáticamente la


123

información no disponible se citan con detalle, para finalmente centrarse en el análisis

de los parámetros que caracterizan climática, meteorológica e hidrológicamente a la

cuenca Catamayo-Chira.

3.2.2 Metodología

3.2.2.1 Área de estudio

La Cuenca Binacional Catamayo-Chira, se extiende entre las coordenadas 3º 30´ a 5º 8´

de latitud sur y 79º 10´ a 81º 11´ de longitud oeste. Cubre la región fronteriza sur

occidental entre Ecuador y Perú con una extensión de 17 199.19 km2; nace en las

cumbres de la divisoria continental de aguas (Ecuador) y desemboca en el Océano

Pacifico (Perú), atravesando escenarios montañosos y costaneros, con climas tropicales,

ecosistemas, usos y sistemas administrativos; que determinan características territoriales

naturales y antrópicas muy diversas. La geografía de la cuenca es abrupta con rangos de

altitud que oscilan entre los 3.700 y 0 metros sobre el nivel del mar. En este escenario

se presentan once zonas de vida, que van desde el desierto tropical (d-T) hasta el bosque

pluvial montano (bp-M). La precipitación media anual es del orden de los 800 mm

variando entre 10 mm en la zona baja, hasta 1000 mm en su cabecera. La cuenca está

formada por la cinco tributarios principales: Los ríos Catamayo, Macará, Quiroz,

Chipilico y Alamor, de los cuales los mayores productores de agua son el río Catamayo

con un caudal medio de 30 m3/s y la del río Macará con 40 m3/s.

Periódicamente la cuenca Catamayo Chira se ve afectada por la ocurrencia del ENSO

(El Niño Oscilación Sur), fenómeno que en su fase cálida produce un calentamiento de

entre 1 y 4 ºC sobre la temperatura normal del océano ocasionando excesos de

evaporación y consecuentemente lluvias intensas. La fase fría del fenómeno, conocido

como La Niña, produce acumulaciones de agua caliente en el pacífico oeste, por lo que

a lo largo de la costa peruana se producen descensos de la temperatura normal del

océano ocasionándose notables disminuciones de evaporación y precipitación con

consecuentes períodos de sequía. En el presente trabajo se considera como zona de

estudio a la cuenca Catamayo Chira limitada hasta la entrada del reservorio Poechos (A


124

= 11 910.74 Km2). La ubicación de la zona de estudio se puede observar en la figura

3.2.1.

Figura 3.2.1. Área de estudio

3.2.2.2 Datos de precipitación mensual

Se recopiló la información mensual de precipitación en 40 estaciones distribuidas en la

cuenca, de las cuales 20 son ecuatorianas y 20 son peruanas. Las estaciones

consideradas se incluyen en la tabla 3.2.1 y su ubicación se observa en la figura 3.2.2.

Se procedió a realizar análisis visual de la información registrada en cada una de las

estaciones a fin de localizar posibles incongruencias en la información y se estudió el

régimen de precipitaciones en cada estación mediante la representación gráfica de las


125

precipitaciones medias mensuales en el eje de las ordenadas y sus correspondientes

meses de ocurrencia en las abscisas.

La consistencia de la información recopilada se analizó construyendo curvas de doble

masa o de doble acumulación (Dingman, 2002, p. 117, Monsalve, 1999 p. 84),

agrupando las estaciones según posean el mismo régimen de precipitación y se

encuentren separadas entre si por una distancia relativamente corta. Al elaborar las

curvas de doble masa se seleccionó como estación base a aquella del grupo, que

presente el registro de datos más extenso y confiable. En las curvas de doble masa la

acumulación de los totales anuales registrados en la estación base se grafican en el eje

de las abscisas, y en el eje de las ordenadas, se grafican los totales acumulados de cada

una de las estaciones en comprobación. El análisis de consistencia permitió seleccionar

las estaciones a utilizarse en la implementación del modelo SWAT.

Figura 3.2.2. Estaciones consideradas en el estudio. El número corresponde al

código en la tabla 3.2.1


126

Tabla 3.2.1. Estaciones presentes en la zona de estudio. Las variables analizadas en cada estación fueron: precipitación (P), temperatura (T), clima (C), caudal (Q), y sedimentos (S)

ESTACIÓN CÓD. PAIS LAT. LONG. ELEV. VAR. PERIODO

Alamor en saucillo 1 Ec. 9505457 566997 125 P 1997-2002Amaluza 2 Ec. 9493392 674770 1690 P,T,C 1975-2002Argelia 3 Ec. 9553464 699403 2160 P,T,C 1963-2002Cariamanga 4 Ec. 9521176 660606 1955 P,T,C 1964-2002Catacocha 5 Ec. 9551949 650752 1763 P, T 1963-2002Catamayo-Aeropuerto 6 Ec. 9558425 681296 1250 P,T,C 1963-2002Celica 7 Ec. 9546579 616616 2017 P,T,C 1964-2002Changaimina 8 Ec. 9533920 664116 1970 P 1976-2002El Cisne 9 Ec. 9574167 675000 2300 P 1971-2002El Tambo 10 Ec. 9549939 687880 1575 P 1973-2002Gonzanamá 11 Ec. 9532238 674134 2040 P, T 1965-1999Lauro Guerrero 12 Ec. 9561629 638095 1923 P 1972-2002Macará 13 Ec. 9516395 617745 427 P,T,C 1965-1997Malacatos 14 Ec. 9534449 690908 1453 P,T,C 1965-1998Nambacola 15 Ec. 9542456 674175 1795 P 1971-2002Quilanga 16 Ec. 9524562 677858 1805 P 1971-2002Quinara 17 Ec. 9523236 695345 1595 P 1972-2002Vilcabamba 18 Ec. 9530595 699000 1920 P,T,C 1978-2002Yangana 19 Ec. 9516982 702487 1860 P,T,C 1979-2002Zapotillo 20 Ec. 9515321 584254 215 P,T,C 1979-2002Arenales 21 Pe. 9456070 627254 3010 P 1974-1991

Ayabaca 22 Pe. 9487823 642699 2700 P,T,C 1971-2002

Chilaco 23 Pe. 9480963 554900 90 P,T,C 1972-2002

El Ciruelo 24 Pe. 9524654 594327 202 P 1977-2002

Frias 25 Pe. 9454464 617181 1630 P 1972-1992

La Esperanza 26 Pe. 9456418 493286 12 P,T,C 1972-2002

Mallares 27 Pe. 9463137 529784 45 P,T,C 1972-2002

Olleros 28 Pe. 9479985 649482 1457 P 1971-1977

Pacaypampa 29 Pe. 9449023 647832 1960 P 1963-2002

Palo Blanco Talaneo 30 Pe. 9441281 651252 2771 P 1972-1992

Paraje Grande 31 Pe. 9488151 620548 555 P 1973-2002

Pte.Internacional 32 Pe. 9515414 616512 408 P 1972-2002

San Juan de los Alisos 33 Pe. 9450472 662361 1301 P 1972-1992

Sapillica 34 Pe. 9471196 612750 1446 P 1972-2002

Sausal Culucan 35 Pe. 9474842 636789 980 P,T,C 1972-2002

Sicchez 36 Pe. 9494751 636565 1514.2 P 1972-1992

Suyo 37 Pe. 9502161 610687 250 P 1972-1992

Tacalpo 38 Pe. 9485503 655040 1363.5 P 1972-1992

Talaneo 39 Pe. 9441261 660492 2888 P 1972-1992

Tapal 40 Pe. 9472591 660560 1825 P 1972-1992

Alamor en Saucillo A Ec. 9529244 589330 290 Q 1965-2002Vicin B Ec. 9526922 598863 276 Q 1965-2003Pte. Boquerón C Ec. 9550888 681330 1184 Q 1979-2002Est. Ardilla D Pe. 9503270 567048 106 Q, S 1976-1994

Est. Paraje Grande E Pe. 9488151 620548 555 Q 1972-1994

Est. Pte. Internacional F Pe. 9515414 616512 408 Q, S 1972-1994


127

Considerando la extensión predominante de registros en las estaciones, se escogió el

período 1970-2000 como el óptimo para la homogenización de los registros mensuales

de precipitación, en este proceso se incluyó las estaciones que presentaban el mismo

régimen, vecindad y homogeneidad de sus registros. La homogenización se realizó

aplicando criterios de correlación ortogonal que permite definir una ecuación de

correlación entre estaciones basada en el criterio de los mínimos cuadrados. La

ecuación de regresión se determinó con la expresión (Heras, 1976):

( ) XmXmYY mm ** +−= Eq. 3.2.1

En la que Xm y Ym son los valores medios de precipitación registrada en la estación

base y en análisis, respectivamente. El valor de m es la pendiente de la recta de

regresión que se calcula con la expresión:

ym XY

21 σλσ−

= Eq. 3.2.2

En la que λ1 es la raíz positiva de la ecuación:

( ) ( )[ ] 0** 222222 =−++− xyyxyx σσσλσσλ Eq. 3.2.3

En la que σ2x y σ2y son las varianzas los valores de precipitación registrados en la

estación base y en análisis respectivamente y σxy es la covarianza de las parejas de

datos considerados en el análisis.

Cuando los valores registrados en la estación base son menores que la media de los

mismos, se aplica una ecuación parabólica que evita el cálculo de valores negativos

cuando se realiza el relleno de la información en la estación en análisis. La ecuación

parabólica es:


128

⎟⎟⎠

⎞⎜⎜⎝

⎛

⎟⎟⎠

⎞⎜⎜⎝

⎛=

m

m

YXm

mm X

XYY

*

* Eq. 3.2.4

Con el fin de calcular la bondad de ajuste se calculó el coeficiente de correlación,

considerándose que valores de éste superiores o iguales a 0.7 son significativos

estadísticamente. El coeficiente de correlación se calculó con la expresión:

yx

xyr²*² σσ

σ= Eq. 3.2.5

Aplicando las ecuaciones 1 y 4 se procedió a rellenar los vacíos de información

existentes a fin de homogenizar los registros mensuales de precipitación al período

indicado.

3.2.2.3 Procesamiento de datos de precipitación diaria

Se procedió a realizar el análisis visual de los registros disponibles y un análisis de

correspondencia entre la acumulación de los datos diarios de precipitación y sus

correspondientes valores de precipitación mensual registrada a fin de identificar

anomalías y errores de trascripción.

Se procedió a realizar un conteo de días húmedos y secos a nivel mensual plurianual en

los registros diarios de precipitación, para determinar las probabilidades de ocurrencia

de un día húmedo luego de un día seco Pi(W/D) y de un día húmedo luego de un día

húmedo Pi(W/W), aplicando las siguientes ecuaciones (Neitsch et al., 2002):

( )

NN

WWP WWi

/)/( = Eq. 3.2.6

( )

NN

DWP DDi

/1)/( −= Eq. 3.2.7


129

En las que N(W/W) es el número de días de lluvia después de día de lluvia. N(D/D) es el

número de días secos luego de un día seco y N es el número total de días con lluvia.

Utilizando ecuaciones de intensidad, duración, frecuencia (IDF) disponibles para la

parte ecuatoriana se determinó la precipitación máxima para una duración de 30

minutos y un período de retorno igual al período de datos disponible (30 años). Las

ecuaciones utilizadas fueron las siguientes (Rodríguez, 1999):

TRTR IdtI 4083.0*854.92 −= Eq. 3.2.8

TRTR IdtI 335.0*036.69 −= Eq. 3.2.9

TRTR IdtI 4844.0*98.115 −= Eq. 3.2.10

TRTR IdtI 7143.0*47.174 −= Eq. 3.2.11

En las que ITR es la intensidad de precipitación para cualquier período de retorno en

mm/h, t es la duración de la tormenta e IdTR es la intensidad diaria para un período de

retorno dado en mm/h. El valor de IdTR se determina mediante la aplicación de la

distribución de probabilidad de Gumbel (Chow et al., 2001) al registro histórico de las

máximas precipitaciones diarias registradas durante el período de 30 años considerado

en el estudio. La ecuación 3.2.8 se aplica a las estaciones que se encuentran en el área

de influencia de la estación La Argelia, la número 3.2.9 para las estaciones en el área de

influencia de la estación Cariamanga, la ecuación 3.2.10 para las estaciones vecinas a la

estación Macará y las ecuación 3.2.11 para las estaciones que se encuentran en el área

de influencia de la estación Celica.

Para las estaciones de la parte peruana, se calculó la intensidad máxima para 30 minutos

de duración de cada una de las tormentas registradas en las estaciones pluviográficas de

la zona y se procedió a escoger la intensidad anual máxima maximorum en cada una de

ellas. Se aplicó la distribución Gumbel de valores extremos para determinar la

magnitud de la intensidad máxima con un período de retorno de 25 años y se la


130

regionalizó en base a la precipitación máxima en 24 horas para el mismo período de

retorno que la intensidad máxima, basándose en la relación (Monsalve, 1999):

pp

ii I

PP

I = Eq. 3.2.12

En la que Ii es la intensidad en la estación pluviométrica. Pi es la precipitación máxima

en 24 horas en la estación pluviométrica. Pp es la precipitación máxima en 24 horas en

la estación pluviográfica. Ip es la intensidad máxima en la estación pluviográfica.

Todos los valores para el mismo período de retorno.

3.2.2.4 Datos de climáticos

Como es conocido, en las latitudes ecuatoriales la temperatura depende en mayor grado

de la elevación del lugar en el que ella se registra, siendo menos notoria la influencia de

la latitud o de la temporada del año. Para estudiar la calidad de los registros de

temperatura, se procedió a realizar análisis de regresión entre los valores medios

mensuales registrados en cada estación con la respectiva cota de la misma, a fin de

comprobar la presencia de valores anómalos que hagan sospechar de la calidad de la

información. Adicionalmente, se optó por realizar el relleno de datos faltantes y la

extensión de los registros, utilizando la media mensual de las temperaturas registradas y

las ecuaciones de regresión cota-temperatura obtenidas.

Con respecto a la humedad relativa, se realizó un análisis similar al descrito para los

datos de temperatura, realizándose igualmente, la extensión de los registros mediante

correlación entre estaciones.

Con los datos de temperatura media mensual y de humedad relativa media mensual se

procedió a calcular los valores correspondientes de temperatura del punto del rocío

aplicando la expresión (Heras, 1976):

⎟⎠⎞

⎜⎝⎛+=100

log35 HRTmDEWPT Eq. 3.2.13


131

En donde: DEWPT es la temperatura del punto de rocío, Tm es la temperatura media y

HR es la humedad relativa media. Con esta ecuación se calcula la temperatura del punto

de rocío media mensual.

Con respecto a la velocidad del viento, se realizó una inspección visual de la

información entregada y se analizó el régimen de cada estación para de esta manera

tratar de identificar posibles errores e incongruencias. Lamentablemente la velocidad

del viento no depende directamente de la elevación o de la temperatura, por lo que, al no

tener una manera clara de extender estadísticas de la velocidad del viento, se procedió a

trabajar con el mayor período disponible de datos, el que en base a la variación

estacional que presenta en las estaciones, puede considerarse como representativo de las

condiciones de cada estación.

Los valores de radiación solar se estimaron en función de la heliofanía aplicando la

ecuación (Monsalve, 1999):

)58.024.0(DnRaRc += Eq. 3.2.14

En la que Rc es la radiación incidente sobre la superficie en cal/cm2/día, Ra es la

energía que alcanza el límite superior de la atmósfera, n/D es la relación entre la

insolación actual y la máxima.

Para las estaciones en las que se contaba con datos de nubosidad en octavos se aplicó las

expresiones (Heras, 1976):

100*8

% NN = Eq. 3.2.15

( )95045.0%*00803.012 +−= Nn Si N% < 54 Eq. 3.2.16

( )( )594535.0%*003807.0%*000097.012 2 ++−= NNn Si N% > 54 Eq. 3.2.17


132

En las que N es la nubosidad media mensual en octavos, N% es la nubosidad media

mensual en porcentaje y n es el número de horas diarias de sol.

3.2.2.5 Caracterización climática y meteorológica

Luego del análisis de la calidad de la información disponible y de la estimación de

información faltante se procedió a realizar la caracterización climática de las estaciones

estudiadas determinando:

• Precipitación media mensual en cada estación (PCPMM)

• Desviación estándar de la precipitación diaria por mes (PCPSTD)

• Probabilidad de tener un húmedo luego de un día seco por mes. (PR_W1)

• Probabilidad de tener un día húmedo luego de un día húmedo (PR_W2)

• Promedio de días con precipitación por mes (PCPD)

• Precipitación máxima para una duración de 30 minutos para el período de

estudio (RAINHHMX)

• Número de años con registros de precipitación máxima con 30 minutos de

duración. (RAIN_YRS)

• Media de las temperaturas máximas por mes (TMPMX)

• Media de las temperaturas mínimas por mes (TMPMN)

• Desviación estándar de las temperaturas máximas (TMPSTDMX)

• Desviación estándar de las temperaturas mínimas (TMPSTDMN)

• Radiación diaria media mensual (SOLARAV)

• Temperatura media del punto de rocío por mes (DEWPT)

• Velocidad media mensual del viento (WNDAV)

Todos los parámetros se calcularon a nivel mensual como un promedio plurianual, ya

que son imprescindibles para la implementación del modelo SWAT, asi mismo, se

listaron los valores de precipitación diaria y mensual de las estaciones consideradas.

3.2.2.6 Información Hidrológica


133

Se delimitaron las 4 subcuencas tributarias que conforman la Catamayo Chira

(Catamayo, Alamor, Macará y Quiroz), cerrándolas hasta las estaciones hidrológicas

presentes en la zona de estudio. Se obtuvieron los caudales medios mensuales

plurianuales de cada una de las subcuencas con el fin establecer sus aportaciones a nivel

mensual al caudal de la cuenca Catamayo Chira. Las aportaciones totales de la cuenca

se determinaron mediante el promedio mensual plurianual de los caudales registrados en

la estación Ardilla ubicada a la entrada del reservorio de Poechos.

Se realizaron curvas de doble masa entre estaciones que se encuentran en la misma

subcuenca hidrográfica a fin de poder determinar la proporcionalidad entre los valores

registrados en ellas. Un análisis gráfico de la relación lluvia escorrentía existente entre

los caudales diarios registrados en las estaciones de aforo, con los correspondientes

valores medios de precipitación registrados en todas las estaciones ubicadas aguas

arriba de éstas, proporcionó un elemento más para validar la calidad de los registros

hidrológicos.

Se recopiló información sedimentológica en las estaciones Puente Internacional

ubicada en la frontera entre Ecuador y Perú, con registros de media mensual de sólidos

en suspensión entre 1973 y 1988 y en la estación Ardilla ubicada a la entrada del

reservorio Poechos, en la que se disponía registros entre 1984 y 1988. Los datos de

sedimentos se correlacionaron con los correspondientes valores de caudal líquido a fin

de analizar su correspondencia y se realizó un análisis de doble masa entre las dos

estaciones a fin de analizar la homogenidad de sus registros.


3.2.3.1 Datos pluviométricos

En la figura 3.2.3 puede observarse el régimen de varias estaciones de precipitación que

se encuentran tanto en la parte alta como en la baja de la cuenca, en estos ejemplos se

puede observar que en términos generales, las estaciones de precipitación presentan una

temporada lluviosa que transcurre entre octubre y abril siendo marzo el mes en el que se

presenta la mayor cantidad de precipitación. Las estaciones que se encuentran en la


134

parte baja de la cuenca presentan la mayor diferencia de sus totales de precipitación

entre meses húmedos y secos, a diferencia de las estaciones ubicadas en la altura en las

que la presencia de precipitación es más regular durante el año. Posiblemente la

vecindad de gran parte de las estaciones de la zona alta con la Amazonia, húmeda por

naturaleza, motive que en ellas se registre mayores niveles de precipitación.

Estaciones de la parte alta de la cuenca

Estaciones de la parte baja de la cuenca

Figura 3.2.3. Régimen de precipitación observado en varias estaciones en la cuenca Catamayo Chira

La variación estacional de la precipitación puede caracterizarse en base a tres tipos de

régimen: El primero con precipitaciones que empiezan a incrementar significativamente

a partir del mes de septiembre hasta alcanzar un valor máximo en el mes de marzo, para

disminuir luego los niveles de precipitación paulatinamente en los meses subsiguientes.

Un segundo tipo se caracteriza por presentar una temporada lluviosa que inicia en el

mes de enero e incrementa los volúmenes de precipitación hasta alcanzar un máximo el

mes de marzo, disminuyendo muy notablemente la precipitación durante abril y mayo

para, en los meses subsiguientes, presentar volúmenes de precipitación cercanos a cero.

El tercer tipo de régimen presenta una estación lluviosa que inicia en octubre,


135

presentando un continuo incremento de la precipitación hasta alcanzar el máximo

durante los meses de febrero y marzo, para a continuación disminuir los volúmenes de

precipitación paulatinamente. El primer y tercer tipo de régimen se presenta en las

estaciones que se encuentran en las partes altas de la cuenca; por su parte, el segundo

tipo de régimen se presenta en las estaciones que se ubican en la parte baja de la misma.

Las estaciones clasificadas según su régimen de precipitación se presentan en la figura

3.2.4.

Figura 3.2.4. Régimen de precipitación

Los coeficientes de correlación de los totales mensuales de precipitación (tabla 3.2.2)

permiten suponer una mayor uniformidad climática en Ayabaca y su zona de influencia

ya que se registran coeficientes de correlación del orden del 87 %, este hecho puede ser

ocasionado por una menor influencia del clima húmedo de la Amazonia ya que la

elevación de la cordillera oriental de los Andes en esta zona es considerable. En la parte

baja de la cuenca, por la menor influencia de la cordillera y por un mayor efecto de la

presencia oceánica, se presentan características climáticas similares en toda la zona,

hecho que se evidencia con coeficientes de correlación del orden del 83 %. Las

mayores variaciones se presentan en el área de influencia de la estación de La Argelia

en donde los coeficientes de correlación son del orden del 67 %, esta variación


136

posiblemente se deba a la influencia que el clima amazónico ejerce sobre esta zona, en

gran medida, por la relativamente baja elevación de la cordillera oriental.

Tabla 3.2.2. Coeficientes de correlación entre estaciones de precipitación Estación Base Estación en Análisis r Estación Base Estación en Análisis r

Ayabaca Tapal 0.70 Chilaco La Esperanza 0.87

Olleros 0.94 Mallares 0.91

Sicchez 0.90 La Argelia El Cisne 0.67

Tacalpo 0.88 El Tambo 0.63

Pacaypamba 0.93 Catamayo-Aeropuerto 0.63

Pacaypamba Talaneo 0.59 Vilcabamba 0.68

Pasapamba 0.87 Yangana 0.69

Palo Blanco Talaneo 0.87 Malacatos 0.60

San Juan de los Alisos 0.85 Cariamanga Changaimina 0.73

Sausal de Culucan Sapillica 0.77 Nambacola 0.76

Paraje Grande 0.75 Quilanga 0.79

Arenales 0.89 Gonzanamá 0.79

Zapotillo Puente internacional 0.88 Catacocha Celica 0.77

El Ciruelo 0.89 Lauro Guerreo 0.85

Suyo 0.79 Macará Zapotillo 0.79

Alamor en Saucillo 0.92

Las curvas de doble masa (figura 3.2.5) evidencian una buena proporcionalidad entre las

acumulaciones de las precipitaciones anuales registradas en las estaciones

correspondientes a la zona media y alta de la cuenca de la parte ecuatoriana. En las

estaciones de la parte baja se observa que la proporcionalidad de los registros disminuye

aunque ésta permanece dentro de los rangos aceptables, notándose desplazamientos en

las curvas de doble masa que se producen en los años en los que se registró la presencia

del ENSO (1982-1983 y 1997-1998), hecho que no se observa con claridad en las

estaciones de la parte alta de la cuenca.

En el caso de las estaciones peruanas se observa (figura 3.2.5) una falta de

proporcionalidad entre las estaciones Pacaypamba y Talaneo a partir del año 1990 y

entre Pacaypamba y Altamiza observándose en este último caso un decrecimiento en los

volúmenes mensuales de precipitación registrados a partir del año 1983, hecho que

unido a la presencia de meses con valores nulos de precipitación, hace dudar de la

calidad de los registros. Las restantes estaciones de precipitación que se relacionaron

con Pacaypamba mostraron una muy buena proporcionalidad de sus acumulaciones


137

anuales. Las estaciones de precipitación que se compararon con Ayabaca presentaron

una muy buena proporcionalidad con pequeñas discontinuidades. Un hecho similar se

presenta entre las estaciones pluviométricas comparadas con la estación Puente

Internacional.

Las estaciones comparadas con Paraje Grande muestran segmentos paralelos producidos

por las precipitaciones notablemente superiores ocurridas en los años con ENSO (figura

3.2.5), aunque en esta zona la estación Sapillica presenta demasiados vacíos de

información que producen dobles masa que evidencian una baja proporcionalidad con la

estación base. El efecto del ENSO se evidencia claramente en las estaciones Chilaco,

Mallares y La Esperanza en las que las acumulaciones de los totales de precipitación se

agrupan en líneas paralelas claramente separadas por los valores extraordinarios de

precipitación registrados en años ENSO.

3.2.3.2 Datos Climáticos

Al analizar los datos de temperaturas se pudo observar una estabilidad estacional de las

temperaturas máximas, medias y mínimas, las que presentan desviaciones típicas del

orden de 1 grado. La correlación entre los valores de temperatura y la cota de la

estación presentan coeficiente de correlación del orden del 80% pudiendo considerarse

una buena calidad de los registros. Es de mencionar que en los meses de mayo a

septiembre las temperaturas medias y máximas presentan una correlación por debajo del

60% con la elevación de las estaciones correspondientes, esto posiblemente debido al

hecho de que en dichas temporadas se presenta una mayor influencia de la latitud en la

que se encuentran las estaciones de monitoreo y la época del año.

El intento de correlacionar la desviación estándar de las temperaturas máximas y

mínimas con los valores medios de temperatura o la elevación no produjeron

coeficientes de correlación significativos, por lo que no fue posible determinar

ecuaciones que permitan estimar estos parámetros en las estaciones en las que no se

cuenta con dicha información.


138

Figura 3.2.5. Curvas de doble acumulación entre estaciones de precipitación. El efecto de los años ENSO se ha resaltado mediante polígonos en color azul

El caso de la humedad relativa es similar al de las temperaturas, y lamentablemente no

fue posible encontrar una ecuación que permita estimar los valores de humedad relativa

en las estaciones en las que no se registra dicho valor. Ante esto, los valores de la

temperatura del punto de rocío solo pudieron calcularse en las estaciones en las que se

contaba con registros de temperatura media y humedad relativa media.

Los valores de radiación solar diaria no presentaban una excesiva desviación, esto

debido a que no es mayor la variación latitudinal de las estaciones. La correlación


139

entre los valores de radiación y la latitud no presentaron coeficientes de correlación

estadísticamente significativos, al igual que las correlaciones entre la elevación y la

radiación solar, por lo que solo se puede utilizar los datos calculados en base a la

heliofanía y la nubosidad.

Los valores de velocidad del viento presenta una variación estacional regular en la que

se presentan máximos de velocidad en los meses de julio, agosto y septiembre, aunque

en varias estaciones estos máximos se presentan hasta noviembre o diciembre.

3.2.3.3 Datos hidrológicos

Las curvas de doble masa elaboradas con caudales totales anuales (figura 3.2.6)

muestran una muy buena proporcionalidad al analizar las estaciones de aforo que se

encuentran en la misma cuenca de aporte de la estación Ardilla (Pte. Internacional,

Paraje Grande, Ciruelo y Alamor en Saucillo). Un caso similar ocurre al comparar El

ciruelo con Pte. Internacional y Pte. Boquerón y al relacionar Vicin con Pte. Boquerón,

lo que hace presumir una buena calidad de los registros de caudal. La presencia de

ENSO se evidencia al apreciarse en todas las estaciones de la parte baja (Ardilla, Pte.

Internacional, Paraje Grande, Ciruelo y Alamor en Saucillo), ya que los volúmenes

acumulados presentan notables incrementos en los años en los que se produjo dicho

fenómeno.

El análisis lluvia escorrentía a nivel mensual evidencia una muy buena relación entre

valores de promedios de precipitación y sus correspondientes valores de caudal

registrados en la estación Pte. Internacional, siendo ésta aceptable en la estación Paraje

Grande y mala en la Pte. Boquerón. En éste último caso llama la atención la falta de

correspondencia, ya que el área de aportación es relativamente pequeña, este hecho se

podría atribuir a la vecindad de esta zona con la región Amazónica, lo que produce una

considerable variabilidad de la precipitación y la disponibilidad de estaciones de

medición es deficiente, constituyéndose en una posible causa de la falta de

correspondencia entre los datos de precipitación y caudal.


140

Figura 3.2.6. Curvas de doble acumulación entre estaciones hidrológicas. El efecto de los años ENSO se ha resaltado con óvalos en color azul

El análisis lluvia escorrentía a nivel diario presenta buena correspondencia entre los

valores medios de precipitación y los correspondientes valores de caudal a excepción

del año 1974 en la estación Pte Boquerón en la que no se poseen valores de

precipitación en las estaciones que se encuentran en la parte alta de la subcuenca. En el

caso de la estación de aforo Pte. Internacional la proporcionalidad es aceptable, aunque

se carecen datos de caudal entre 1976 y 1979, 1981, 1985 y parte de 1982, 1984 y 1986,

por lo que la comparación en dichas fechas no es factible. La correspondencia obtenida

al analizar la estación Alamor en Saucillo es de buena calidad.

Las mayores aportaciones se producen en los meses de marzo y abril siendo posible

observar que los caudales en la cuenca del río Catamayo presentan una mayor

uniformidad estacional a diferencia del río Macará que presenta una notable

variabilidad. En todo caso las mayores aportaciones provienen de estas dos cuencas.

Los valores medios mensuales de caudal se presentan en la tabla 3.2.3. La ubicación de

las cuencas aportantes se observa en la figura 3.2.7.

Tabla 3.2.3. Caudales de aportación medios mensuales para cada subcuenca (m3/s)

Cuenca Área (Ha) Estación Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Alamor 60767 Alamor en Saucillo 4.5 14.0 23.7 17.8 10.0 5.8 3.5 2.2 1.6 1.3 1.2 2.1

Catamayo 409895 Vicin 35.4 48.3 57.0 50.6 38.7 37.3 32.6 27.5 22.7 23.1 22.5 27.5

Macará 264169 Pte.Internacional 30.3 70.0 102.2 87.8 44.7 28.7 19.5 14.1 10.3 11.1 9.8 16.5

Quiroz 227576 Paraje Grande 7.7 25.2 45.3 43.1 22.4 13.2 7.4 4.4 3.2 3.4 3.2 5.0

Catamayo-Chira 1191000 Ardilla 105.3 261.5 445.0 364.7 172.5 105.0 61.7 38.8 27.8 28.0 24.4 49.2


141

Los caudales registrados en la salida de la cuenca (estación Ardilla) presentan una

notable variación durante el año ya que en el mes de marzo se registran valores medios

del orden de los 445 m3/s y en el mes de noviembre tan solo 24.4 m3/s; presentando un

caudal medio 140.3 m3/s. Estas notables fluctuaciones tienen estrecha correspondencia

con el régimen de precipitación y hacen pensar en la necesidad de establecer embalses

de regulación en proyectos de aprovechamiento hidráulico con la finalidad de asegurar

el abastecimiento en los meses de estiaje.

Figura 3.2.7. Subcuencas aportantes

3.2.4 Conclusiones

Se evidencia una marcada influencia de la vecina Amazonia en las partes altas de la

cuenca, en contraposición del régimen litoral que predomina en las zonas bajas. El

período de lluvias en la cuenca se extiende entre octubre y abril, variando el inicio de la

temporada lluviosa según tres tipos de régimen identificados. Marzo es el mes que

presenta mayores niveles de precipitación. En la temporada seca se presentaron niveles

mínimos de precipitación en la zona baja y niveles algo mayores en la zona alta.


142

La temperatura presenta una notable estabilidad estacional sin fluctuaciones exageradas,

notándose una cercana relación con la elevación. Cosa similar ocurre con la temperatura

del punto de rocío y la radiación solar, evidenciándose en este caso, la influencia de la

latitud en dichas variables.

Los mayores aportes de caudal provienen de las subcuencas Catamayo y Macará las que

contribuyen con el 70% del caudal total. Los caudales registrados a la salida de la

cuenca presentan notables diferencias entre la temporada húmeda y la seca con una

media de 140 m3/s, con un rango de variación entre 445 y 24 m3/s.

Tanto en el caso de las precipitaciones mensuales, como en los caudales medios

mensuales, se puede observar que la ocurrencia del ENSO es mucho más notoria en la

parte baja de la cuenca que en la parte alta; esto posiblemente se deba al hecho de que la

cordillera de los Andes actúa como barrera, que atenúa de cierto modo los efectos del

ENSO, ocasionando que los excesos de precipitación que dicho fenómeno ocasiona, se

produzcan mayoritariamente en la zona baja, cercana al océano Pacífico.

Con fines de implementar el modelo hidrológico SWAT, se dispone de 16 estaciones

para la caracterización climática, 40 estaciones con registros mensuales de precipitación

homogenizados al período 1970–2000, 36 estaciones con registros diarios de

precipitación, así como de 6 estaciones con registros mensuales de caudal, 3 estaciones

con registros de caudales medios diarios con fines de calibración y validación y 2

estaciones con registros de caudal sólido.

3.2.5 Referencias Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large area hydrologic modeling and assessment part I: model development. Journal of American Water Resources Association. 34 (1), 73–89. Chow, V. T., Maidment, D., Mays, L., 1994. Hidrología Aplicada. McGraw-Hill, Bogotá Dingman, S., L., 2002. Physical Hydrology, 2da edición, Prentice Hall, New Jersey. Heras, R., 1976, Hidrología y recursos hidráulicos. CEH, Madrid.


143

Monsalve G., 1999. Hidrología en la Ingeniería, 2da edición. Editorial Escuela Colombiana de Ingeniería, Bogotá. Rodríguez L., 1999. Estudio de lluvias intensas. Instituto de Meteorología e Hidrología (INAMHI), Quito.

145

3.3 CARACTERIZACIÓN DEL TIPO Y OCUPACIÓN DEL SUELO DE LA CUENCA BINACIONAL CATAMAYO CHIRA (Artículo presentado en el IX Congreso Ecuatoriano de Hidráulica, Quito, Ecuador, noviembre de 2007)

RESUMEN En este trabajo se describen los procedimientos seguidos para obtener los parámetros de uso y tipo de suelo requeridos para implementar el Soil and Water Assessment Tool (SWAT). Observaciones de campo y ensayos de laboratorio permitieron definir los 7 parámetros globales y 12 parámetros a nivel de horizonte requeridos por el modelo para cada tipo de suelo. La ocupación del suelo se obtuvo de la clasificación supervisada de una imagen LANDSAT ETM+, validada con observaciones de campo. Los 32 parámetros característicos de cada ocupación del suelo se obtuvieron de la base de datos que para el efecto está incluida en el modelo SWAT. Se determinó un predominio de entisoles y la presencia de amplias zonas de pastizal y bosque seco Palabras claves: Tipo de suelo, uso se suelo, SWAT ABSTRACT This research describes the procedures followed to obtain the parameters of soil use and type, which are required to implement the Soil and Water Assessment Tool (SWAT). Field observations and laboratory tests allowed the definition of 7 global parameters and 12 horizon parameters required by the model for each soil type. Soil use was obtained from the supervised classification of a LADNSAT ETM+ image validated through field observation. The 32 parameters, which are distinctive within each subset of soil use, were obtained from the database included in the SWAT model. There was dominance of entisols and the presence of large grasslands and dry forest. Keywords: Land type, land use, SWAT

Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________

146

3.3.1 Introducción

La cuenca binacional Catamayo Chira se encuentra ubicada en la zona fronteriza

ecuatoriano-peruana y se constituye en la principal fuente de abastecimiento de agua

con fines agrícolas y consumo humano en la región. La cuenca se ha visto afectada por

un notable proceso de erosión originado por la combinación de pendientes

considerables, suelos altamente erosionables y usos inadecuados del suelo que ha

ocasionado que más del 20% de la cuenca se encuentre en un claro proceso de erosión

(Consorcio ATA – UNP – UNL 2003, p. 55-57), lo que afecta considerablemente a la

vida útil de los proyectos de riego y abastecimiento en la zona, con la consecuente

afectación a las extensas áreas agrícolas que se encuentran en la parte baja de la cuenca.

La erosión y el transporte de sedimentos están en función de la escorrentía, la

morfología de las cuenca, su tectónica, litología, así como de las actividades humanas y

el clima (Boul et al., 2003, citado por Randhir y Hawes, 2009). La adecuada


sedimentación. Cuando se desea evaluar el impacto que diversas alternativas de

ordenamiento territorial y prácticas de manejo, tienen en la producción de agua y

sedimentos en una cuenca hidrográfica, un modelo hidrológico puede ser una

herramienta de trascendental importancia para el efecto, especialmente por su capacidad

de simulación de escenarios de diferente naturaleza.

En la búsqueda de posibles soluciones a la problemática de la cuenca Catamayo Chira,

se desea implementar el Soil and Water Assessment Tool (SWAT) (Arnold et al., 1998),

modelo hidrológico semidistribuido continuo de base física, que ha sido ampliamente

aplicado y de manera exitosa en la simulación de caudales y sedimentos en cuencas de

diversos tamaños, en diferentes regiones del planeta y con variadas condiciones

climáticas y topográficas (Rosenberg et al., 1999; Chanasyk et al., 2003; Zhang et al.,

2003, Bouraoui et al., 2005, Ndomba et al. 2008). Su implementación permitirá

estudiar diferentes alternativas de manejo de la cuenca tendientes a reducir la

producción de sedimentos sin afectar la disponibilidad de los recursos hídricos en la

cuenca.


147

El modelo SWAT requiere de información detallada del uso y tipo de suelo de la cuenca

en estudio a fin de obtener los parámetros requeridos para el modelamiento de procesos

naturales como la infiltración, flujo subsuperficial, evapotranspiración, producción de

sedimentos, etc.

3.3.1.1 Objetivo

En el presente trabajo se pretende caracterizar el uso y tipo de suelo de la cuenca

binacional Catamayo-Chira mediante la obtención de parámetros que faciliten la

implementación del modelo SWAT en la cuenca. Para el efecto se describe en primera

instancia la zona de estudio, para luego detallar los trabajos realizados en campo y

laboratorio para obtener los parámetros de caracterización. Finalmente se centra en el

análisis y discusión de los resultados obtenidos.

3.3.2 Metodología


La cuenca Binacional Catamayo-Chira se extiende entre las coordenadas 3º 30´ a 5º 8´


occidental entre Ecuador y Perú con una extensión de 17 199.19 km2, en la que habita

una población de 817 968 habitantes. La cuenca nace en las cumbres de la divisoria

continental de aguas (Ecuador) y desemboca en el Océano Pacifico (Perú), atravesando

escenarios montañosos y costaneros, con climas tropicales, ecosistemas, usos y sistemas

administrativos; que determinan características territoriales naturales y antrópicas muy

diversas. La geografía de la cuenca es abrupta con rangos de altitud que oscilan entre los

3.700 y 0 metros sobre el nivel del mar. En este escenario se presentan once zonas de

vida, que van desde el desierto tropical (d-T) hasta el bosque pluvial montano (bp-M).

La precipitación media anual es del orden de los 800 mm variando entre 10 mm en la

zona baja, hasta 1000 mm en su cabecera.


148

Figura 3.3.1. Ubicación de la cuenca binacional Catamayo-Chira

La cuenca binacional Catamayo-Chira es la principal fuente de dotación de agua de la

región norte del Perú y del sur de Ecuador, de ésta se abastece entre otros el reservorio

Poechos (1000 millones de m3 de capacidad inicial) el que por el efecto combinado de

varios fenómenos ENSO y el deterioro de la cuenca alta ha visto reducida su vida útil

hasta en un 50%.

En el presente trabajo se considera como zona de estudio a la cuenca Catamayo Chira

limitada hasta la entrada del reservorio Poechos (A = 11 910.74 Km2). La ubicación de

la zona de estudio se puede observar en la figura 3.3.1.

3.3.2.2 Tipo de suelo


149

La Unidad de Gestión de la Cuenca Binacional Catamayo Chira, elaboró en 2002 un

mapa de tipo de suelo de la cuenca, en el que se recopilaba información secundaria

publicada desde los años la década de 1980 por instituciones como PRONAREG-

ORSTROM en Ecuador e INRENA en el Perú, entre otras. Dicho mapa fue validado,

complementado y adaptado a las necesidades de información requerida por el modelo

SWAT, mediante un estudio edafológico realizado por el proyecto TWINLATIN de la

Unión Europea (Valarezo, 2007). En esta parte nos limitaremos a hacer referencia a

ciertos detalles relevantes incluidos en la memoria técnica del mencionado estudio.

Según Valarezo (2007), la validación se realizó mediante perforaciones en cada una de

las unidades edafológicas identificadas en el mapa inicial, recabándose información que

permita su clasificación taxonómica y la determinación de los parámetros requeridos

por el modelo. Se realizaron calicatas hasta una profundidad de 2 m para verificar las

características de los suelos y generar información edafológica a nivel de gran grupo de

las unidades mapeadas, mediante la descripción detallada de cada horizonte según

lineamientos de la FAO (1975).

En cada uno de los horizontes descritos se tomaron muestras inalteradas mediante un

cilindro Kopecky de 100 cm3 en las que se realizaron análisis físico químicos en

laboratorio. Ensayos de infiltración in situ empleando un infiltrómetro de doble anillo

fueron llevados a cabo en cada horizonte descrito. Complementariamente se tomaron

datos generales del paisaje, vegetación, pendiente, pedregosidad externa, material

parental del que está formado el suelo, erosión, profundidad efectiva, espesor de cada

horizonte, profundidad de la zona radicular en cada perfil, tipo de estructura en cada

horizonte, color en seco y húmedo de cada horizonte.

Con la información recabada se determinaron los 7 parámetros globales y 12 parámetros

a nivel de horizonte que requiere el modelo para cada tipo de suelo presente en la zona

de estudio, parámetros que incluyen el número de capas, la profundidad máxima de las

raíces, conductividad hidráulica saturada, densidad, grupo hidrológico, erodabilidad,

granulometría, etc.

3.3.2.3 Ocupación del suelo


150

El modelo SWAT requiere de información detallada de la ocupación del suelo para su

implementación. Por otra parte, si se desea estudiar el efecto del cambio de la ocupación

del suelo en la hidrología de la cuenca, es necesario contar con información de la

ocupación del suelo en instantes diferentes. Dicha información no es del todo

disponible para la zona de estudio, por lo que es necesario elaborar los mapas de

ocupación del suelo mediante la clasificación de imágenes satelitales de diferentes

fechas. En el presente estudio se utilizaron tres imágenes satelitales de los años 1986,

1996 y 2001. En medida de lo posible, se emplearon imágenes correspondientes a la

temporada seca en la zona de estudio con la finalidad de que exista la menor cobertura

nubosa. Detalles de las imágenes empleadas se incluyen en la tabla 3.3.1.

Tabla 3.3.1 Imágenes utilizadas

Imagen Adquisición Path/Row Fuente

Landsat5 TM 02/11/1986 010/063 Servidor gratuito de la Universidad de Maryland: http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp

Landsat5 TM 24/07/1996 010/063 Servidor gratuito de la Universidad de Maryland: http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp

Landsat7 ETM+ 02/10/2001 010/063 Servidor gratuito de la Universidad de Maryland: http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp

3.3.2.3.1 Selección de escala y leyenda

Considerando que las imágenes empleadas en el estudio son provenientes del sensor

LANDSAT, se seleccionó una escala de trabajo acorde a las mismas, adoptándose una

escala 1:100 000, la que es recomendada por Chuvieco (2002, p.163), para imágenes de

este tipo.

Según el Consorcio ATA – UNP – UNL (2003ª), la cobertura del bosque seco (en

diferentes modalidades), predomina en la Cuenca Catamayo – Chira con el 40,62 % del

área total (17 199.19 km2), luego las áreas cubiertas con pasto significan el 29,17 %,

después la vegetación arbustiva (en muchos casos combinación de arbustos y bosque

natural) en el área total representa un 13,51 % y finalmente las áreas cubiertas por

cultivos de la cuenca representan el 10,33%. El páramo andino ocupa el 1,50%; y las

superficies dedicadas a otras ocupaciones (áreas erosionadas, arena, urbano, agua

natural e islas) ocupan el 4,88 %.


151

Agrupando los porcentajes significativos de las coberturas (cultivos y pastizales)

tenemos que el 39.5% tienen dedicación agropecuaria; y si sumamos las coberturas de

bosques y vegetación arbustiva tendríamos que el 54.12% corresponde a ocupación

boscosa.

En la figura 3.3.2. se puede apreciar la ocupación del suelo en la parte de la cuenca

Catamayo Chira correspondiente a nuestra área de estudio (11 910.74 Km2), este mapa

fue elaborado por el Consorcio ATA – UNP – UNL (2003), en base a información

existente y empleando en su actualización una imagen Landsat de 2000 y realizando su

validación en campo.

Figura 3.3.2. Ocupación del suelo de la cuenca binacional Catamayo-Chira, adaptado de Consorcio ATA – UNP – UNL (2003)

Si se considera que los páramos se encuentran en zonas que son protegidas y a

elevaciones considerables que limitan la intervención del hombre, puede asumirse que

estas permanecerán estables en el tiempo. De igual forma, la categoría de agua natural


152

se refiere a los sistemas de lagunas que se encuentran en las zonas de páramo, las que

por las razones mencionadas se consideran también estáticas en el tiempo. Por otra

parte, los centros urbanos existentes en la cuenca en la cuenca no presentan mayor

dinamismo y casi no presentan cambios en las fechas consideradas. Finalmente el área

que ocupan las zonas erosionadas e islas, son relativamente reducidas si se considera el

área de trabajo. Por este motivo, para el estudio del cambio de ocupación del suelo se

consideran solamente cuatro categorías principales:

• Vegetación Arbustiva: que comprende el bosque natural que se encuentra

ubicado en las zonas altas de la cuenca y que se desarrolla en condiciones de

humedad; y la vegetación arbustiva propiamente dicha, que es producto de la

regeneración natural y que se encuentran en la zona de transición entre el bosque

natural y los pastizales. Se ha denominado a esta categoría como Vegetación

arbustiva ya que las áreas de bosque natural son notablemente menores que las

ocupadas por arbustos.

Figura 3.3.3. Vegetación arbustiva

• Bosque seco: Comprende a aquel tipo de vegetación que se encuentra

estacionalmente seca, perdiendo incluso su follaje en verano, pero que en

temporada lluviosa, recupera su verdor y alcanza la exuberancia del bosque

tropical. En el bosque seco se encuentran árboles caducifolios y muchas plantas

epifitas, así como árboles característicos de la zona que se encuentran


153

normalmente dispersos como el zapote, faique y algarrobo. El bosque seco

ecuatorial es un bioma único en el mundo, con muchas especies endémicas,

ubicado exclusivamente en el sur de Ecuador y en el norte del Perú.

En temporada seca En temporada lluviosa

Figura 3.3.4. Bosque seco http://www.acguanacaste.ac.cr/bosque_seco_virtual/introduccion.html

• Pastizales: Incluyen todas las coberturas de pasto natural y plantado, utilizado

en tareas agropecuarias.

Figura 3.3.5. Pastizal


154

• Cultivos: en esta categoría se agrupan los cultivos de tipo anual, perennes,

temporales y arboricultura. En la cuenca se destacan los cultivos de caña de

azúcar, maíz y arroz.

Figura 3.3.6. Cultivos

3.3.2.3.2 Procesamiento de imágenes

Las tres imágenes fueron corregidas geométricamente mediante puntos de control

tomados en lugares fácilmente identificables en la imagen y en el campo, ubicándose

preferentemente en los cauces de los ríos, e intersecciones fluviales, apoyándose en

mapas de carreteras en formato vectorial. Este procedimiento asegura que no exista

desplazamiento de un mismo pixel en las tres imágenes. La corrección geométrica se

realizó aplicando funciones de segundo y tercer grado mediante el módulo Orthoengine

de PCI Geomatica 9.1.

La corrección topográfica de las tres imágenes fue realizada aplicando el método de

Civco (1989, citado por Chuvieco, 2002, p. 275), modelando las condiciones de

iluminación presentes en el momento de adquisición de la imagen, empleando para ello

un DEM SRTM e información extraída del header de cada imagen. Las correcciones

topográficas se validaron mediante un análisis de correlación entre la imagen de

iluminación derivada del DEM y las bandas de la imagen antes y después de la


155

corrección, entendiéndose que luego de la corrección topográfica, la correlación debería

disminuir, lo que indicaría que una reducción de parte del efecto topográfico en la señal

(Chuvieco, 2002, p. 278)

La transformación a reflectividad fue llevada a cabo aplicando el método de Chavez

(1986, citado por Chuvieco 2002, p. 272), aplicado mediante la función easy modelling

de PCI Geomatica 9.1

Para la clasificación se extrajeron zonas de entrenamiento para las siete coberturas

predominantes en la cuenca Catamayo Chira: bosque natural, arbustos, bosque seco,

pastizal, arroz, caña y maíz, considerando todas las bandas de la imagen excepto las

bandas térmicas. La selección de los sitios de entrenamiento se realizó empleando

observaciones directas en campo que fueron georeferenciadas mediante GPS.

Aplicando el método del ángulo espectral (Richards y Jia, 2006, p. 368; Chuvieco,

2002, p. 353), se procedió a clasificar de forma supervisada la imagen, empleando

ENVI 4.2, considerando las firmas espectrales correspondientes a los sitios de

entrenamiento previamente seleccionados. Las imágenes clasificadas fueron sometidas a

un filtro de moda con la finalidad de eliminar el efecto de “sal y pimienta”.

Las tres imágenes disponibles presentaban un cierto porcentaje de cobertura de nubes,

por lo que se procedió a crear una máscara inicial para cada una de las imágenes

empleando el algoritmo de discriminación de Saunders y Kriebel (1988, citado por

Chuvieco, 2002, p. 289). Se obtuvo una máscara final mediante la integración de las

iniciales. La máscara resultante fue aplicada a las tres imágenes por igual. La máscara

se creó mediante el módulo easy modelling de PCI Geomática 9.1

Finalmente se realizó una reclasificación de las imágenes mediante Idrisi Andes

agrupando las categorías de bosque natural y arbusto como vegetación arbustiva; los

cultivos de caña, maíz y arroz, como cutivos; y manteniendo las categorías de bosque

seco y pastizal. Cabe mencionar que la cobertura de páramo y las nubes se agruparon

en una categoría denominada no data que se considera como no dinámica en el tiempo.


156

3.3.2.3.3 Validación

Para la validación de las clasificaciones obtenidas se empleó el mapa de ocupación del

suelo elaborado por el Consorcio ATA – UNP – UNL (2003) y la clasificación obtenida

de la imagen de 2001. Se calculó el coeficiente de correlación entre las dos

clasificaciones, el índice Kappa (Pontius et al. 2001, Chuvieco, 2002, p. 497) y la matriz

de confusión que permitirá observar los conflictos entre las categorías de ambas

clasificaciones. De la matriz de confusión de calculó la fiabilidad global de la

clasificación como la relación entre el número de píxeles correctamente asignados y el

número total de píxeles de la imagen (Chuvieco, 2002, p. 492).

Adicionalmente, considerando que en el informe de elaboración del mapa de ocupación

del suelo del Consorcio ATA – UNP – UNL, solo se describe de forma resumida la

metodología de la elaboración y validación del mapa, sin reportar los niveles de

precisión del mapa publicado, se optó por realizar una validación adicional en la que se

emplearon 100 observaciones tomadas en campo y georeferenciadas mediante GPS; y

se determinó el número de observaciones en campo que coinciden con la clasificación

realizada, expresándose luego el resultado en porcentaje.

3.3.2.3.4 Asignación de parámetros

El modelo SWAT requiere 32 parámetros de caracterización de cada uno de los usos de

suelo presentes en la zona de estudio, los que incluyen entre otros:

• Relación biomasa/energía,

• Índice de cosecha,

• Índice de área foliar,

• Curva de desarrollo óptimo,

• Fracción de la temporada de cosecha en la que el área foliar empieza a declinar,

• Fracción de fósforo y nitrógeno en la semilla,

• Fracción de fósforo y nitrógeno en distintas etapas de desarrollo,

• Rugosidad de Manning,

• Coeficiente de cultivo de la USLE,


157

Los parámetros que en este punto requiere el modelo SWAT no pudieron ser

determinados para cada cultivo en particular, ya que no existen en Latinoamérica

estudios de las características de la vegetación con el detalle requerido por el modelo.

Ante este hecho se procedió a obtener dichos valores de la base de datos que con

características y parámetros de diversas ocupaciones del suelo se encuentra disponible

en el modelo; para lo cual, se relacionó las coberturas existentes en la zona de estudio,

cartografiadas previamente, con las coberturas incluidas en la base de datos del SWAT

que presentaban similares características y comportamiento.


3.3.3.1 Tipo de suelo

El área correspondiente a cada uno de los tipos de suelo considerados se resume en la

tabla 3.3.2 y su distribución espacial se presenta en la figura 3.3.7. En estas se puede

apreciar un predominio de los entisoles (64.17%), seguido de los inceptisoles (16.45%),

las combinaciones inceptisoles- alfisoles (13.07%) y alfisoles (6.32%)

Los entisoles presentaron espesores totales del perfil que oscilaron entre los 50 mm y

los 1400 mm, con un espesor que en promedio alcanzó los 673.33 mm. Estos suelos

presentan 1, 2 o 3 horizontes. La conductividad hidráulica saturada osciló entre 0.8 y

613 mm/h en el horizonte superficial en el que predominaron las texturas de tipo franco

y franco arenosa. En el segundo horizonte la conductividad hidráulica varió entre 2.8 y

42.3 mm/h observándose texturas franco arenosa, franco arcillosa y franco limosa. En

el tercer horizonte las conductividades hidráulicas fluctuaron entre 2.1 y 141. 1 mm/h

con textura arenosa. Los valores de conductividad permitieron identificar entisoles en

los 4 grupos hidrológicos de suelo. La erodabilidad del horizonte superficial presentó

valores que varían entre 0.0100 y 0.0260 Tn m2 hr/(m3 Tn cm), en el horizonte

intermedio entre 0.0124 y 0.0300 Tn m2 hr/(m3 Tn cm) y en el horizonte más profundo

entre 0.0110 y 0.0240 Tn m2 hr/(m3 Tn cm).

Los inceptisoles presentaron tres horizontes con una profundidad que varía entre 700 y

1200 mm. Su conductividad hidráulica fluctúa entre 13.6 y 91.0 mm/h, con texturas de


158

tipo franco y franco arcillosa. En el segundo horizonte la conductividad hidráulica

fluctúa entre 2.0 y 47.7 mm/h con texturas franco arenosa y franco arcillosa y en el

tercer horizonte entre 7.6 y 38.5 mm/h con texturas franco limosa. Los inceptisoles se

clasificaron en los grupos hidrológicos de suelo A, B y C. La erodabilidad del horizonte

superficial varía entre 0.0123 y 0.0255 Tn m2 hr/(m3 Tn cm). La de la capa intermedia

fluctúa entre 0.0159 y 0.0217 Tn m2 hr/(m3 Tn cm) y el horizonte más profundo entre

0.0200 y 0.0259 Tn m2 hr/(m3 Tn cm).

Tabla 3.3.2 Tipos de suelo presentes en la cuenca binacional Catamayo Chira

Tipo de suelo Área [ha] Área [%] Alfisoles 75406.23 6.3Entisoles 765485.69 64.2Inceptisol-alfisol 155891.87 13.1Inceptisoles 196210.86 16.4

En la combinación inceptisoles- alfisoles se observó profundidades totales entre 900 y

1200 mm. Presentando 3 y 4 horizontes. La conductividad hidráulica de la capa

superficial fluctúa entre 22.0 y 376 mm/h con una textura del tipo franco y franco

arenosa. En el segundo horizonte la conductividad hidráulica fluctúa entre 3.5 y

16.0mm/h, descendiendo a un rango de 2.8 y 8.2 mm en la tercera, en ambas

presentando texturas del tipo franco y franco arenosa. Finalmente la conductividad

hidráulica decrece a 0.11 mm/h en el cuarto horizonte con una textura del tipo franco.

Los suelos de combinación inceptisoles- alfisoles se clasificaron dentro de los grupos

hidrológicos de suelo como A o C según el caso. La erodabilidad de los suelo varía

entre 0.0100 y 0.0132 Tn m2 hr/(m3 Tn cm) en el primer horizonte, entre 0.0117 y

0.0136 Tn m2 hr/(m3 Tn cm) en el segundo, entre 0.0131 y 0.0114 Tn m2 hr/(m3 Tn cm)

en el tercer horizonte, alcanzando un valor de 0.0125 Tn m2 hr/(m3 Tn cm) en el cuarto.

Los alfisoles presentan espesores entre 600 y 1000 mm, presentando 2 o 3 horizontes.

La conductividad hidráulica de la capa superficial oscila entre 3.2 y 7.3 mm/h con una

textura franco arcillosa. En el segundo horizonte la conductividad hidráulica varía entre

2.8 y 16.0 con textura franco limosa, en el tercer horizonte la conductividad hidráulica

alcanza un valor de 46.0 mm/h y una con una textura franca. La erodabilidad del

horizonte superficial es de 0.0140 Tn m2 hr/(m3 Tn cm). El segundo horizonte presenta


159

valores entre 0.0130 y 0.0230 Tn m2 hr/(m3 Tn cm), alcanzando en el tercer horizonte

un valor de erodabilidad de 0.0200 Tn m2 hr/(m3 Tn cm).

Figura 3.3.7. Distribución espacial de tipos de suelo según su clasificación

taxonómica (Adaptado de Valarezo, 2007)

3.3.3.2 Ocupación del suelo

En la figura 3.3.8 se puede observar una porción de la imagen LANDSAT del 2 de

noviembre de 1986 antes y después de realizar la corrección topográfica, en dicha

imagen puede observarse como la corrección propuesta por Civco disminuye el efecto

topográfico, reduciendo en gran medida la variabilidad espectral de una misma

ocupación del suelo, que se encuentra en laderas sometidas a diferente iluminación

solar. En la tabla 3.3.3 se observa como el coeficiente de correlación entre cada una de

las bandas de las imágenes consideradas y la imagen de iluminación derivada del DEM

SRTM, disminuye en forma considerable, siendo esto un indicativo que se ha eliminado

el efecto del relieve sobre la imagen de una manera significativa.


160

Antes de la corrección topográfica Después de la corrección topográfica

Figura 3.3.8. Fragmento de la imagen LANDSAT del 2 de noviembre de 1986 antes y después de la corrección topográfica

La figura 3.3.9 presenta el resultado de la clasificación supervisada de las imágenes

correspondientes a 1986, 1996 y 2001. En ella se puede observar la persistencia de las

ocupaciones estudiadas, pudiendo apreciarse una considerable similitud con el mapa de

ocupación del suelo de la figura 3.3.2, siendo notables las diferencias en lo que a

cultivos se refiere, ya que en el mapa de la figura 3.3.2 se encuentra claramente definida

la zona de cultivos de la porción noroeste de la cuenca, a diferencia de las

clasificaciones obtenidas, en las que en dicha parte se observa una combinación de

cultivos y bosque seco. Por otra parte, las zonas de cultivos se ubican en la mayoría de

los casos en zonas adyacentes a los cauces de los ríos, ocupando áreas relativamente

pequeñas si se las compara con el pastizal y el bosque seco, este hecho de cierta manera

dificulta su clara identificación.

La tabla 3.3.4 presenta la matriz de confusión calculada con la clasificación obtenida de

la imagen Landasat de 2001 (figura 3.3.9) y el mapa de ocupación del suelo elaborado

por el Consorcio ATA – UNP – UNL (figura 3.3.2). Se puede apreciar que existe una

gran cantidad de pixeles clasificados acertadamente (878 202 pixeles), siendo notable

que las mayores confusiones se presentan en el caso de la vegetación arbustiva que ha

sido clasificada como bosque seco (21 486 pixeles) y como pastizal (46 615 pixeles); el


161

pastizal que ha sido confundido con vegetación arbustiva (42 995 pixeles) y bosque

seco (42 638 pixeles) y los cultivos que han sido clasificados como bosque seco (36 675

pixeles), cabe resaltar que el número de errores en la clasificación de los cultivos es

mayor que el número de pixeles en los que la clasificación fue exitosa.

1986 1996

2001

Figura 3.3.9. Ocupación del suelo extraída de las imágenes de 1986, 1996 y 2001 mediante clasificación supervisada


162

Tabla 3.3.3. Coeficiente de correlación entre la imagen de iluminación y cada una de las bandas de las imágenes consideradas en el estudio, antes y después de realizar la corrección topográfica

Bandas 1986 1996 2001 1 0.31 0.37 0.35 2 0.36 0.41 0.41 3 0.36 0.42 0.38 4 0.37 0.39 0.40 5 0.39 0.48 0.39

Sin la corrección topográfica

7 0.27 0.38 0.28 1 0.13 0.18 0.19 2 0.14 0.21 0.17 3 0.16 0.19 0.22 4 0.10 0.17 0.16 5 0.17 0.23 0.21

Con la corrección topográfica

7 0.09 0.18 0.10

En la tabla 3.3.4 se observa que los errores de comisión no sobrepasan el 35%,

presentándose los mayores valores en el caso del bosque seco (33.5%) y de la

vegetación arbustiva (28.6%). Lo errores de omisión sobrepasaron el 60% en el caso de

los cultivos y alcanzaron el 32.9% en el caso de la vegetación arbustiva.

Las confusiones entre cultivos y bosque seco, pueden atribuirse al hecho de que en el

mapa de referencia se encuentra totalmente definida una ocupación agrícola del suelo en

la porción noroeste de la cuenca, cuando en campo fue posible comprobar la existencia

de amplias zonas agrícolas combinadas con pastizales y bosque seco. Las confusiones

entre pastizal y bosque seco, posiblemente se deban al hecho de que la imagen de 2001

fue tomada el 2 de octubre de dicho año y es en este mes en el que en varios sectores de

la cuenca inicia el período de lluvias, iniciándose consecuentemente, el reverdecimiento

del bosque seco, lo que produciría una respuesta espectral de cierta manera similar a la

del pastizal.

Los mayores errores de clasificación se presentan en el caso de los cultivos, pudiendo

atribuirse este hecho a la reducida área que estos ocupan que en muchos casos hubiese

requerido una escala más detallada de trabajo. Por otra parte en el mapa del Consorcio


163

ATA-UNP-UNL, se asigna un uso fijo a la ocupación de cultivos, pero en la realidad

dichas zonas no presentan cultivos permanentemente ya que en ocasiones son

abandonadas por ciertos períodos de tiempo, sujetas a rotaciones agrícolas, empleadas

en otros usos como la ganadería, etc.

Tabla 3.3.4. Matriz de confusión entre la clasificación obtenida de la imagen Landasat de 2001 y el mapa de ocupación del suelo elaborado por el Consorcio ATA – UNP – UNL (2003). Los números hacen referencia a las ocupaciones de suelo estudiadas: 1 vegetación arbustiva, 2 bosque seco, 3 pastizales y 4 cultivos. Referencia

1 2 3 4 Total

Exactitud Usuario

(%)

Error comisión

(%)

1 146 658 11 038 42 995 4 619 205 310 71.4 28.6

2 21 486 199 866 42 638 36 675 300 665 66.5 33.5

3 46 615 14 217 494 544 19 772 575 148 86.0 14.0

Cla

sific

ació

n

4 3 894 2 117 3 818 37 134 46 963 79.1 20.9 Total 218 653 227 238 583 995 98 200 1 081 123

Exactitud productor (%) 67.1 88.0 84.7 37.8

Error por omisión (%) 32.9 12.0 15.3 62.2

En la tabla 3.3.5 se presenta el índica Kappa calculado para cada una de las ocupaciones

del suelo en forma individual, siendo notorio que los cultivos son los que presentan el

resultado más deficiente alcanzando un valor de 0.3676, que viene a confirmar lo ya

observado y señalado en párrafos anteriores, las ocupaciones de bosque seco y pastizal

presentan resultados satisfactorios.

Tabla 3.3.5. Índice Kappa calculado para cada una de las ocupaciones de suelo.

Cobertura Kappa Vegetación Arbustiva 0.6441Bosque seco 0.8651Pastizal 0.8074Cultivos 0.3676


164

En la tabla 3.3.6 se resumen los resultados generales del análisis comparativo entre la

clasificación obtenida de la imagen de 2001 y el mapa de ocupación del suelo elaborado

por el Consorcio ATA-UNP-UNL. En dicha tabla se puede observar que la fiabilidad

total de la clasificación alcanza un valor aceptable de casi el 78 %, ratificado de cierta

manera por el índice Kappa global que presenta un valor de 0.847 y un coeficiente de

correlación del 0.929. Estos valores hacen pensar que la clasificación obtenida alcanza

un nivel aceptable de precisión.

Tabla 3.3.6. Fiabilidad global, índice Kappa y coeficiente de correlación de la clasificación de la imagen de 2001 comparada con el mapa de ocupación del suelo elaborado por el Consorcio ATA – UNP – UNL (2003)

Fiabilidad global 77.85Kappa global 0.847R 0.929

Finalmente la comparación de 100 observaciones realizadas en campo y

georeferenciadas con GPS, con los correspondientes valores temáticos extraídos de la

clasificación de la imagen de 2001, alcanzó un nivel de correspondencia del 92.4%,

presentando mayores errores en zonas de cultivo y algunas en zonas de vegetación

arbustiva, en ambos casos, las ocupaciones fueron confundidas con pastizal. Los

resultados de la validación directa se consideran satisfactorios, por lo que se acepta la

clasificación obtenida.

3.3.4 Conclusiones

3.3.4.1 Tipo edafológico de suelo

Se evidencia un predominio de entisoles con perfiles de poca profundidad, con texturas

de tipo franco y bajo potencial de erodabilidad. Los inceptisoles, las combinaciones

inceptisoles- alfisoles y alfisoles completan las clasificaciones edafológicas de suelos

presentes en la cuenca.


165

Los suelos en la cuenca Catamayo Chira poseen profundidades medias. Los entisoles

presentaron espesores totales del perfil que oscilaron entre los 50 mm y los 1400 mm y

se pudo distinguir 1, 2 o 3 horizontes. Los inceptisoles estaban compuestos por tres

horizontes con una profundidad que varía entre 700 y 1200 mm. La combinación

inceptisoles-alfisoles alcanzó profundidades totales entre 900 y 1200 mm., presentando

3 o 4 horizontes. En los alfisoles se midieron espesores totales entre 600 y 1000 mm,

presentando 2 o 3 horizontes. La conductividad hidráulica saturada de cada horizonte,

de los suelos existentes en la cuenca, disminuía con la profundidad a la que se

encontraba el horizonte.

3.3.4.2. Ocupación del suelo

El método de Civco fue eficiente en la corrección del efecto del relieve sobre la

respuesta espectral de las diferentes ocupaciones del suelo en la zona de estudio.

Al comparar la clasificación supervisada mediante el método del mínimo ángulo

espectral, con un mapa de ocupación de suelos preexistente, se obtuvo un coeficiente de

correlación de 0.929 y un índice Kappa de 0.847, con una fiabilidad global de la

clasificación del 77.85%. Por su parte al validar la clasificación con observaciones de

campo, se obtuvo un nivel de correspondencia del 92.4%. Estos valores permiten

concluir que el método de clasificación basado en el mínimo ángulo espectral

proporcionó resultados aceptables en la discriminación de las ocupaciones de suelo en la

zona de estudio y permitió obtener tres mapas de ocupación del suelo en fechas

diferentes que facilitarán el estudio de su dinámica.

Los mayores errores de clasificación se presentan en el caso de los cultivos,

atribuyéndose este hecho a la reducida área que estos ocupan, en muchos casos se

hubiese requerido una escala de trabajo más detallada para su correcta identificación;

por otra parte en pocos lugares se encuentran ocupaciones exclusivas de cultivos, en la

mayoría de los casos se presentan combinaciones con áreas de pastizal o vegetación

arbustiva.


166

Se produjeron confusiones en el caso de la vegetación arbustiva que ha sido clasificada

como bosque seco y como pastizal; y el pastizal que ha sido confundido con vegetación

arbustiva y bosque seco. Estos errores de clasificación se atribuyen a la fecha de

adquisición de la imagen a clasificarse que coincidió con el inicio de la temporada

lluviosa que produce el reverdecimiento del bosque seco, lo que produce que la

respuesta espectral de las tres coberturas sea similar.

En lo que a superficies de ocupación se refiere, el bosque seco es la ocupación

predominante en la cuenca Catamayo Chira, seguida de las áreas cubiertas con pasto,

vegetación arbustiva (en muchos casos combinación de arbustos y bosque natural) y

cultivos. Agrupando los porcentajes significativos de las coberturas cultivos y pastizal

tenemos que el 39.5% del área de la cuenca tienen dedicación agropecuaria; y si

sumamos las coberturas de bosques y vegetación arbustiva tendríamos que el 54.12%

del área de la cuenca corresponde a ocupación boscosa.

3.3.5 Referencias Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large area hydrologic modeling and assessment part I: model development. Journal of American Water Resources Association. 34 (1), 73–89. Bouraoui, F., Benabdallah, S., Jrad, A., Bidoglio, G. (2005). Application of the SWAT model on the Medjerda river basin (Tunisia). Physics and Chemistry of the Earth. 30, 497–507. Chanasyk D.S., Mapfumo E., Willms W., 2003. Quantification and simulation of surface runoff from Fescue Grassland Watersheds. Agricultural Water Management. 59(2), 137-153. Chuvieco, E., 2002. Teledetección ambiental: La observación de la Tierra desde el espacio. Editorial Ariel. Barcelona, España. 586 p. Consorcio ATA – UNP – UNL, 2003. Caracterización territorial y documentación básica en el ámbito de la cuenca binacional Catamayo-Chira. Volumen III Estudios Básicos, Tomo 3.6 Estudio de Suelos. Loja – Piura. Consorcio ATA – UNP – UNL, 2003a. Caracterización territorial y documentación básica en el ámbito de la cuenca binacional Catamayo-Chira. Volumen IV Estudio de Zonificación Agroecológica. Loja – Piura. FAO, 1975. Guía para la descripción de perfiles de suelos. Dirección de fomento de tierras y aguas. Roma


167

Ndomba, P., Mtalo, F., Killingtveit, A., 2008. SWAT model application in a data scarce tropical complex catchment in Tanzania. Physics and Chemistry of the Earth. 33, 626–632. Pontius, R., Cornell, J. y Hall, C., 2001. Modeling the spatial pattern of land-use change with GEOMOD2: application and validation in Costa Rica. Agriculture, Ecosystems and Environment. 85, 191-203. Randhir, T. O., Hawes, A. G., 2009. Watershed land use and aquatic ecosystem response: Ecohydrologic approach to conservation policy. Journal of Hydrology. 364, 182–199. Richards, J. A., Jia, X., 2006. Remote sensing digital image analysis, 4th edition. Springer, Berlin, Germany. 439 p. Rosenberg, N.J., Epstein, D.L., Wang, D., Vail, L., Srinivasan, R., Arnold, J.G., 1999. Possible impacts of global warming on the hydrology of the Ogallala aquifer region. J. of Climate. 42, 677-692. Valarezo, J. I., 2007. Validación y complementación de los estudios de suelos de la cuenca binacional Catamayo Chira con miras a implementar el modelo SWAT. Proyecto Binacional Catamayo Chira – Proyecto TWINLATIN, Loja, Piura. Zhang, X., Hao, F., Cheng, H., Li, D., 2003. Application of SWAT model in the upstream watershed of the Luohe River. Chinese Geographical Science. 13(4), 334-339.

169

4. GENERACIÓN DE ESCENARIOS Y MODELAMIENTO HIDROLÓGICO

171

4.1 APLICACIÓN DE TÉCNICAS DE SIG Y TELEDETECCIÓN EN LA GENERACIÓN DE ESCENARIOS DE CAMBIO DE OCUPACIÓN DEL SUELO CON FINES DE MODELAMIENTO HIDROLÓGICO

RESUMEN En el presente trabajo se estudia el cambio de ocupación del suelo en una cuenca hidrográfica binacional en Sudamérica y se genera un escenario futuro de ocupación del suelo según las tendencias de evolución observadas. Se realiza un análisis multitemporal del cambio del suelo y se seleccionan variables que puedan explicar las transiciones observadas. Se estudian las relaciones entre los cambios y las variables explicativas para modelar luego, estocásticamente, mapas futuros de ocupación del suelo. La persistencia fue el estado predominante observándose mayores transiciones en las zonas de frontera entre categorías. El mayor poder explicativo lo tuvieron las variables de tipo biofísico notándose un mejor desempeño del modelamiento basado en regresión logística que el realizado con redes neuronales. Palabras clave: Modelo de cambio de ocupación del suelo, escenario hidrológico, LCM ABSTRACT This research studies the change in soil use in a binational hydrographic basin in South America. In addition, a future perspective for soil use is generated according to the trends in the development observed. A multi-temporal analysis of soil change is carried out and variables that can explain the transitions observed are selected. The relations between changes and explicative variables are studied in order to stochastically model future soil use maps. Persistence was found to be the predominant state. Higher transitions were observed in the zones of boundaries between categories. Biophysical variables had the most explicative power with a better performance of the model based on logistic regression than the one made using neural networks. Keywords: Land use change model, hydrological scenario, LCM.

Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________

172

4.1.1 Introducción

Un modelo hidrológico puede definirse como la representación matemática del ciclo del

agua sobre una determinada porción de territorio con la finalidad de realizar

transformaciones lluvia - escorrentía. La implementación de un modelo requiere de una

fase de inicial en la que se introducirán en el cálculo, todos los parámetros necesarios

para la representación matemática de los fenómenos físicos del ciclo del agua,

parámetros que luego de un análisis de sensibilidad, serán calibrados hasta que el

modelo sea capaz de reproducir el registro histórico de caudales. Luego de

implementado el modelo, éste se empleará en el estudio y análisis de diferentes

escenarios de tipo climático, de ocupación del suelo, de implantación de obras, etc.

La generación de escenarios de ocupación del suelo hacia un año horizonte, puede ser

realizada en base al análisis multitemporal de los cambios de ocupación del suelo

ocurridos en el área de estudio y su correlación con determinadas variables que puedan

explicar en algún grado dichos cambios. Los procesos de transición entre coberturas del

suelo son el resultado de interacciones complejas entre factores físicos, biológicos,

económicos, políticos y sociales y en muchos casos tiene influencia en la producción de

procesos erosivos, incrementos de la escorrentía superficial, inundaciones, cambios en

la biodiversidad, etc. (Mas, 1999). La determinación de variables explicativas es de

prioritaria importancia en todo esfuerzo de modelación.

El análisis y modelamiento del cambio del uso del suelo pretende identificar sus causas,

su ubicación y el momento en que ocurrieron, sus aplicaciones son diversas

encontrándose trabajos relativos a la degradación y desertificación (Huete et al., 2003,

Greerken y Ilaiwi, 2004), sequías (Bayarjargal et al, 2006), inundaciones (Liu et al,

2002), crecimiento urbano (Van Vliet et al., 2009), etc.

La detección de cambios en la ocupación del suelo puede realizarse en base a dos

procedimientos: El primero en el que se realiza la asignación de clases a la clasificación

obtenida de imágenes satelitales de diferentes fechas, para luego identificar los cambios.

En el segundo primeramente se obtienen los cambios en base a un análisis simultáneo

de imágenes de diferentes fechas para luego asignar las clases temáticas (Van Oort,


173

2006, Coppin et al., 2004). Cada uno de estos procedimientos presenta diferentes

grados de confiabilidad y precisión según cada caso de aplicación, pero el análisis

realizado según el primer enfoque es el más utilizado en la literatura (Pontius et al,

2004). En todo caso, el método más sencillo y eficaz para la cuantificación de los

cambios es el análisis de una tabulación cruzada de los usos de suelo en dos instantes

distintos (Pontius et al, 2004, Serra et al 2008) determinándose la persistencia, ganancia,

pérdida e intercambios de cada uno de los usos de suelo considerados.

Para modelar los patrones espaciales de los cambios de ocupación del suelo prevalecen

dos aproximaciones: (a) Modelos basados en regresión, y (b) Modelos en base a

transición espacial. Los primeros establecen relaciones entre un amplio rango de

variables explicativas/predictivas y los cambios observados de la ocupación del suelo,

para posteriormente, utilizar dichas variables para estimar la localización de los cambios

futuros sobre el paisaje. La influencia de estos factores locales sobre el cambio de

ocupación del suelo, puede ser modelada como función del decaimiento de la distancia,

donde la influencia decrece con el incremento de ésta (Weng, 2002), o empleando

variables distribuidas espacialmente como el tipo edafológico del suelo, la pendiente,

elevación, etc., en la que su influencia viene dada por su posición geográfica.

Generalmente, en la modelación en base a regresión se han usado aproximaciones

lineales, como la regresión logística (Serra et al, 2008), no lineales, vinculadas a redes

neuronales (Mas, et al, 2004, Pijanowski et al., 2005). Por otro lado, los modelos

basados en transición espacial abarcan, principalmente, las técnicas estocásticas basadas

en el método de Cadenas de Markov y Autómatas Celulares (AC) (Pontius y Malanson,

2005, Van Vliet et al., 2008). Estos modelos asumen explícitamente que las áreas

vecinas influyen en la probabilidad de transición del área o celda central.

Para que los modelos predictivos se transformen en una herramienta útil es necesario

que representen de manera eficaz la magnitud de los cambios, la localización de los

futuros cambios, y; los patrones espaciales de estos cambios (Brown et al., 2002).

4.1.1.1 Objetivo


174

El objetivo del presente trabajo es el de generar un escenario de ocupación del suelo

hacia el año 2012 que refleje las tendencias históricas de cambio en la cuenca binacional

Catamayo-Chira. El efecto que dicho escenario tiene en la producción de agua y

sedimentos en la cuenca se estudiará en un trabajo posterior. Para ello se analizan los

cambios ocurridos en la ocupación del suelo, se estudia el efecto de las posibles

variables explicativas del cambio y se elabora un escenario de ocupación del suelo

mediante dos metodologías distintas. Al inicio del artículo se describe el área de

estudio, para posteriormente detallar los procesos empleados en la detección y

cuantificación del cambio. Se detallan las variables explicativas consideradas y las

metodologías empleadas para modelar el cambio de ocupación del suelo hacia el año

horizonte. Finalmente se centra en el análisis de la relación entre las variables

explicativas, sus transiciones y el análisis de calidad de los resultados obtenidos.

4.1.2 Metodología


La cuenca Binacional Catamayo-Chira se extiende entre las coordenadas 3º 30´ a 5º 8´


occidental entre Ecuador y Perú con una extensión de 17 199.19 km2, en la que habita

una población de 817 968 habitantes. La cuenca nace en las cumbres de la divisoria




diversas. La geografía de la cuenca es abrupta con rangos de altitud que oscilan entre

los 3.700 y 0 metros sobre el nivel del mar. En este escenario se presentan once zonas

de vida, que van desde el desierto tropical (d-T) hasta el bosque pluvial montano (bp-

M). La precipitación media anual es del orden de los 800 mm variando entre 10 mm en

la zona baja, hasta 1000 mm en su cabecera. En términos generales la superficie de la

cuenca se halla cubierta en un 14 % por vegetación arbustiva, 41% por bosque seco,

30% por pastizal, un 10% por cultivos y un 5% por usos varios.


175

Periódicamente la cuenca binacional Catamayo-Chira se ve afectada por la ocurrencia

del ENSO (El Niño Oscilación Sur), fenómeno que en su fase cálida produce un

calentamiento de entre 1 y 4 ºC sobre la temperatura normal del océano ocasionando

excesos de evaporación y consecuentemente lluvias intensas. La fase fría del fenómeno,

conocido como La Niña, produce acumulaciones de agua caliente en el pacífico oeste,

por lo que a lo largo de la costa peruana se producen descensos de la temperatura

normal del océano ocasionándose notables disminuciones de evaporación y

precipitación con consecuentes períodos de sequía.

Figura 4.1.1 Ubicación de la cuenca binacional Catamayo-Chira


176


región norte del Perú y del sur de Ecuador, de ésta se abastece entre otros el reservorio

Poechos (1 000 millones de m3 de capacidad inicial) el que por el efecto combinado de

varios fenómenos ENSO y el deterioro de la cuenca alta ha visto reducida su vida útil

hasta en un 50%.

En este trabajo se considera como zona de estudio la porción de la cuenca binacional

Catamayo Chira que se encuentra aguas arriba de la entrada del reservorio Poechos

abarcando un área de 11 910.74 Km2. La ubicación de la zona de estudio se puede

observar en la figura 4.1.1.

4.1.2.2 Land Change Modeler

Para realizar el estudio del cambio de ocupación del suelo y su modelamiento, se

empleó el Land Change Modeler (LCM) de Idrisi Andes (Eastman, 2006). Éste

software se ha desarrollado para analizar y predecir el cambio de coberturas del suelo y

evaluar las implicaciones que dichos cambios tienen en la biodiversidad. El LCM es

secuencial y genera gráficos y mapas de cambio de uso/ocupación del suelo. Permite

determinar el potencial de transición del uso de la tierra de una categoría a otra

diferente, considerando en el análisis mapas de variables estáticas o dinámicas que

pueden explicar el cambio. Para el pronóstico del cambio del uso/ocupación del suelo,

se incorporan elementos de planificación que pueden incentivar o limitar dicho cambio.

Adicionalmente incluye herramientas para el análisis de impactos del cambio de

ocupación del suelo y la planificación territorial.

4.1.2.3 Generación de mapas históricos de uso/ocupación del suelo

Para estudiar la dinámica de la ocupación del suelo, es necesario contar con mapas que

reflejen el estado de la ocupación del suelo en instantes diferentes. Para elaborar dichos

mapas, se utilizaron tres imágenes de la zona de estudio: Landsat5 TM (02/11/1986),

Landsat5 TM (24/07/1996), Landsat7 ETM+ (02/10/2001), mismas que corresponden a

la temporada seca en la zona de estudio, esto para evitar posibles errores de

clasificación debidas al cambio estacional de la vegetación. Al tratarse de imágenes

Landsat, la escala del presente trabajo es 1:100 000, (Chuvieco 2002, p.163).


177

Cada una de las imágenes fue corregida geométricamente, topográficamente y

transformada a reflectividad. La corrección geométrica se realizó en base a puntos de

control tomados sobre la imagen. Para la corrección topográfica se aplicó el método de

Civco (1989, citado por Chuvieco, 2002, p. 275), utilizando un DEM SRTM e

información extraída del header de la imagen. La transformación a reflectividad fue

llevada a cabo aplicando el método de Chavez (1986, citado por Chuvieco 2002, p.272).

Las imágenes disponibles presentaban un cierto porcentaje de cobertura de nubes, por lo

que se procedió a crear una máscara inicial para cada una de las imágenes empleando el

algoritmo de discriminación de Saunders y Kriebel (1988, citado por Chuvieco, 2002,

p.289). Se obtuvo una máscara final mediante la integración de las iniciales, la misma

que fue aplicada a las tres imágenes por igual. Las zonas cubiertas por la máscara de

nubes se consideraron como no dinámicas en el tiempo durante el estudio.

Para la clasificación se extrajeron zonas de entrenamiento para las siete coberturas

predominantes en la cuenca Catamayo Chira: bosque natural, arbustos, bosque seco,

pastizal, arroz, caña y maíz, considerando todas las bandas de la imagen excepto las

bandas térmicas. La selección de los sitios de entrenamiento se realizó empleando

observaciones directas en campo que fueron georeferenciadas mediante GPS.

Aplicando el método del ángulo espectral (Richards y Jia, 2006, p. 368; Chuvieco,

2002, p. 353), se procedió a clasificar de forma supervisada la imagen, empleando

ENVI 4.2, considerando las firmas espectrales correspondientes a los sitios de

entrenamiento previamente seleccionados. Las imágenes clasificadas fueron sometidas a

un filtro de moda con la finalidad de eliminar el efecto de “sal y pimienta”. La

validación de las categorías se realizó mediante comparación con un mapa de ocupación

del suelo elaborado por Consorcio ATA – UNP – UNL (2003); y por otra parte,

utilizando 100 observaciones tomadas en campo y georeferenciadas mediante GPS;

determinando el número de observaciones que coinciden con la clasificación realizada y

expresando el resultado en porcentaje.

Finalmente se realizó una reclasificación de las imágenes mediante Idrisi Andes



178




Con éste procedimiento se generaron tres mapas de ocupación del suelo para los años

1986, 1996 y 2001. Mayores detalles sobre la generación y validación de los mapas de

ocupación del suelo se pueden encontrar en el apartado 3.3 de la presente tesis.

4.1.2.4 Detección de cambios

Obtenidos los mapas de ocupación del suelo para 1986, 1996 y 2001, se optó por

analizar los cambios ocurridos entre 1986 y 1996 para que de la interacción de dichos

cambios con las posibles variables explicativas obtener un modelo predictivo que sería

validado mediante comparación con el mapa obtenido para 2001.

Los cambios ocurridos, se estudiaron aplicando la metodología propuesta por Pontius et

al. (2004), la que permite determinar la persistencia, ganancia, pérdida e intercambios

entre las categorías temáticas consideradas en cada mapa de ocupación del suelo

mediante el análisis de una tabulación cruzada de ellos.

En la tabulación cruzada, la diagonal principal representa las zonas en las que se

presentó persistencia de la situación inicial; los valores restantes de la matriz, fuera de la

diagonal principal, representan los cambios ocurridos. El total de las columnas presenta

el valor general de cada ocupación del suelo en la fecha inicial y el total de las filas

representa el valor general del uso del suelo en la fecha final. Los cambios netos se

obtienen mediante la diferencia entre los totales de filas menos los totales de columnas

de la tabulación cruzada. Los cambios netos no necesariamente representan todos los

cambios ocurridos ya que podrían producirse compensaciones entre los cambios

ocurridos en dos lugares diferentes. Los cambios totales indican todas las variaciones

desde o hacia una ocupación del suelo. La ganancia de una categoría se determina

restando el total de la fila menos el valor estable que se encuentra en la diagonal

principal de dicha categoría temática. El intercambio equivale al doble del valor

mínimo entre ganancia o pérdida de dicha categoría.


179

Con éste procedimiento se identificaron los cambios ocurridos entre los dos años

analizados (1986, 1996) y cada uno de ellos fue considerado como un submodelo

independiente de transición ya que lo más probable es que cada cambio ocurrido

obedezca a factores particulares, diferentes según el caso y éstos serán modelados

independientemente.

4.1.2.5 Variables explicativas

El cambio de ocupación del suelo es el resultado de la interacción de múltiples factores

que varían en el tiempo y el espacio según específicas condiciones humanas y

medioambientales, en las que los condicionantes biofísicos son tan importantes como

los condicionantes antrópicos (Lambin y Geist, 2003).

Se consideraron seis variables explicativas de orden biofísico:

• La elevación (DEM), que condiciona la presencia de especies vegetales.

• La pendiente del terreno, que en la zona de estudio limita las tareas agrícolas.

• La precipitación total anual que se encuentra relacionada con la ocurrencia de la

vegetación arbustiva.

• La distancia a cursos de agua: La zona de estudio es predominantemente

montañosa y las zonas de cultivo, especialmente de arroz, se encuentran

íntimamente ligada a su vecindad con los cauces de los ríos.

• La distancia a la ubicación inicial de las coberturas: La fragmentación del

bosque natural o su recuperación está relacionada con la vecindad a zonas que

inicialmente presentaron una cobertura boscosa, un hecho similar ocurre con el

pastizal y las zonas agrícolas.

• El tipo de suelo: La ocurrencia o no de determinadas coberturas naturales o

agrícolas está íntimamente relacionada con las características de los suelo. En la

zona de estudio se identificaron alfisoles, aridisoles, entisoles, inceptisoles,

molisoles y vertisoles, con un claro predominio de los entisoles que cubren un

60% del área de estudio, seguido de un 16% de inceptisoles.


180

Como variables explicativas antrópicas se seleccionaron la distancia a vías de

comunicación y la distancia a centros poblados, considerando que la presencia de vías y

la vecindad a ciudades son factores que motivan y facilitan la explotación agrícola y

maderera y puede ser factores que incidan directamente en el cambio de uso o

cobertura.

El potencial explicativo de las variables independientes mencionadas se estimó

calculando el coeficiente V de Cramer, que permite determinar el grado de asociación

entre las variables explicativas y las categorías temáticas del mapa de ocupación del

suelo correspondiente a 1990. Se entiende por asociación, al hecho de que algunos

valores de una variable explicativa predisponen una mayor ocurrencia de unas

categorías temáticas de ocupación del suelo, antes que de otras. Esta predisposición es

mayor cuanto mayor es el grado de asociación. Los valores del coeficiente V de Cramer

varían entre 0 y 1; un valor de 0 implica independencia de los atributos y un valor de 1

denota asociación perfecta. En el presente caso de estudio se considera que valores de

la V de Cramer de alrededor de 0.15 pueden ser útiles y valores de 0.40 o mayores son

buenos (Eastman, 2006).

El cálculo del coeficiente V de Cramer requiere del análisis de una tabla de contingencia

en la que se comparan las variables explicativas, una a la vez, con las categorías

temáticas del mapa de ocupación del suelo en 1990. Las variables cualitativas se

analizan en base a su categorización inicial. Las variables cuantitativas se clasifican en

256 categorías, de manera análoga a la codificación de los niveles digitales de una

imagen en escala de gris. El coeficiente V de Cramer se calcula con la expresión:

mNV

*

2χ= Eq. 4.1.1

En donde N es el número de observaciones de la tabla de contingencia y m es el menor

valor entre el número de filas menos 1 o el número de columnas menos 1.

El coeficiente V de Cramer permite seleccionar de manera preliminar las variables

explicativas que intervendrían en cada uno de los modelos de transición.


181

El estudio del cambio de ocupación del suelo puede realizarse de dos maneras: a).

Mediante la regresión logística entre los cambios observados y las posibles variables

capaces de explicar dichos cambios o b). Mediante redes neuronales de perceptrones

multicapa, que son capaces de modelar el cambio de ocupación del suelo en base a un

aprendizaje de la relación existente entre los cambios y las variables explicativas.

La regresión logística requiere de variables cuantitativas que se relacionen linealmente

con las transiciones observadas, por este motivo es necesario realizar una

transformación de variables que incrementen su grado de correlación. En el caso de

variables cualitativas, es necesario que éstas sean transformadas a variables

cuantitativas que reflejen la probabilidad de ocurrencia de cada transición según su

relación con dicha variable cuantitativa. Las redes neuronales de perceptrones

multicapa en sí, no requieren de transformaciones como las mencionadas, pero se ha

observado que la transformación de variables puede contribuir a reducir el tiempo de

cálculo e incrementa la precisión de los resultados (Eastman, 2006).

Las variables explicativas cuantitativas (las basadas en la distancia; la pendiente, la

elevación o la precipitación total anual) fueron procesadas aplicando una transformación

logarítmica en la que se cambia la variable X mediante la fórmula: Y = log X

(Armitage y Berry, 1997, p. 367), lo que permite estabilizar la varianza de los datos,

ajustándolos más a una distribución de tipo normal, lo que consecuentemente,

contribuye a incrementar el coeficiente de correlación (R2) entre dichas variables y las

transiciones observadas.

Las variables explicativas cualitativas se introducen en el cálculo mediante una

transformación basada en el método de máxima verosimilitud (maximum likelihood)

(Kleinbaum y Klein, 2002, p. 101). En el presente caso, se calcula la probabilidad de

que ocurra un cambio de ocupación del suelo en función de la existencia de un

determinado tipo edafológico de suelo (variable cualitativa); de esta manera, el mapa

categórico del tipo edafológico de suelo se transforma en un mapa continuo de

probabilidad de ocurrencia de una determinada transición de ocupación del suelo, según

el tipo edafológico del suelo, de esta manera se obtiene tantos mapas transformados de

tipo de suelo cuantas transiciones se presenten en la zona de estudio.


182

4.1.2.6 Submodelos de transición

Los modelos de transición establecen relaciones entre las transiciones observadas y sus

posibles variables explicativas. El número de submodelos de transición será igual al

número de transiciones se produzcan en la zona de estudio; siendo posible agrupar

varias transiciones en un solo modelo, cuando se considera que éstas son producto de

las mismas causas. Cada modelo de transición incluye un cierto número de variables

explicativas, las que pueden ser seleccionadas en base a su potencial explicativo,

calculado por el coeficiente V de Cramer, como se detalló en el apartado 4.1.2.5, o

ensayando varias combinaciones de variables explicativas, hasta obtener el ajuste

óptimo entre transiciones y variables explicativas.

Los submodelos de transición pueden calcularse en el Land Change Modeler aplicando

regresión logística o mediante una red neuronal de perceptrones multicapa (MLP),

obteniéndose la probabilidad de ocurrencia de cada transición según las variables

explicativas seleccionadas.

La regresión logística (Kleinbaum y Klein, 2002, p. 4) permite establecer una relación

entre una variable dependiente binaria (transiciones) y las variables explicativas

consideradas, modelando su probabilidad de ocurrencia según éstas. El modelo de

regresión logística tiene la forma:

∑+=⎟⎟⎠

⎞⎜⎜⎝

⎛

− ijjij

ij xp

pLog ββ01

Eq. 4.1.2

En donde xij son j variables explicativas para la región i y βj son los parámetros de la

regresión que deben ser estimados a través de un procedimiento de máxima

verosimilitud.

La relación entre las transiciones observadas y las variables explicativas puede también

ser encontrada mediante redes neuronales de perceptrones multicapa (figura 4.1.2), que


183

están formadas por un conjunto de elementos simple (neuronas o perceptrones)

distribuidos en capas y que están conectadas con la capa o capas intermedias mediante

funciones de activación. Esas funciones se definen a partir de una serie de pesos que se

calculan de modo interactivo en el proceso de aprendizaje de la red. El objetivo de

dicho aprendizaje es estimar unos resultados conocidos (transiciones observadas) a

partir de unos datos de entrada (variables explicativas); para posteriormente, calcular

resultados desconocidos a partir del resto de los datos de entrada. El aprendizaje se

realiza a partir de todas las unidades que forman la red, variando el conjunto de los

pesos en interacciones sucesivas (Chuvieco, 2002, p. 412).

Los pesos de una red neuronal, durante la fase de entrenamiento, se calculan mediante el

algoritmo de back propagation (BP), que selecciona aleatoriamente los pesos iniciales y

luego compara las salidas calculadas con los resultados esperados (transiciones

observadas). La diferencia entre los valores observados y calculados es cuantificada

mediante el error cuadrático medio (RMSE), el mismo que luego es distribuido a todos

los nodos de la red, calculándose nuevamente los pesos de cada nodo. Este proceso es

repetido muchas veces hasta que el error se estabiliza en su nivel más bajo (Pijanowski

et al., 2002).

Figura 4.1.2. Esquema de una red neuronal de perceptrones multicapa

4.1.2.7 Modelamiento del cambio de ocupación del suelo

El modelamiento del cambio de ocupación del suelo hacia un año horizonte se realiza

aplicando cadenas de Markov. Un proceso es markoviano cuando un estado de un

sistema en particular puede ser determinado si se conoce el estado previo a éste y su


184

probabilidad de transición. En el presente caso utilizando el mapa de cobertura de la

fecha final (1996) conjuntamente con la fecha a la que se quiere predecir el cambio de

ocupación del suelo (2001), y la matriz de probabilidad de transición ya calculada, se

determinan las zonas que experimentarán una transición desde la fecha final hasta la

fecha de predicción.

El mapa de ocupación del suelo futuro es modelado mediante un procedimiento de

asignación multiobjetivo de usos de suelo (MOLA) (Bosque y García, 1999; Eastman,

2006). Considerando todas las transiciones y empleando las variables explicativas

seleccionadas; se crea una lista de clases anfitrionas (que perderían alguna porción de

terreno) y una lista de clases demandantes (que ganarían terreno).

Las áreas de pérdida o ganancia se determinan mediante cadenas de Markov; y,

mediante el procedimiento de asignación mutiobjetivo, en el que las variables

explicativas determinan los lugares más adecuados para cada cambio de ocupación, se

asigna terreno de todas las clases anfitrionas a todas las clases demandantes. Los

resultados de cada reasignación de ocupación del suelo son superpuestos para producir

el resultado final (Eastman, 2006).

Con el procedimiento descrito, se generaron dos mapas que pronostican la ocupación

del suelo para el año 2001en base al modelamiento de las relaciones entre los cambios

observados y las variables explicativas, dichas relaciones se modelaron con regresión

logística y con redes neuronales.

4.1.2.8 Validación de los modelos de ocupación del suelo y generación de escenarios

Para la validación se consideró como referencia al mapa extraído de la imagen de 2001

y mediante matrices de confusión de estudió la correspondencia entre el mapa de

referencia y los obtenidos mediante redes neuronales y regresión logística, pudiendo

determinar los errores de pronóstico de las ocupaciones del suelo según cada modelo

planteado, así como los errores de omisión y comisión que se hubiesen producido. De

la matriz de confusión de calculó la fiabilidad global de la clasificación como la relación


185

entre el número de píxeles correctamente asignados y el número total de píxeles de la

imagen (Chuvieco, 2002, p. 492).

Se elaboraron mapas de errores mediante la diferencia entre el mapa de referencia y

cada uno de los mapas de ocupación del suelo generados, de esta manera se puede

determinar cualitativamente la magnitud de los errores y su ubicación espacial.

Complementariamente se calculó el ajuste entre el mapa de referencia y los mapas

generados mediante el índice Kappa (Pontius et al. 2001).

cp

co

PPPP

Kappa−−

= Eq. 4.1.3

En donde Po es la proporción de concordancia observada, Pc es la proporción de

concordancia esperada por puro azar y Pp es el porcentaje de concordancia esperada

cuando el ajuste es perfecto.

Analizado el ajuste, se procedió a generar un mapa de ocupación del suelo hacia el año

2012, considerando para ello los mapas de ocupación del suelo de 1996 y 2001, las

variables explicativas seleccionadas para cada transición y aplicando el modelo que

presente las mejores capacidades. En un estudio posterior, dicho mapa será utilizado

como un escenario que representaría el estado de la vegetación en el año horizonte si la

evolución de ésta mantuviese la tendencia histórica observada. Su efecto será analizado

mediante un modelo hidrológico semidistribuido de la zona de estudio ya mencionada.

4.1.3 Análisis de Resultados

4.1.3.1 Mapas de ocupación del suelo

La figura 4.1.3 presenta los mapas de ocupación del suelo extraídos de las imágenes

correspondientes a 1986, 1996 y 2001, en estos se puede observar que las ocupaciones

predominantes, según la superficie que ocupan, son el bosque seco y el pastizal,


186

seguidas por la vegetación arbustiva (en muchos casos combinación de arbustos y

bosque natural) y los cultivos. Agrupando los porcentajes significativos de las

coberturas cultivos y pastizal tenemos que el 39.5% del área de la cuenca tienen

dedicación agropecuaria; y si sumamos las coberturas de bosques y vegetación arbustiva

tendríamos que el 54.12% del área de la cuenca corresponde a ocupación boscosa.

1986 1996

2001

Figura 4.1.3 Mapas de ocupación del suelo en 1986, 1996, 2001


187

Al analizar visualmente los cambios ocurridos entre las distintas fechas, se puede

observar el alto grado de persistencia en las cuatro categorías consideradas en el

análisis, también se puede apreciar el incremento de áreas de bosque natural en la

porción Este de la imagen y su disminución en la parte central de ésta. Se observa la

disminución de áreas de cultivo en la parte Sur de la imagen y un cierto incremento en

la porción Noroeste. El incremento de las zonas de bosque seco es considerablemente

notorio en la porción central de la zona de estudio. La mayoría de las transiciones e

intercambios entre usos de suelo se observa principalmente en las zonas límite entre

categorías.

4.1.3.2 Detección de cambios

La tabla 4.1.1 presenta el resumen de la tabulación cruzada realizada entre los mapas de

1986 y 1996 en ella se puede observar que existe un predominio de la persistencia en

todas las coberturas. Se registra 763 052.90 ha de zonas estables, equivalentes al 80.4%

de la superficie total del área de estudio y 185 772.68 ha de zonas que han

experimentado cambio que corresponden al 19.6% del área total. Se presenta

incremento en el área de vegetación arbustiva y de bosque seco, observándose un

decremento de superficies de pastizal y cultivos. Los incrementos de vegetación

arbustiva se han producido con mayor intensidad en zonas ocupadas inicialmente por

pastizales.

Tabla 4.1.1. Tabulación cruzada de las coberturas estudiadas en 1986 (Horizontal) y en 1996 (Vertical)

Vegetación arbustiva Bosque seco Pastizal Cultivos Total

Vegetación arbustiva 111161.61 6678.70 51008.73 5369.52 174218.56

Bosque seco 16134.60 204018.96 18600.04 14461.56 253215.16

Pastizal 32327.18 15217.83 433629.25 8891.21 490065.48

Cultivos 1177.26 9707.99 6198.05 14243.09 31326.38

Total 160800.65 235623.48 509436.08 42965.38 2367935.15


188

Las zonas de cultivos crecieron tomando predominantemente zonas de bosque seco

aunque presenta en general pérdidas debido a los cambios hacia bosque seco, pastizal y

vegetación arbustiva. Estas disminuciones posiblemente se puedan atribuir al abandono

de las zonas agrícolas ocasionado por diferentes factores socioeconómico tales como la

poca disponibilidad de recursos hídricos, los altos costos de producción, la migración,

etc.

El incremento de áreas de bosque seco se produce casi por igual en zonas en las que

inicialmente estuvieron ocupadas por vegetación arbustiva, cultivos y pastizal.

El pastizal es la zona que mayores cambios totales presenta, aunque al ser mayores las

perdidas que las ganancias presenta un cambio neto negativo, caso similar, aunque en

menor magnitud se presenta en el caso de los cultivos.

Tabla 4.1.2. Resumen de cambios observados Cobertura Cambios netos Cambios totales Ganancia Pérdidas Intercambio

Vegetación arbustiva 13417.91 223857.60 63056.95 49639.04 99278.08

Bosque seco 17591.68 284819.69 49196.20 31604.52 63209.05

Pastizal -19370.60 565872.31 56436.23 75806.82 112872.46

Cultivos -11639.00 60048.68 17083.30 28722.29 34166.60

Figura 4.1.4 Mapa de persistencia entre 1986 y 1996


189

La tabla 4.1.2 presenta el resumen de los cambios observados. En ésta se puede

observar que los mayores cambios netos positivos los ha sufrido el bosque seco y es el

pastizal el que ha sufrido los mayores cambios netos positivos. En el caso del pastizal se

observa los mayores nivles de intercambio, seguidos de la vegetación arbustiva.

Vegetación arbustiva Bosque seco

Pastizal Cultivo

Figura 4.1.5. Pérdidas y ganancias (1986-1996) de las ocupaciones de suelo estudiadas En la figura 4.1.4 se muestra la persistencia en la zona de estudio, que como ya se

mencionó es el estado predominante en la zona de estudio. En la figura 4.1.5 se


190

observan la distribución espacial de las perdidas y ganancias observadas para cada una

de las ocupaciones estudiadas. En ésta figura se puede observar la mayoría de los

cambios se han producido predominantemente en las zonas de contacto entre coberturas,

esto puede atribuirse al hecho de que las áreas de cultivo en la parte baja de la cuenca se

incrementan invadiendo las zonas de bosque seco, cosa similar ocurre en la parte media

y alta de la cuenca en la que zonas de vegetación natural son intervenidas para ampliar

la superficie de pastizales y cultivos con fines agrícolas. Los pastizales se transforman

en zonas de cultivo cuando es de interés del agricultor. Cuando las zonas de cultivo son

abandonadas, éstas se transforman a su vez en pastizales y más tarde por la misma

regeneración natural, retorna la vegetación arbustiva.

4.1.3.3 Variables explicativas

La tabla 4.1.3 presenta el grado de asociación existente entre las variables explicativas

continuas y las coberturas estudiadas en la zona de estudio. La variable explicativa más

débil resulta ser la distancia a ríos con valores menores a la décima. Su poca asociación

con las coberturas analizadas puede atribuirse a la topografía notablemente irregular de

la zona de estudio, aunque se esperaba mayores valores en el caso de los cultivos por las

condiciones que sugirieron su inclusión en el análisis.

Tabla 4.1.3. Coeficiente V de Cramer: Nivel de asociación de las variables explicativas cuantitativas y las ocupaciones de suelo estudiadas

Vegetación arbustiva Bosque seco Pastizal Cultivos

DEM 0.000 0.497 0.522 0.683

Pendiente 0.000 0.105 0.185 0.163

Precipitación total anual 0.000 0.233 0.318 0.229

Distancia a ríos 0.000 0.019 0.060 0.048

Distancia a bosque seco en 1986 0.000 0.443 0.837 0.673

Distancia a vegetación arbustiva en 1986 0.000 0.654 0.431 0.416

Distancia a cultivos en 1986 0.000 0.321 0.102 0.271

Distancia a pastizal en 1986 0.000 0.267 0.642 0.747

Distancia a vías 0.000 0.286 0.104 0.129

Distancia a ciudades 0.000 0.359 0.141 0.184


191

La pendiente es una variable que presenta poca asociación con los usos de suelo

existentes al igual que la distancia vías (tabla 4.1.3). La precipitación total anual

presenta niveles bajos de asociación con las coberturas consideradas, siendo éstos

mayores a los observados para el caso de la pendiente. La distancia a ciudades muestra

baja asociación con las zonas de pastizal y cultivos, aunque presenta un aceptable valor

con la cobertura de bosque seco.

La mayor asociación se evidencia entre la elevación (DEM) y la presencia de los usos

de suelo analizados (tabla 4.1.3), corroborándose de cierta manera el supuesto inicial de

que la elevación condiciona la existencia de determinadas especies vegetales. Altos

niveles de asociación se observan también entre la distancia a zonas que presentaron

bosque seco, vegetación arbustiva y pastizal en 1986, y los usos del suelo en 1990,

pudiendo suponerse que la vecindad entre los diferentes usos de suelo puede facilitar en

gran medida los intercambios de ocupación del suelo.

La presencia de bosque seco (tabla 4.1.3) está predominantemente relacionada con la

elevación y con la distancia a zonas de vegetación arbustiva en 1986, lo que podría

explicar la presencia en zonas de baja elevación de este uso del suelo y explicar los

cambios observados de vegetación arbustiva a seco en zonas con cotas relativamente

bajas.

El pastizal presenta mayor asociación con la distancia a pastizal y al bosque seco en

1986 (tabla 4.1.3), pudiendo esto evidenciar el incremento de zonas de pastizal

preferentemente en áreas ocupadas por bosque seco.

Los cultivos evidencia mayor asociación con la elevación y con la distancia a la

cobertura de pastizal en 1986 (tabla 4.1.3), explicándose por el hecho de que los

cultivos se presentan en zonas relativamente bajas y en muchos casos las zonas

agrícolas abandonadas se cubren naturalmente de pasto por su cercanía a zonas con

presencia de dicha cobertura y viceversa.

Ninguna de las variables explicativas analizadas presentó un grado significativo de

asociación con la ocurrencia de vegetación arbustiva. Para confirmar este hecho, se

realizó un análisis de correlación entre las variables explicativas y la presencia de la


192

vegetación arbustiva mediante el coeficiente de Pearson, encontrándose valores de

correlación menores a 0.2 que no son estadísticamente significativos. El poco poder

explicativo de las variables consideradas posiblemente se pueda atribuir a que la

vegetación arbustiva se origina por un proceso de regeneración natural que está

condicionado por factores biológicos tales como el nivel de competencia entre plántulas

y la distancia al adulto conespecífico más cercano, así como al de otras especies leñosas

(Pérez-Ramos, 2007). Los factores del medio físico también ejercen una importante

influencia sobre la regeneración, destacando la disponibilidad hídrica del suelo, la

intensidad lumínica a nivel del sotobosque, así como otros parámetros edafológicos

relacionados con la fertilidad, la acidez o el espesor de la capa de hojarasca (Pérez-

Ramos, 2007). Claramente ninguno de estos factores se consideró en el presente

estudio, especialmente por la dificultad de cartografiar los factores condicionantes

mencionados y por el detalle que los mismos requieren, el que es mucho mayor a la

escala del presente trabajo.

Tabla 4.1.4. Coeficiente V de Cramer: Nivel de asociación entre el tipo edafológico de suelo y las ocupaciones del suelo estudiadas. El mapa categórico del tipo edafológico de suelo se ha transformado en un mapa continuo de probabilidad de ocurrencia de un cambio de ocupación del suelo mediante un proceso de máxima verosimilitud.

Transición Vegetación arbustiva Bosque seco Pastizal Cultivos

Vegetación arbustiva a bosque seco 0.000 0.315 0.438 0.348

Vegetación arbustiva a cultivos 0.000 0.359 0.467 0.379

Vegetación arbustiva a pastizales 0.000 0.434 0.459 0.372

Bosque seco a vegetación arbustiva 0.000 0.339 0.496 0.381

Bosque seco a cultivos 0.000 0.310 0.401 0.342

Bosque seco a pastizal 0.000 0.229 0.289 0.324

Pastizal a vegetación arbustiva 0.000 0.436 0.448 0.344

Pastizal a bosque seco 0.000 0.331 0.480 0.372

Pastizal a cultivos 0.000 0.341 0.427 0.400

Cultivos a vegetación arbustiva 0.000 0.377 0.445 0.352

Cultivos a bosque seco 0.000 0.337 0.481 0.481

Cultivos a pastizal 0.000 0.283 0.374 0.384


193

El grado de asociación entre el tipo edafológico del suelo (transformado en un mapa de

probabilidad de ocurrencia de un cambio de ocupación del suelo) y las coberturas

estudiadas se presenta en la tabla 4.1.4. En ésta se puede observar que el tipo de suelo

no presenta un grado de asociación relevante con la presencia de vegetación arbustiva.

Para las restantes ocupaciones de suelo, presenta valores superiores a 0.30 los que según

Eastman (2006) pueden ser útiles para modelar el cambio de ocupación del suelo.

En las tablas 4.1.3 y 4.1.4 se han resaltado en negrita las variables que presentan mayor

potencial explicativo de la ocurrencia de cada una de las ocupaciones del suelo; en

principio, éstas se consideraron para conformar los submodelos de transición.

4.1.3.4 Submodelos de transición

La selección definitiva de las variables explicativas que integrarían cada uno de los

submodelos de transición, se realizó mediante el ensayo de distintas combinaciones de

variables, seleccionando en cada caso a la combinación que presentó mayor nivel de

correlación con las transiciones observadas (ROC). Las variables explicativas se

transformaron mediante el logaritmo natural o máxima verosimilitud, logrando

uniformizar sus unidades de medida.

En varios casos se incluyeron en los submodelos de transición, las variables explicativas

que presentaron mayores valores de la V de Cramer; en otros, fue necesario considerar

variables que, aunque presentaron valores bajos de la V de Cramer, contribuyeron a

mejorar la correlación entre variables explicativas y transiciones.

En la tabla 4.1.5 se presentan los diferentes submodelos de transición, las variables que

los integran y los resultados de la regresión logística calculada. Se incluyen los

coeficientes que afectan a cada variable explicativa en la ecuación de regresión logística

y el grado de correlación entre las variables y las transiciones (ROC).

En la tabla 4.1.6 se presentan los resultados correspondientes a la aplicación de las redes

neuronales. Incluyendo los diferentes submodelos de transición, las variables


194

explicativas, valores de RMS en entrenamiento y validación; y, el porcentaje de

precisión en la clasificación.

Tabla 4.1.5. Resultados de la regresión logística: Transiciones modeladas (submodelos de transición), grado de correlación (ROC), variables explicativas y coeficientes de cada variable explicativa en la ecuación de regresión

Transición ROC Término Coeficiente en la ecuación

de regresión logística

De vegetación arbustiva a bosque seco 0.9619 Independiente 11.64781610

tipo de suelo 2.31351393

distancia a ciudades 0.73700496

distancia a vías 0.01894947

distancia a bosque seco en 1986 -1.24138015

Dem -1.73454320

De vegetación arbustiva a pastizal 0.8550 Independiente 29.30334746


distancia a ciudades -0.46821253

distancia a pastizal en 1986 -1.12111169

Dem -2.70293381

De vegetación arbustiva a cultivos 0.9511 Independiente 23.61843169



distancia a vías -0.35086532


Dem -2.63246543

De bosque seco a vegetación arbustiva 0.9262 Independiente -7.52194619

Dem 2.01211903



distancia a vegetación arbustiva en 1986 -1.07188171

tipo de suelo -2.07990532

De bosque seco a pastizal 0.9023 Independiente -18.71824490

Dem 3.08577471




De bosque seco a cultivo 0.8901 Independiente 7.66879065




Dem -0.78416923

distancia a cultivos en 1986 -0.81895196

De pastizal a vegetación arbustiva 0.8740 Independiente -7.57213473

Dem 1.68691095


distancia a vegetación arbustiva en 1986 -1.24074251


195

De pastizal a bosque seco 0.9794 Independiente 17.17056084

distancia a ciudades 0.66496870


distancia a bosque seco en 1986 -1.37560559

Dem -2.14996078


De pastizal a cultivos 0.9298 Independiente 16.12339406




Dem -0.67087987

distancia a cultivos en 1986 -1.68747988

De cultivo a vegetación arbustiva 0.9031 Independiente -4.23241181

Dem 1.63607407


Distancia a vegetación arbustiva en 1986 -1.31503270

De cultivo a bosque seco 0.8137 Independiente -1.54771212

Dem 1.18424277

distancia a vías 0.12008042

Distancia a bosque seco en 1986 -1.30541035


De cultivo a pastizal 0.8082 Independiente -13.06317561


Dem 2.36610567

Distancia a pastizal en 1986 -0.90143128

Tabla 4.1.6. Resultados de la red neuronal (MLP): Transiciones modeladas, variables explicativas, valores de RMS en entrenamiento y validación y porcentaje de precisión en la clasificación.

Transición Variables explicativas Características de la MLP

De vegetación arbustiva a tipo de suelo No. entradas 5

bosque seco distancia a ciudades Muestras de entrenamiento 18978

distancia a vías RMS de entrenamiento 0.0014

distancia a bosque seco en 1986 RMS de validación 0.0014

Dem Precisión (%) 89.59


pastizal distancia a ciudades Muestras de entrenamiento 38470

distancia a pastizal en 1986 RMS de entrenamiento 0.0015

Dem RMS de validación 0.0015

distancia a vegetación arbustiva en 1986 Precisión (%) 76.06


cultivos distancia a ciudades Muestras de entrenamiento 38470


distancia a pastizal en 1986 RMS de validación 0.0058

Dem Precisión (%) 89.07


196

De bosque seco a Dem No. entradas 5

vegetación arbustiva distancia a vías Muestras de entrenamiento 7948

distancia a ciudades RMS de entrenamiento 0.0026

distancia a vegetación arbustiva en 1986 RMS de validación 0.0026

tipo de suelo Precisión (%) 84.76

De bosque seco a pastizal Dem No. entradas 4

tipo de suelo Muestras de entrenamiento 17996


distancia a pastizal en 1986 RMS de validación 0.0018

Precisión (%) 83.82

De bosque seco a cultivo tipo de suelo No. entradas 5

distancia a ciudades Muestras de entrenamiento 11436



distancia a cultivos en 1986 Precisión (%) 80.12

De pastizal a vegetación Dem No. entradas 3

arbustiva tipo de suelo Muestras de entrenamiento 60702

distancia a vegetación arbustiva en 1986 RMS de entrenamiento 0.0011

RMS de validación 0.0011


De pastizal a bosque seco distancia a ciudades No. entradas 5

distancia a vías Muestras de entrenamiento 22134

distancia a bosque seco en 1986 RMS de entrenamiento 0.0011


tipo de suelo Precisión (%) 93.02

De pastizal a cultivos tipo de suelo No. entradas 5




distancia a cultivos en 1986 Precisión (%) 84.68

De cultivo a vegetación Dem No. entradas 3

arbustiva tipo de suelo Muestras de entrenamiento 6390

Distancia a vegetación arbustiva en 1986 RMS de entrenamiento 0.003



De cultivo a bosque seco Dem No. entradas 4


distancia a bosque seco en 1986 RMS de entrenamiento 0.0022

tipo de suelo RMS de validación 0.0022


De cultivo a pastizal tipo de suelo No. entradas 3

Dem Muestras de entrenamiento 10486

distancia a pastizal en 1986 RMS de entrenamiento 0.0029


Precisión (%) 67.3


197

En la tabla 4.1.5 se puede observar que las transiciones de vegetación arbustiva a

bosque seco, pastizal y cultivos presentan mayor probabilidad de transición según el

tipo de suelo y en relación directa con éste. Ésta transición se relaciona inversamente

con la elevación lo que refleja de cierta manera el hecho de que los cambios de

ocupación del suelo se producen con mayor frecuencia en las zonas de contorno que en

el caso de la vegetación arbustiva se encuentran a menor elevación. Se observa que la

distancia a vías se relaciona de forma inversa a la transición de vegetación arbustiva a

cultivos, confirmando el hecho de que mientras menor sea la distancia a una vía hay

mayor tendencia al uso agrícola del suelo. El hecho de que a menor distancia a la

ubicación de las coberturas en la fecha inicial (distancia a bosque seco en 1986,

distancia a pastizal en 1986 y distancia a cultivos en 1986) mayor es la posibilidad de

transición, es confirmado con los coeficientes negativos de la ecuación de regresión. La

distancia a ciudades también presenta una relación inversa que pone de manifiesto que a

menor distancia a un centro urbano existe mayor probabilidad de que se produzcan las

transiciones de vegetación arbustiva a las restantes coberturas.

Por otra parte en la tabla 4.1.5 se puede observar que la transición de bosque seco a

vegetación arbustiva y a pastizal presentan una relación directa con la elevación, esto

explica el hecho de que en las zonas de mayor altura es más factible la transición ya que

el bosque seco se presenta preferentemente en zonas de cotas bajas. En cambio en lo

referente a la transición de bosque seco a cultivo la relación es inversa con la elevación

ya que las cotas menores facilitan la irrigación mediante sistemas a gravedad que se

emplean comúnmente en la zona. La distancia a vías y a ciudades presenta una relación

inversa con las transiciones al igual que la distancia a la ubicación inicial de las

coberturas que confirma lo ya observado y señalado para las transiciones de vegetación

arbustiva a los restantes usos del suelo.

La transición de pastizal a vegetación arbustiva (tabla 4.1.5) presenta una relación

directa con la elevación, lo que confirma el hecho de que ha mayor elevación mayor

probabilidad de cambio a vegetación arbustiva. Por su parte las transiciones de pastizal

a bosque seco y a cultivos muestran una relación inversa con la elevación ya que las

posibilidades de presencia de bosque seco y cultivos se incrementan conforme

disminuye la elevación. La transición de pastizal a cultivos presenta una relación

directa con los tipos de suelo al igual que la transición a vegetación arbustiva esto


198

debido a que la calidad del suelo favorece el aprovechamiento agrícola y la presencia de

vegetación más densa y vigorosa. La distancia a vías se relaciona inversamente con las

transiciones de pastizal, lo que no es del todo comprensible ya que se podría esperar que

las posibilidades de cambio de pastizal a bosque seco incrementaran con la distancia.

Las transiciones de cultivo a los restantes usos de suelo (tabla 4.1.5) muestran una

relación de tipo directa con la elevación, siendo esto atribuible al hecho de que los

cultivos se realizan en zonas de cotas menores, en áreas adyacentes a los cauces de los

ríos. El cambio de uso de cultivo a bosque seco presenta una relación directa con la

distancia a las vías hecho que pone de manifiesto que zonas agrícolas que se encuentran

a distancias mayores de las vías de comunicación, en muchos casos quedan

abandonadas ante las dificultades de transportar los productos hasta los centros de

distribución, contribuyendo al incremento de zonas de bosque seco, que es el

característico de la zona. Igual que en los casos anteriores se puede comprobar que las

transiciones de pastizal a los diferentes usos de suelo se relacionan de manera inversa

con la distancia a la ubicación de los usos de suelo en la fecha inicial, comprobándose

que a menor distancia de la ubicación original del uso del suelo mayor es la

probabilidad de transición.

En todos los casos la correlación entre las transiciones y las variables explicativas

(ROC) sobrepasa el 80%, lo que adicionalmente a lo descrito en los párrafos anteriores,

hace suponer un buen desempeño de la regresión logística para modelar la probabilidad

de transición en la zona de estudio.

En la tabla 4.1.6 se incluyen algunos resultados de la aplicación de Redes neuronales de

perceptrones multicapa (MLP) en el estudio de la relación existente entre las

transiciones analizadas y las posibles variables explicativas. Se puede comprobar que el

RMSE en la fase de entrenamiento, al igual que el error calculado para la fase de

validación, alcanza valores aceptables. La precisión en el modelamiento de las

transiciones en todos los casos supera el 70 %. Por la concepción teórica de las redes

neuronales, las relaciones entre las variables explicativas y las transiciones a modelar

dependen de los pesos con los que se calculan las funciones de activación de la red

neuronal, lo que dificulta la interpretación de las relaciones existentes tornándose este

procedimiento en una especie de caja negra


199

Las probabilidades de transición calculadas por cada cobertura se muestran en la tabla

4.1.7, en ésta se puede observar que las probabilidades de mantener el mismo uso son

predominantes a las restantes transiciones resaltándose la probabilidad de transición que

presentan los cultivos a pastizal y a bosque seco y de vegetación arbustiva a pastizal.

Lo anteriormente anotado hace pensar que al abandonarse las zonas de cultivos estás

tienen mayor probabilidad de transformarse en zonas de bosque seco que en zonas de

pastizal, esto en gran medida debido a las condiciones climáticas de estrés hídrico de las

zonas bajas de la zona de estudio, en las que se presentan las mayores superficies de

cultivo. En las zonas altas los bosques húmedos son deforestados y transformados en

zonas de pastizal con fines ganaderos siendo menos probable una transición a zonas de

cultivo por sus condiciones topográficas o a bosque seco por las condiciones climáticas.

El pastizal presenta mayores probabilidades de persistencia antes que de transición a

otro tipo de cobertura.

Tabla 4.1.7. Probabilidades de transición entre las ocupaciones de suelo existentes

Vegetación arbustiva Bosque seco Pastizal Cultivos

Vegetación arbustiva 0.8134 0.0595 0.1238 0.0033

Bosque seco 0.0131 0.9223 0.0314 0.0332

Pastizal 0.0619 0.0156 0.9133 0.0091

Cultivos 0.0991 0.2656 0.1486 0.4867

Los cultivos presentan una probabilidad de cerca al 50 % de presentar persistencia, este

hecho posiblemente se deba a la existencia de zonas dedicadas exclusivamente; y por

largos períodos de tiempo, al cultivo de caña en la parte media de la cuenca, de arroz en

la parte media y baja; y, al maíz en la parte noreste. Por otra parte, las restantes zonas

de cultivos se encuentran cerca de los ríos existentes y se encuentra sometidas a

variaciones de los tipos de cultivos, abandono por sequías o a destrucción de las mismas

en caso de crecidas, por lo tanto están más propensas a sufrir una transición. Si se

considera este hecho, es razonable pensar que la probabilidad de persistencia de los

cultivos sea reducida.


200

4.1.3.5 Modelos de cambio de ocupación del suelo y validación

En la figura 4.1.6 se presenta los mapas de ocupación del suelo obtenidos mediante

regresión logística y redes neuronales, proyectando los cambios observados entre 1986

y 1996 hacia 2001. Los mapas obtenidos pueden compararse visualmente con el mapa

de ocupación del suelo extraído de la imagen de 2001.

Predicción de ocupación del suelo a 2001 (regresión

logística)

Predicción de ocupación del suelo a 2001 (MLP)

Mapa de ocupación del suelo extraído de la imagen de 2001

Figura 4.1.6. Mapas generados en base a regresión logística y redes neuronales (MLP) comparados con el mapa extraído de la imagen de 2001


201

Al comparar visualmente el mapa obtenido mediante regresión logística con el mapa

extraído de la imagen de 2001 se puede observar una alta similitud en las áreas con

presencia de vegetación arbustiva, bosque seco y pastizal, siendo las zonas de cultivo

las que presentan mayores diferencias, subestimando las áreas que pueden observarse en

la imagen de comparación.

Si se compara el mapa obtenido mediante la red neuronal con el mapa extraído de la

imagen de 2001 se puede observar que existe una sobre estimación de las áreas

cubiertas de vegetación arbustiva, pastizal y cultivos, existiendo una cierta

subestimación de las áreas cubiertas de bosque seco. Incluso se observa la presencia de

ciertos píxeles (porción sur del mapa), correspondientes a bosque seco, en zonas en las

que las condiciones biofísicas limitarían su presencia.

Mapa obtenido mediante MLP Mapa obtenido mediante regresión logística

Figura 4.1.7. Diferencias entre el mapa de ocupación del suelo extraído de la imagen de 2001 y los mapas generados por regresión logística y la red neuronal

(MLP)

Las diferencias entre el mapa de ocupación del suelo extraído de la imagen de 2001

(referencia) y los mapas generados mediante regresión logística y la red neuronal (MLP)

se pueden observar en la figura 4.1.7.


202

Si bien las diferencias entre los mapas generados y el de referencia son notables, se

puede apreciar que el generado mediante redes neuronales presenta errores mayores, los

mismos que en la figura 4.1.7 se han encerrado mediante elipses. Las mayores

diferencias se presentan en las porciones norte y sur, cerca al límite de la cuenca, en la

que se presentaría vegetación arbustiva, cuando en la imagen del 2001 existe pastizal;

en la porción central, en la que se pronostica pastizal, cuando lo que existe es bosque

seco y en la zona oeste, en la que se prevé la existencia de cultivos, identificándose en la

imagen de 2001 bosque seco.

El mapa generado mediante regresión logística presenta de igual manera gran cantidad

de diferencias con la imagen de comparación, encontrándose las más notables en la

porción central del mapa en la que se pronosticaba boque seco y lo que se presenta en el

mapa de referencia es pastizal.

Tabla 4.1.8. Matriz de confusión entre el mapa extraído de la imagen de 2001 y el mapa generado mediante redes neuronales (MLP)

Mapa del 2001 (referencia)

1 2 3 4 total Exact. usuario

Error Comisión

1 145 457 10 654 51 990 4 060 212 161 68.6 31.42 13828 256 148 29 052 10 245 309 273 82.8 17.23 45 660 20 054 489 723 17822 573 259 85.4 14.6

Map

a 2

001

MLP

4 568 13 998 4 742 14 845 34 153 43.5 56.5

total 205 513 300 854 575 507 46 972 1 128 846

Exactitud productor 70.8 85.1 85.1 31.6

Error por omisión 29.2 14.9 14.9 68.4

En la tabla 4.1.8 se presenta la Matriz de confusión entre el mapa extraído de la imagen

de 2001 y el mapa generado mediante redes neuronales (MLP) en esta se puede

observar que es predominante el número de píxeles que presentan la misma clase

temática en los dos mapas. Los mayores errores se presentan en la vegetación

arbustiva ya que ha sido modelada como pastizal (45 660 píxeles) y como bosque seco

(20 054 píxeles). Otro caso notable es el del pastizal que ha sido modelado como

vegetación arbustiva (51 990 píxeles) y como bosque seco (29 052 píxeles). De igual


203

forma los errores por comisión varían entre 14.6 % y 56.5 %, siendo el valor máximo el

que corresponde a los cultivos. Los errores por omisión varían entre 14.9% y 68.5%,

correspondiéndole nuevamente el mayor error por comisión a los cultivos.

En la tabla 4.1.9 se presenta la Matriz de confusión entre el mapa extraído de la imagen

de 2001 y el mapa generado mediante regresión logística. Se observa que existe un

mayor número de píxeles que presentan correspondencia entre las clases temáticas de

los dos mapas. Por otra parte existe una cantidad apreciable de píxeles (37 593) que

perteneciendo a la vegetación arbustiva en el mapa de 2001, se han clasificado como

pastizal en el mapa generado por regresión logística. Un hecho parecido ocurre con el

pastizal en la imagen del 2001 que ha sido modelado mediante regresión logística como

vegetación arbustiva (33 203 píxeles) o bosque seco (19 690 píxeles). Lo errores de

comisión alcanzan un valor máximo de 42.5% para los cultivos, y de 52.3% los de

omisión.

Tabla 4.1.9. Matriz de confusión entre el mapa extraído de la imagen de 2001 y el mapa generado mediante regresión logística (RegLog) Mapa del 2001 (referencia)

1 2 3 4 total Exact. usuario

Error Comisión

1 162 437 10 262 33 203 3 111 209 013 77.7 22.32 3 909 269 829 19 690 5 905 299 333 90.1 9.93 37 593 12 348 516 059 15 528 581 528 88.7 11.3

Map

a de

20

01

(Reg

Log)

4 1 574 8 415 6 555 22 428 38 972 57.5 42.5

total 205 513 300 854 575 507 46 972 1 128 846

Exactitud productor 79.0 89.7 89.7 47.7

Error por omisión 21.0 10.3 10.3 52.3

En la tabla 4.1.10 se presentan los valores de la confiabilidad global calculada a partir

de las matrices de confusión incluidas en las tablas 4.1.8 y 4.1.9, el estadístico Kappa y

el coeficiente de correlación entre el mapa de referencia de 2001 y los mapas de

ocupación del suelo generados con regresión logística y redes neuronales.

Se puede observar que el mapa generado mediante regresión logística una confiabilidad

total del 86%, un índice Kappa de 0.901 y un coeficiente de correlación de 0.941. Estos


204

valores alcanzan niveles satisfactorios que avalizan el ajuste entre el modelo calculado y

el mapa de referencia. Estos valores superan de forma significativa a los alcanzados por

el mapa obtenido mediante redes neuronales.

Tabla 4.1.10. Parámetros de validación entre el mapa extraído de la imagen de 2001 y los mapas generados mediante regresión logística (RegLog) y redes neuronales (MLP)

2001 MLP 2001 RegLog Confiabilidad global (%) 80.27 86.00 Kappa 0.862 0.901 R 0.911 0.941

Si se comparan los resultados de las tablas 4.1.8 y 4.1.9 entre sí se puede observar de

que el pronóstico de ocupación del suelo obtenido mediante regresión logística presenta

menores errores de omisión y comisión, por otra parte los errores de estimación de la

ocurrencia de coberturas también es menor. Los resultados de la tabla 4.1.9 presentan

resultados interesantes del modelo obtenidos mediante regresión logística, los mismos

que superan nuevamente a los obtenidos mediante redes neuronales; todos estos hechos

hacen suponer que la regresión logística puede presentar mejores resultados si se aplica

para generar el modelo de ocupación del suelo hacia el año 2012.

Según se emplee redes neuronales o regresión logística, los cultivos ha resultado ser la

ocupación del suelo más difícil de pronosticar, debido en gran medida a que la presencia

de los mismos no solo dependen de factores biofísicos y antrópicos, como los

considerados en este estudio, sino de factores socioeconómicos como la oferta y

demanda de ciertos productos agrícolas, la migración, las condiciones económicas de la

región, decisiones políticas, etc., así como la ocurrencia de eventos climáticos como

sequías o inundaciones.

El escenario de ocupación del suelo proyectado hasta 2012 se realizó aplicando

regresión logística y puede apreciarse en la figura 4.1.8. Se observa la gran similitud

que presenta con el mapa generado hacia 2001, la misma que pueden atribuirse al poco

dinamismo de las variables explicativas.


205

Figura 4.1.8. Escenario de ocupación del suelo proyectado hacia el año 2012

4.1.4 Conclusiones

La persistencia es el estado predominante en la zona de estudio, notándose que los

cambios se producen en la zona de frontera entre categorías. El mayor poder

explicativo de la ocurrencia de las diferentes coberturas lo presentaron las variables

biofísicas como la elevación (DEM), la distancia a zonas que presentaron bosque seco,

vegetación arbustiva y pastizal en la fecha inicial del estudio. Por su parte las variables

antropogénicas brindaron poco poder explicativo.

La mejor estimación del cambio del uso del suelo se produjo al aplicar regresión

logística, presentando el resultado obtenido mediante redes neuronales una

sobreestimación de las áreas de vegetación arbustiva.

La ocupación del suelo más difícil de pronosticar fue la de cultivos, en gran medida por

su dependencia a factores socioeconómicos y climáticos que aparentemente superan en

influencia a los de índole biofísico y antropico.


206

El escenario generado hacia el año 2012 presentó notable similitud con el mapa de

ocupación del suelo correspondiente a 2001, atribuyéndose éste hecho al poco

dinamismo de las variables explicativas. La dificultad de realizar una representación

realista de variables socioeconómicas que podrían explicar las evoluciones del uso del

suelo, especialmente los cambios producidos en los cultivos puede contribuir

adicionalmente a este hecho.

El estudio multitemporal del cambio del uso del suelo, sus variables explicativas y el

pronóstico basado en regresión logística o redes neuronales proveen de una interesante

herramienta para la generación de escenarios cuyo efecto en el régimen hídrico de una

cuenca hidrográfica puede estudiarse a través de un modelo hidrológico.

4.1.5 Referencias Armitage, E. N., Berry, G., 1997. Estadística para la investigación biomédica. Elsevier, España. Bayarjargal, Y., Karnieli, A., Bayasgalan, M., Khudulmur, S., Gandush, C., Tucker, C.J. 2006. A comparative study of NOAA–AVHRR derived drought indices using change vector analysis. Remote Sensing of Environment. 105, 9-22. Bosque, J., García, R., 1999. Asignación óptima de usos del suelo mediante generación de parcelas por medio de SIG y técnicas de evaluación multicriterio. VII Conferencia Iberoamericana sobre SIG. Mérida, Venezuela. Brown, A., Goovaerts, P., Burnicki, A., Li, M., 2002. Stochastic simulation of land-cover change using geostatistics and generalized additive models. Photogrammetric Engineering and Remote Sensing. 68 (10), 1051-1061. Chuvieco, E., 2002. Teledetección ambiental: La observación de la Tierra desde el espacio. Editorial Ariel. Barcelona, España. 586 p. Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., 2004. Digital change detection methods in ecosystem monitoring: a review. International Journal of Remote Sensing. 25 (9), 1565-1596. Eastman, J.R., 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, MA. Geerken, R., Ilaiwi, M., 2004. Assessment of rangeland degradation and development of a strategy for rehabilitation. Remote Sensing of Environment. 90, 490-504.


207

Huete, A.R., Miura, T., Gao, X., 2003. Land Cover conversion and degradation analyses through coupled soil–plant biophysical parameters derived from Hyperspectral EO-1 Hyperion. IEEE Transactions on Geoscience and Remote Sensing. 41 (6), 1268-1276. Kleinbaum, D. G., Klein, M., 2002. Logistic Regression. A Self-Learning Text, Second Edition, Springer, N.Y. 513 p. Lambin E.F., Geist H. F., 2003. Dynamics of Land use and Land cover Change in Tropical Regions. Annual Review of Environment and Ressources. 28, 205 – 241. Liu, Z., Huang, F., Li, L., Wan, E., 2002. Dynamic monitoring and damage evaluation of flood in north-west Jilin with remote sensing. International Journal of Remote Sensing. 23 (18) 3669-3679. Mas, J.F., 1999. Monitoring land-cover changes: a comparison of change detection techniques. International Journal of Remote Sensing. 20 (1), 139-152. Mas, J.F., Puig, H., Palacio, J.L., Sosa-Lopez, A., 2004. Modelling deforestation using GIS and artificial neural networks. Environmental Modelling and Software. 19, 461–471. Pérez-Ramos, I. M.., 2007. Factores que condicionan la regeneración natural de especies leñosas en un bosque mediterráneo del sur de la Península Ibérica. Ecosistemas 16 (2), 131-136. http://www.revistaecosistemas.net/articulo.asp?Id=477 Pijanowski, B. C., Brown D. G., Shellito B. A., Manik G. A., 2002. Using neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers, Environment and Urban Systems. 26, 553–575. Pijanowski, B.; Pithadia, S.; Shellito, B. y Alexandridis, K., 2005. Calibrating a neural network-based urban change model for two metropolitan areas of the Upper Midwest of the United States. International Journal of Geographical Information Science. 19 (2) 197-215. Pontius, R., Malanson, J., 2005. Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science. 19 (2), 243-265. Pontius, R., Shusas, E., McEachern, M., 2004. Detecting important categorical land changes while accounting for persistence. Agriculture, Ecosystems and Environment. 2/3 (101), 251- 269. Pontius, R., Cornell, J. y Hall, C., 2001. Modeling the spatial pattern of land-use change with GEOMOD2: application and validation in Costa Rica. Agriculture, Ecosystems and Environment. 85, 191-203. Richards, J. A., Jia, X., 2006. Remote sensing digital image analysis, 4th edition. Springer, Berlin, Germany. 439 p.


208

Serra, P., Ponsa, X., Saurí, D., 2008. Land-cover and land-use change in a Mediterranean landscape: A spatial analysis of driving forces integrating biophysical and human factors. Applied Geography. 28, 189–209. Van Oort, P.A.J., 2006. Interpreting the change detection error matrix”, Remote Sensing of Environment. 108 (1), 1-8, doi:10.1016/j.rse.2006.10.012. Van Vliet, J., White, R., Dragicevic, S., 2009. “Modeling urban growth using a variable grid cellular automaton” Computers, Environment and Urban Systems. 33, 35–43. Weng, Q., 2002. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS, and stochastic modeling. Journal of Environmental Management. 64, 273-284.

209

4.2 ESTUDIO DE TENDENCIAS CLIMÁTICAS Y GENERACIÓN DE ESCENARIOS DE CAMBIO CLIMÁTICO REGIONALES EN UNA CUENCA HIDROGRÁFICA BINACIONAL EN AMÉRICA DEL SUR

(Artículo enviado para publicación en Estudios Geográficos, CSIC. Fecha de envío 6-XI -2009)

RESUMEN A pesar de que no hay consenso unánime entre la comunidad científica sobre el calentamiento global, el cambio climático y sus efectos, es innegable que el clima condiciona en gran medida la disponibilidad de los recursos hídricos. Buscando evidencias de un posible cambio climático, en el presente trabajo se estudian las tendencias de las series históricas de precipitación y temperatura registradas en 40 estaciones climáticas ubicadas en la región fronteriza ecuatoriano-peruana aplicando un filtro de medias móviles de cuarto orden. Considerando dos escenarios distintos de evolución climática propuestos por el IPCC y aplicando 8 modelos de circulación general se generaron escenarios regionales futuros de precipitación y temperatura hacia los años horizonte 2025, 2050 y 2080. Se encontraron evidencias de cambio climático, aunque estas no pueden atribuirse directamente a las emisiones de gases de efecto invernadero. Según los escenarios analizados se prevé trastornos considerables del régimen climático actual con un sostenido incremento de temperaturas y una oscilante disminución de las precipitaciones. Palabras clave: Cambio climático, tendencia climática escenario hidrológico. ABSTRACT Despite the fact that there is no agreement among scientists about global warming, climate change, and their effects, there is no doubt that the availability of water resources depends to a great extent on climate. With the purpose of seeking evidence of climate change, the tendencies of the historical series of rainfall and temperature recorded in 40 climate stations located in the Ecuadorian-Peruvian border were studied by applying a fourth order moving average filter. After considering two different scenarios of climate evolution which were proposed by the IPCC, and applying 8 general circulation models, future regional scenarios of rainfall and temperature towards the year were generated toward the future years of 2025, 2050 and 2080. There was evidence of climate change, although these can not be attributed directly to emissions of greenhouse gases. According to the scenarios analyzed, considerable climate disorders are forecasted with a steady increase in temperature and an oscillating decrease in rainfall. Keywords: Climate change, climatic trend, Hydrological scenario.

Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________

210

4.2.1 Introducción

El cambio climático se define como “un cambio de clima atribuido directa o

indirectamente a la actividad humana, actividad que altera la composición de la

atmósfera global y que es adicional a la variabilidad natural del clima observada en un

período de tiempo comparable” (UNFCCC, 1992). La quema de combustibles fósiles,

que incrementan la concentración de gases de efecto invernadero en la atmósfera

alterando su balance y produciendo el calentamiento de la superficie de la tierra y de las

capas inferiores de la atmósfera, ha sido considerada como un factor decisivo para la

producción del cambio climático. La magnitud de las emisiones de gases de efecto

invernadero de origen antropogénico registradas entre 1970 y 2004 se ha incrementado

entre 30 y 50 gigatoneladas de CO2 equivalente por año (IPCC, 2007b).

Los efectos del calentamiento global comprenden cambios a escala planetaria de la

temperatura, la precipitación y otras variables climáticas, produciendo inundaciones,

sequías, el incremento del nivel medio del mar y de las temperaturas máximas, y un

posible aumento de intensidad y frecuencia de eventos climáticos extremos. El Panel

Intergubernamental sobre el Cambio Climático (IPCC) considera que los impactos del

cambio climático no serán uniformes en todo el planeta, sino que variarán de región a

región y prevé un aumento de la temperatura media global de entre 1.4 y 5.8 ºC hacia el

año 2100, y un incremento del nivel del mar en un rango entre 0.1 a 0.9 m

A nivel latinoamericano se ha detectado entre 1970 – 2004 un incremento de la

temperatura comprendido entre 0.2 y 1.0 ºC. Se han observado 53 cambios relevantes

en diferentes magnitudes analizadas en el aspecto físico, de las cuales el 98% son

congruentes con el calentamiento y 5 cambios relevantes en el aspecto biológico de las

cuales el 100% han sido considerados congruentes con el calentamiento global (IPCC,

2007a).

Si se toma en cuenta que el cambio climático podría afectar de manera notable al ciclo

hidrológico, alterando la intensidad y la distribución temporal y espacial de la

precipitación, de la escorrentía de superficie y de la recarga de agua, es fácil

comprender que cambio climático produciría un incremento de la vulnerabilidad de las


211

áreas áridas y semiáridas a un cambio en la disponibilidad de agua, afectándose

consecuentemente, su producción agrícola. Mayores detalles sobre el cambio climático

y sus posibles efectos revisarse en: http://www.ipcc.ch/,

http://www.cdc.gov/climatechange/effects/default.htm entre otras.

En contraposición al IPCC, Robinson et al. (2007) manifiestan que la temperatura

promedio de la Tierra ha variado dentro de un rango de unos 3 °C durante los últimos

3,000 años y en la actualidad está aumentando a medida que la Tierra se recupera del

período conocido como la Pequeña Edad de Hielo (desde comienzos del siglo XIV hasta

mediados del XIX) el que puso fin a una era extraordinariamente calurosa denominada

Óptimo Climático Medieval. El incremento sextuplicado en el uso de hidrocarburos

desde 1940 no ha tenido un efecto notable sobre la temperatura atmosférica ya que

utilización mundial de hidrocarburos y la temperatura superficial registrada en los

Estados Unidos no presentan correlación significativa a diferencia de la estrecha

correlación identificada entre la misma temperatura y la actividad solar. Las

predicciones de un calentamiento global catastrófico están basadas en modelos

climáticos computarizados que relacionan las emisiones gases de efecto invernadero con

los incrementos de temperatura, dichos modelos no se ven respaldados por mediciones

reales de la temperatura y clima de la Tierra. De hecho, durante cuatro de las siete

décadas desde 1940, cuando los niveles promedio de CO2 se incrementaron

continuamente, las temperaturas promedio en los EEUU presentaban tendencia

decreciente (Robinson et al. 2007), hecho que contradice las presunciones del IPCC.

Investigaciones realizadas en España presentan resultados similares, así al analizar

series de precipitación registradas en la comunidad de Madrid durante un período de

136 años no se constató ningún cambio significativo y no pudo identificarse tendencias

determinadas, a nivel mensual y anual, que hagan pensar en un cambio climático (Sanz

Donaire, 2002a). En el caso de los valores extremos no se encontraron evidencias de

una tendencia hacia la concentración o dispersión de los valores extremos de

precipitación en el período analizado, considerándose que la ocurrencia de dichos

fenómenos es aleatoria y al parecer no obedece a la ocurrencia de cambio climático

(Sanz Donaire, 2002b).


212

Investigaciones como las citadas han motivado que un amplio sector de la comunidad

científica mundial, apoye un manifiesto que puede leerse en

http://www.petitionproject.org/index.php, el que es promovido por el Instituto de la

Ciencia y la Medicina de la Universidad de Oregon (EEUU), en el que se manifiesta

que: “No hay fundamentos científicos para afirmar que las emisiones de CO2 o la

actividad humana en general estén causando un aumento global de la temperatura de la

Tierra, que en las últimas décadas, la Tierra se esté calentando” o que “haya cambios

climáticos causados por la actividad humana” y por este motivo se solicita al gobierno

de los Estados Unidos a desconocer los acuerdo firmados en el protocolo de Kyoto en

1997 y otros acuerdos similares.

Lo expuesto, muestra a las claras que no existe un consenso unánime entre los

investigadores del cambio climático, pero a pesar de que exiten algunos sectores

escépticos, el cambio climático es un concepto apoyado por una parte sustancial de la

comunidad científica, por lo que se ha considerado oportuno recurrir al análisis

estadístico de tendencias presentadas en registros históricos más o menos extensos de

variables climáticas como la precipitación y la temperatura, como un medio para

identificar posibles evidencias de cambio climático. Adicionalmente se pueden aplicar

modelos climáticos que permitan establecer escenarios que representen posibles

condiciones climáticas futuras para de esta manera obtener elementos que permitan el

estudio de los posibles efectos del cambio climático.

4.2.1.1 Objetivo

El objetivo del presente trabajo es el de identificar posibles evidencias de un cambio

climático en una región montañosa andina mediante la aplicación de metodologías

estadísticas sencillas, para luego generar escenarios regionales de cambio climático para

diferentes años horizonte, cuyo efecto en los recursos hídricos será estudiado en un

trabajo posterior. Con este trabajo se pretende motivar a los entes de decisión a tomar

medidas que permitan una adaptación al cambio climático y conduzcan a atenuar sus

posibles efectos. Al inicio del artículo se describe la zona de estudio, se detallan las

metodologías empleadas para identificar evidencias de un posible cambio climático y

generar escenarios climáticos futuros. Se analizan las evidencias de cambio climático y


213

las condiciones climáticas futuras según se produzcan dos escenarios de cambio

climático distintos. Finalmente, se extrapolan las tendencias climáticas observadas

hacia el futuro y se comparan con los escenarios climáticos propuestos a fin de observar

su grado de correspondencia.

4.2.2 Metodología


En el presente trabajo se seleccionaron 40 estaciones meteorológicas (tabla 5.1)

ubicadas en la zona fronteriza entre Ecuador y Perú (Sudamérica) las que se encuentran

ubicadas entre los 3º 30´ y 5º 8´ de latitud sur y los 79º 10´ y los 81º 11´ de longitud

oeste y se encuentran en el área de influencia de la cuenca binacional Catamayo – Chira.

La cuenca Catamayo-Chira tiene una extensión de 17 199.19 km2, en la que habita una

población de 817 968 habitantes. La cuenca nace en las cumbres de la divisoria








la zona baja, hasta 1000 mm en su cabecera. La temperatura oscila entre los 24 ºC en las

partes bajas hasta los 7ºC en sus partes más altas. de los 800 mm variando entre 10 mm

en la zona baja, hasta 1000 mm en su cabecera. En términos generales la superficie de la


30% por pastizal, un 10% por cultivos y un 5% por usos varios. La cuenca está formada

por la cinco tributarios principales: Los ríos Catamayo, Macará, Quiroz, Chipilico y

Alamor, de las cuales las mayores productoras de agua son la cuenca del río Catamayo

con un caudal medio de 30 m3/s y la del río Macará con 40 m3/s.


214

Periódicamente el área de estudio se ve afectada por la ocurrencia del ENSO (El Niño

Oscilación Sur), fenómeno que en su fase cálida produce un calentamiento de entre 1 y

4 ºC sobre la temperatura normal del océano ocasionando excesos de evaporación y

consecuentemente lluvias intensas. La fase fría del fenómeno, conocido como La Niña,

produce acumulaciones de agua caliente en el pacífico oeste, por lo que a lo largo de la

costa peruana se producen descensos de la temperatura normal del océano

ocasionándose notables disminuciones de evaporación y precipitación con consecuentes

períodos de sequía. La ubicación de la zona de estudio se presenta en la figura 4.2.1.

Figura 4.2.1. Ubicación de la zona de estudio y estaciones consideradas

4.2.2.2 Análisis de tendencia

El clima de una localidad se encuentra determinado por una serie de elementos que

interactúan entre sí, que son el resultado de fenómenos físicos que ocurren en las capas


215

inferiores de la atmósfera y que son modificados por una serie de factores de orden

geográfico.

Tabla 4.2.1. Estaciones presentes en la zona de estudio. Las variables analizadas en cada estación fueron: precipitación (P), temperatura (T)


Alamor en saucillo 1 Ec. 9505457 566997 125 P 1997-2002Amaluza 2 Ec. 9493392 674770 1690 P,T 1975-2002Argelia 3 Ec. 9553464 699403 2160 P,T 1963-2002Caria manga 4 Ec. 9521176 660606 1955 P,T 1964-2002Cata cocha 5 Ec. 9551949 650752 1763 P, T 1963-2002Catamayo-Aeropuerto 6 Ec. 9558425 681296 1250 P,T 1963-2002Celica 7 Ec. 9546579 616616 2017 P,T 1964-2002Changaimina 8 Ec. 9533920 664116 1970 P 1976-2002El Cisne 9 Ec. 9574167 675000 2300 P 1971-2002El Tambo 10 Ec. 9549939 687880 1575 P 1973-2002Gonzanamá 11 Ec. 9532238 674134 2040 P, T 1965-1999Lauro Guerrero 12 Ec. 9561629 638095 1923 P 1972-2002Macará 13 Ec. 9516395 617745 427 P,T 1965-1997Malacatos 14 Ec. 9534449 690908 1453 P,T 1965-1998Nambacola 15 Ec. 9542456 674175 1795 P 1971-2002Quilanga 16 Ec. 9524562 677858 1805 P 1971-2002Quinara 17 Ec. 9523236 695345 1595 P 1972-2002Vilcabamba 18 Ec. 9530595 699000 1920 P,T 1978-2002Yangana 19 Ec. 9516982 702487 1860 P,T 1979-2002Zapotillo 20 Ec. 9515321 584254 215 P,T 1979-2002Arenales 21 Pe. 9456070 627254 3010 P 1974-1991

Ayabaca 22 Pe. 9487823 642699 2700 P,T 1971-2002

Chilaco 23 Pe. 9480963 554900 90 P,T 1972-2002

El Ciruelo 24 Pe. 9524654 594327 202 P 1977-2002

Frias 25 Pe. 9454464 617181 1630 P 1972-1992

La Esperanza 26 Pe. 9456418 493286 12 P,T 1972-2002

Mallares 27 Pe. 9463137 529784 45 P,T 1972-2002

Olleros 28 Pe. 9479985 649482 1457 P 1971-1977

Pacaypampa 29 Pe. 9449023 647832 1960 P 1963-2002





Sapillica 34 Pe. 9471196 612750 1446 P 1972-2002

Sausal Culucan 35 Pe. 9474842 636789 980 P,T 1972-2002

Sicchez 36 Pe. 9494751 636565 1514.2 P 1972-1992

Suyo 37 Pe. 9502161 610687 250 P 1972-1992

Tacalpo 38 Pe. 9485503 655040 1363.5 P 1972-1992

Talaneo 39 Pe. 9441261 660492 2888 P 1972-1992

Tapal 40 Pe. 9472591 660560 1825 P 1972-1992


216

De los elementos que definen el clima la precipitación y la temperatura son quizá los

más representativos y abundantes en términos de registros históricos, por lo que un

análisis de su variabilidad podría ser un medio eficiente para identificar evidencias de

un posible cambio climático.

Al analizar una serie temporal de datos es posible discriminar en ella componentes tales

como la tendencia, la estacionalidad y la aleatoriedad de la serie a fin de caracterizarla y

modelarla. Para identificar la existencia o no de un cambio climático en la zona de

estudio se procedió a buscar un patrón en las series históricas disponibles de

precipitación y temperatura, dicho patrón o tendencia se identificó aplicando un filtro de

datos basado en medias móviles de cuarto orden calculadas para cada punto, como un

promedio del mismo número de valores ubicados a cada lado de dicho punto,

obteniéndose una representación suavizada del registro histórico. La variación de la

tendencia fue expresada como la diferencia simple entre el valor inicial y final de la

recta de tendencia, calculada mediante mínimos cuadrados aplicados a la nube de

puntos generada por las medias móviles.

En el caso de la precipitación se procedió a realizar un doble análisis de la tendencia

primeramente considerando el registro histórico en cada estación, para luego replicar el

análisis pero filtrando los años en los que se presentó el fenómeno ENSO (1982-1983 y

1997-1998).

4.2.2.3 Generación de escenarios regionales de cambio climático

Escenarios de emisión de gases de efecto invernadero

Un escenario climático es una representación del clima futuro que es internamente

consistente, que ha sido construida empleando métodos basados en principios

científicos y que puede ser utilizada para comprender las respuestas de los sistemas

medio ambientales y sociales ante el futuro cambio climático (Vinner y Hulme, 1992)

Los escenarios son representaciones futuras de los potenciales cambios que se pueden

dar en el clima, fundamentándose en variaciones demográficas, sociales, económicas y

desarrollo tecnológico. En el informe especial del IPCC (2000) sobre los escenarios de


217

emisión (SRES) se han considerando cuatro grupos de escenarios principales

denominados familias: A1, A2, B1 y B2. Tales escenarios suponen diferentes

perspectivas de los cambios a producirse ya que en dos de ellos se recalca la riqueza

material y en los otros dos se enfatiza la sostenibilidad y equidad:

• Familia A1: Supone un rápido crecimiento económico. Población mundial con

máximo hacia mediados del siglo y desciende posteriormente. Rápida

introducción de tecnologías nuevas y más eficientes. Convergencia entre

regiones. Reducción de las diferencias regionales en cuanto a ingresos por

habitante. Se subdivide en: A1FI: Utilización intensiva de combustibles de

origen fósil. A1T: Utilización de fuentes de energía de origen no fósil. A1B:

Utilización equilibrada de todo tipo de fuentes

• Familia A2: Describe un mundo muy heterogéneo. Población en continuo

crecimiento. El desarrollo económico está orientado básicamente a las regiones,

y el crecimiento económico por habitante así como el cambio tecnológico, están

más fragmentados y son más lentos que en otras líneas evolutivas.

• Familia B1: Considera la población mundial con valor máximo hacia mediados

del siglo para descender posteriormente. Estructuras económicas orientadas a

una economía de servicios y de información. Utilización menos intensiva de los

materiales y la introducción de tecnologías limpias con un aprovechamiento

eficaz de los recursos. Preponderancia a las soluciones de orden mundial

encaminadas a la sostenibilidad económica, social y ambiental, así como a una

mayor igualdad, pero en ausencia de iniciativas adicionales en relación con el

clima.

• Familia B2: Estima que predominan las soluciones locales a la sostenibilidad

económica, social y ambiental. La población aumenta progresivamente a un

ritmo menor que en A2, con unos niveles de desarrollo económico intermedios,

y con un cambio tecnológico menos rápido y más diverso que en las líneas

evolutivas A1 y B1. Aunque este escenario está también orientado a la


218

protección del medio ambiente y a la igualdad social, se centra principalmente

en los niveles local y regional.

En cada escenario existen diferentes trayectorias para la emisión de gases de efecto de

invernadero (GEI), según el SRES se puede representar con mayor detalle los niveles de

emisiones totales del dióxido de carbono (CO2) apreciándose en la figura 4.2.2 las

tendencias que cada una de ellas conlleva.

Figura 4.2.2. Emisiones anuales totales de CO2 provenientes de todas las fuentes entre 1990 y 2100 (en GtC/año) para los seis grupos de escenarios a) A1FI (incluye los escenarios de alto nivel de carbón y de alto nivel de petróleo y gas), A1T (combustibles predominantemente de origen no fósil) y el A1B (equilibrado); b) A2; c) B1 y d) B2. Cada franja de emisiones coloreada indica el repertorio de escenarios armonizados (basados en supuestos comunes sobre la población mundial, el crecimiento económico y el uso final de la energía), y no armonizados (basados en una cuantificación alternativa de la línea evolutiva) dentro de cada grupo. Se ofrece un escenario ilustrativo para cada uno de los seis grupos de escenarios, incluidos los cuatro de referencia (A1, A2, B1 y B2, en líneas de trazo continuo), y dos escenarios ilustrativos para A1FI y A1T (líneas de trazos)(IPCC, 2000)

Modelos de circulación general

La herramienta más importante para explorar la posible evolución futura del clima a

escala secular en escenarios de cambio de las concentraciones de gases de efecto

invernadero son los Modelos de Circulación General del Océano y la Atmósfera

(MCG), los que permiten simular el comportamiento futuro del régimen climático

mundial mediante el desarrollo de complicados modelos numéricos. Dichos modelos


219

simulan matemáticamente el comportamiento de los diferentes elementos del sistema

climático como los de la atmósfera, hidrosfera, litosfera y biosfera.

La mayor parte de las ecuaciones en los MCG son ecuaciones diferenciales para la tasa

de cambio de una variable, de tal forma que si es conocido su valor en un determinado

instante, puede evaluarse el correspondiente en un instante posterior a través de la

integración de las ecuaciones apropiadas. Por tanto, los MCG tienen una orientación

predictiva y permiten obtener soluciones de las ecuaciones, y simulaciones climáticas, a

partir de un estado inicial del sistema (condiciones iniciales).

La principal fuente de incertidumbre de los modelos de circulación general se encuentra

en la denominada sensibilidad climática (∆T2X) la que se entiende como el incremento

de la temperatura global que se produce como respuesta a la duplicación del nivel de

CO2 en la atmósfera. Esta definición se basa en que la concentración de CO2 es el

factor principal en el calentamiento del planeta. El IPCC estima que el valor de la

sensibilidad climática se encuentra entre 1.5 ºC y 4.5 ºC con un nivel de confianza del

90%. Este intervalo no ha variado desde el Primer Informe de Evaluación del IPCC

publicado en 1990. La mejor estimación de este parámetro parece ser 2.6 ºC (IPCC,

2001).

Escalado de patrones

Los escenarios de emisión de gases de efecto invernadero no pueden utilizarse

directamente para proyectar los patrones de cambio regional, pues ellos solamente

proporcionan resultados sobre la temperatura y el incremento del nivel del mar a escala

global (Centella, 1998). Por otra parte, aunque los MCG producen sus resultados sobre

rejillas uniformes, las cuales sí pueden utilizarse directamente en la proyección de los

patrones regionales, sus salidas no están disponibles para una diversidad de supuestos

sobre futuras emisiones de gases de efecto invernadero (GEI). Así pues, es necesario

combinar los resultados globales de los primeros con las rejillas de los segundos

(Centella, 1998). Dicho proceso se denomina escalado de patrones y se basa en el hecho

de que los patrones de cambio climático futuro permanecen bastante similares

independientemente de la magnitud total (media global) del cambio, al menos por lo

que respecta a los GEI (MMAE, 2007).


220

Para el escalado de patrones, los valores de cambio de una variable climática en cada

punto de rejilla del MCG (∆Vi) calculados como de la diferencia entre los valores

proyectados a un año horizonte por el MCG y los del período de referencia

(normalmente 1961-1990), son divididos (estandarizados) por el calentamiento global

del MCG en cuestión (∆TMCG), para producir una magnitud que representa el cambio de

cualquier variable por grado de calentamiento global. Finalmente, los valores

estandarizados son reescalados nuevamente, al multiplicarlos por el calentamiento

global obtenido de la salida de los escenarios del SRES (∆TañoMCS). El proceso puede

representarse mediante la ecuación 4.2.1 (Centella, 1998).

MCG

iañoañoi T

VMCSTV

∆∆

∆=∆ , Eq. 4.2.1

Donde: ∆Vi,año es el cambio en la variable V para un año determinado, en el punto de

rejilla i; ∆Vi es la diferencia entre los valores proyectados a un año horizonte por el

MCG y los del período de referencia en el punto de rejilla i, para la variable V; ∆TMCG

es el calentamiento global dado por el MCG; ∆TañoMCS es el cambio de temperatura

global para un año específico con relación al período 1961-1990 obtenido por los

escenarios del SRES.


Un generador de escenarios climáticos (GEC) es una cadena integrada de modelos

simples que toman escenarios de emisión como entrada y generan escenarios climáticos

distribuidos geográficamente mediante la combinación de los patrones de respuesta de

los diferentes GEI con diferentes MCG y utilizando datos climáticos observados.

Normalmente los GEC constan de dos módulos: el primero calcula el cambio climático

global mediante un conjunto de modelos climáticos simples que emulan el

comportamiento de los MCG, y el segundo realiza la representación del cambio

climático regional mediante una base de datos que contiene resultados de un gran

número de experimentos con MCG, así como datos globales de observación.


221

El GEC más utilizado es el MAGICC/SCENGEN (Wigley, 2003), acrónimo que

corresponde a “Model for the Assessment of Greenhouse-gas Induce Climate

Change/SCENario Generator”. El modelo incorpora el MAGGICC que es un modelo



y 2100 y el SCENGEN que ajusta los resultados del MAGGICC conjuntamente con un

amplio grupo de MCG tomando como fundamento las sensibilidad climática de cada

modelo para originar escenarios de cambio climático regionalizados, aumentando la

escala de los resultados de los GCM y así obtener un producto regional de temperatura y

precipitación en una cuadrícula de 5°.

Aplicando el módulo MAGGICC se seleccionaron dos escenarios del SRES de

características diferentes: B2-MES (extensivo) y A1-FIMI (intensivo), escenarios que

podrían reflejar cambios coherentes con la realidad de la zona de estudio. Se tomó a

1990 como año de referencia para las simulaciones, año a partir del cual se calcularían

los incrementos en la temperatura y la precipitación, y 2100 como año final de las

simulaciones según los escenarios SRES seleccionados, de igual manera se seleccionó

una sensibilidad climática de 2.6 ºC.

Una vez calculado el cambio climático global se procedió a regionalizar los escenarios

de cambio climático, para ello se seleccionaron en el módulo SCENGEN ocho modelos

de circulación general (MCG): CCC199 (Canadian Centre for Climate Modeling and

Analysis, Canada), CCSR96 (Japanese Centre for Climate Systems Research, Japan),

CSM98, ECH498 (German Climate Research Centre, Germany), HAD300 (UK Hadley

Centre for Climate Prediction and Research, Europe), HAD295 (UK Hadley Centre for

Climate Prediction and Research, Europe), MRI_96 y WM_95, que presentaron

diferentes tendencias de variación climática, pero susceptibles de ser promediadas. Se

generaron tasas de variación de la precipitación y temperatura a nivel mensual y anual

para períodos de diez años centrados en los años horizonte 2025, 2050 y 2080

calculando el promedio de los ocho MCG mencionados. Detalles de los MCG

empleados pueden ser vistos en Hulme et al. (1999), Boer et al. (2000), Johns et al,

(1997) y Roeckner et al. (1996).


222

4.2.2.5 Extrapolación de las tendencias observadas y comparación con los

escenarios de cambio climático calculados.

Una vez determinadas las tendencias climáticas en cada una de las estaciones

consideradas en este estudio, se procedió a realizar una extrapolación lineal de la

tendencia; empleando para el efecto, la ecuación de la recta de regresión ajustada a la

nube de puntos resultante de la aplicación de medias móviles a los registros históricos

de precipitación y temperatura.

Se obtuvieron valores de la variación de la precipitación y la temperatura en cada una de

las estaciones consideradas y se calculó el promedio simple de dichos valores,

obteniéndose un valor correspondiente para cada año horizonte (2025, 2050 y 2080).

Los valores de la tendencia se compararon con los calculados para los mismos años

horizonte según los dos escenarios climáticos seleccionados (B2-MES y A1-FIMI).


4.2.3.1 Análisis de tendencia

En la tabla 4.2.2 se resumen las tendencias observadas en términos de variación

porcentual de la precipitación total anual y en grados centígrados de variación de la

temperatura. En las figuras 4.2.3 y 4.2.4 se observa la representación gráfica del

registro histórico, las medias móviles calculadas y la línea de tendencia de las medias

móviles, para la precipitación anual y la temperatura media en su orden, para varias de

las estaciones estudiadas.

Al analizar los registros de precipitación se detecta una tendencia creciente en 28 de las

40 estaciones consideradas (tabla 4.2.2), pudiendo observarse que la mayor tendencia

creciente la presentan estaciones que se encuentran por debajo de los 600 metros sobre

el nivel del mar, con valores que fluctúan entre 31% y 187.5% si se consideran los

valores observados y entre 5% y 127.4% si se consideran registros filtrando el ENSO.


223

Tabla 4.2.2. Resumen de las tendencias observadas, expresadas en términos de variación porcentual de la precipitación total anual y en grados centígrados de variación de la temperatura según el caso. El signo (+) indica si es creciente la tendencia o (-) si es decreciente. En el caso de la precipitación la columna (a.) está calculada con los valores reales observados. En la columna (b.) se han filtrado los años ENSO

Variación de la Precipitación Anual (%) Variación de la Temperatura (ºC)

Estación Cota (m) a. b. Mínima Media Máxima

Alamor en saucillo 125 95.7 95.7 ----- ----- -----

Amaluza 1690 22.1 2.9 ----- 1.5 0.3

Argelia 2160 -2.1 -2.1 1.4 0.7 1.3

Caria manga 1955 29 29 0.0 0.5 1.9

Cata cocha 1763 18.2 18.2 ----- 0.1 -----

Catamayo-Aereopuerto 1250 -25.3 -25.3 ----- 1.1 1.7

Celica 2017 -24.5 -30.1 ----- 0.5 1.3

Changaimina 1970 35.5 35.5 ----- ----- -----

El Cisne 2300 27.4 27.4 ----- ----- -----

El Tambo 1575 -22.6 -22.6 ----- ----- -----

Gonzanamá 2040 -25.9 -25.9 ----- 0.6 0.5

Lauro Guerrero 1923 22.3 22.3 ----- ----- -----

Macará 427 60.4 87.5 ----- 1.1 -----

Malacatos 1453 -25.3 -25.3 -3.9 -1 0.6

Nambacola 1795 20 30.8 ----- ----- -----

Quilanga 1805 -13.9 -13.9 ----- ----- -----

Quinara 1595 25.4 12.4 ----- ----- -----

Vilcabamba 1920 11 11 2.2 1.2 1.1

Yangana 1860 2.2 2.2 ----- 2.1 -----

Zapotillo 215 45 5 ----- 1 -----

Arenales 3010 23.5 23.5 ----- ----- -----

Ayabaca 2700 22.4 22.4 -0.4 1.2 1.9

Chilaco 90 90 35.7 0.4 2.2 0.9

El Ciruelo 202 150 85 ----- ----- -----

Frias 1630 -14.1 -23 ----- ----- -----

La Esperanza 12 37.5 7.1 -1.1 1.7 1.4

Mallares 45 187.5 74.1 3.1 2.4 2.0

Olleros 1457 19.7 19.7 ----- ----- -----

Pacaypampa 1960 7.7 7.7 ----- ----- -----

Palo Blanco Talaneo 2771 -22.5 -22.5 ----- ----- -----

Paraje Grande 555 109.4 58.8 ----- ----- -----

Pte.Internacional 408 132.2 127.4 ----- ----- -----

San Juan de los Alisos 1301 -34.3 -36.2 ----- ----- -----

Sapillica 1446 12 1.4 ----- ----- -----

Sausal Culucan 980 -11.5 -17 1.1 1.0 2.0

Sicchez 1514.2 12.8 -1.5 ----- ----- -----

Suyo 250 31 31 ----- ----- -----

Tacalpo 1363.5 17.2 17.2 ----- ----- -----

Talaneo 2888 13 13 ----- ----- -----

Tapal 1825 -14.5 -14.5 ----- ----- -----


224

Las estaciones que se encuentran a alturas mayores a los 600 m presentan tendencias

crecientes entre 7.7% y 35.5%. En lo que a tendencias decrecientes se refiere, éstas se

presentan en 12 estaciones, que se encuentran entre los 980 y los 2160 metros sobre el

nivel del mar, con valores que varían entre -2.1% y -34.3%, los que se presentan en

estaciones que se encuentran a cotas mayores a los 900 m.

La mayor tendencia creciente de precipitación se observa en la estación Mallares (tabla

4.2.2), con una tendencia creciente del 187.5%, con los datos observados la que se ve

reducida hasta el 74.1% si se calcula la tendencia filtrando los años ENSO. El notable

efecto ENSO se explica por la cercanía de la estación al océano Pacífico, lo que hace

que su efecto sea notable. Un hecho similar, aunque de menor magnitud se observa en

las estaciones Chilaco y Zapotillo.

El ENSO contribuye a maximizar la tendencia de la precipitación como se puede

observar en el caso de la estación El Ciruelo y Paraje Grande (tabla 4.2.2), ya que al

calcular la tendencia filtrando el año ENSO, ésta se reduce en casi un 50%. En el caso

de estaciones como Celica y Frías el ENSO enmascara la tendencia decreciente que

dichas estaciones presentan.

En 16 de las 17 estaciones que cuentan con información de temperatura media en la

tabla 4.2.2, se observa una tendencia creciente de la temperatura con valores que

fluctúan entre 0.1 y 2.4 ºC. La estación Malacatos presenta una tendencia decreciente

de 1ºC. La mayor tendencia creciente la presenta la estación de Mallares, en la que se ha

registrado un incremento en el orden de 2.4 ºC. Las temperatura mínimas presentan una

tendencia creciente en todas las estaciones a excepción de Malacatos, Ayabaca y La

Esperanza, siendo la estación Malacatos la que presenta una significativa tendencia

decreciente en su temperatura mínima que equivale a casi 4 ºC. Las temperaturas

máximas presentan por su parte, una marcada tendencia creciente con valores que

oscilan entre 0.3 y los 2.0 ºC.

Los valores de variación de la temperatura que presenta la estación Malacatos

evidencian una tendencia contraria a las estaciones restantes, ocasionada en gran medida

por la ubicación de la estación, ya que inicialmente se encontraba rodeada por cultivos

de caña, que originaban un microclima que era registrado por la estación y que era


225

alterado periódicamente durante los períodos de siembra y cosecha. Este hecho motivó

la reubicación de la estación en octubre de 2003 a fin de corregir estas aparentes

anomalías.

Figura 4.2.3. Tendencias de precipitación

En la tabla 4.2.2 se puede observar que las variaciones en la temperatura no son

uniformes, es decir que las temperaturas máximas, medias y mínimas presentan

tendencias diferentes de variación; así por ejemplo en la estación La Argelia, las

temperaturas mínimas presentaron una tendencia creciente equivalente a 1.4 ºC, las


226

temperaturas medias se incrementaron en 0.7 ºC y las máximas crecieron 1.3 ºC. En el

caso de Ayabaca, las temperaturas mínimas decrecieron 0.4 ºC, las medias

incrementaron 1.2 ºC y las máximas 1.9 ºC. En términos generales, en una misma

estación, las temperaturas mínimas presentan una mayor tendencia creciente, seguida

de las temperaturas medias y finalmente de las temperaturas máximas. Esto evidencia

que las temperaturas mínimas son cada vez más altas, al igual que las medias y las

máximas.

Figura 4.2.4. Tendencias de temperatura media


227

En términos generales en la tabla 4.2.2 y las figuras 4.2.3 y 4.2.4 se observa una

tendencia decreciente en los niveles de precipitación en las zonas altas de la cuenca y

una tendencia creciente en las partes bajas. La temperatura (media, máxima y mínima)

presenta una tendencia creciente en toda la zona de estudio. Al comparar la tendencia

crecientes observada en los registros de temperatura, con las crecientes emisiones de

gases de efecto invernadero en el período 1970-2004, las que según el IPCC (2007b), se

han incrementado entre 30 y 50 Gtn de CO2 equivalente por año, se podría pensar en la

existencia de una posible relación entre ellas, que podría explicar el incremento

constante observado en los registros de la temperatura.

4.2.3.2 Generación de escenarios de cambio climático

La variación estacional (régimen) de la precipitación y la temperatura, en dos estaciones

representativas del comportamiento general de la zona de estudio, se presenta en la

figura 4.2.5. Los escenarios climáticos generados se resumen en las figuras 4.2.6, 4.2.7

y 4.2.8.

La variación estacional de la precipitación es más o menos uniforme en toda el área de

estudio, como puede apreciarse en la figura 4.2.5, notándose que tanto en la parte alta

(p. ej. la estación Cata cocha) como la parte baja de la cuenca (p. ej. la estación Macará)

se presenta una temporada lluviosa que se extiende de noviembre a mayo, notándose

que la diferencia entre la temporada lluviosa y la seca es mucho más marcada en la parte

baja de la cuenca. La temperatura presenta dos regimenes de variación (figura 4.2.5): el

primero presente predominantemente en la zona sur este del área de estudio con valores

máximos de temperatura entre julio y noviembre; y el segundo, predominante en el

resto del área de estudio, con valores mínimos entre mayo y septiembre. En todo caso

el rango anual de variación de la temperatura media no sobrepasa los 3 ºC.

Al contrastar el régimen histórico de precipitación, incluido en la figura 4.2.5, con los

resultados mensuales obtenidos para cada año horizonte según los dos escenarios

considerados, incluidos en la figura 4.2.6, se prevén notables incrementos de la

precipitación durante los meses de junio y julio, indicándose un mayor incremento en el

mes de junio, esto se contrapone a la tendencia histórica ya que los meses de junio, julio

y agosto son los que registran menores valores de precipitación. Según los escenarios


228

generados, los meses de septiembre, octubre y noviembre presentarán notables

disminuciones en sus niveles de precipitación, lo que se contrapone con la tendencia

histórica que presenta en los meses de noviembre y diciembre como los de inicio del

año hidrológico. Los valores de precipitación máximos históricos se presentan en los

meses de febrero y marzo, lo que de cierta manera coincide con los valores que se

pueden esperar para dichos meses según los escenarios estudiados.

Figura 4.2.5: Régimen histórico de precipitación y temperatura en la zona de

estudio

En el caso de las temperaturas, al contrastar la variación estacional observada en la

temperatura e incluida en la figura 4.2.5 con los escenarios generados a nivel mensual

que se indican en la figura 4.2.6, se puede comprobar que los mayores incrementos

estimados según los escenarios considerados se presentarán en los meses de junio a

septiembre, incrementando su valor conforme incrementa el año horizonte. Al observar

la tendencia histórica se puede observar que los meses de junio, julio y agosto son los

que presentan mayores disminuciones de temperatura. Los meses que históricamente se

presentan como los más cálidos, es decir abril y octubre, muestran moderados

incrementos de temperatura según los escenarios estudiados.


229

Figura 4.2.6: Escenario de variación mensual de precipitación (en %) y temperatura (en ºC) según cada año horizonte

Figura 4.2.7. Escenario de variación anual de la temperatura media considerando

un período de 10 años centrado en cada año horizonte


230

Figura 4.2.8. Escenario de variación anual de la precipitación total considerando

un período de 10 años centrado en el cada año horizonte

A escala anual (figura 4.2.7), se puede observar una tendencia creciente en el caso de la

temperatura, la que experimentaría un incremento entre 0.6 ºC para el año 2020 y 4 ºC

para el 2085 según el escenario de referencia A1FIMI. Según el escenario de política

B2MES las variaciones estarían entre 0.65ºC para el 2020 y 2.4 ºC para el 2085.

En el caso de la precipitación (figura 4.2.8), se puede observar una tendencia muy

variable, casi oscilante, según el escenario de referencia A1FIMI, decreciente entre el

2020 y 2025, para presentar un decremento de menor magnitud de los volúmenes de

precipitación entre 2025 y el 2045, para nuevamente producirse un descenso paulatino

más pronunciado entre el 2045 y el 2053, para finalmente presentar un incremento

constante hasta el 2085.

De acuerdo con el escenario de política B2MES, la situación de la precipitación será en

algo similar ya que se observa una tendencia decreciente entre el 2020 y el 2050, para

presentar una tendencia relativamente creciente a partir del 2050 hasta el 2085,

recuperando prácticamente sus niveles iníciales.


231

Según el escenario A1FIMI los años más secos serán 2025, 2052 y 2053 y según el

escenario B2MES los años más secos serán los comprendidos entre 2050 y 2053.

En términos generales el escenario A1FIMI prevé mayores incrementos de temperatura

en la zona de estudio con decrementos significativos de la precipitación, produciéndose

aumentos considerables de la misma a partir del año 2074. El escenario B2MES prevé

incrementos más moderados de la temperatura que los previstos por el escenario

A1FIMI y disminuciones moderadas de precipitación, sin llegarse a producir

incrementos significativos de la misma.

4.2.3.3 Extrapolación de las tendencias observadas y comparación con los

escenarios de cambio climático calculados.

En las tabla 4.2.3 y 4.2.4, respectivamente, se presenta la variación esperada de la

precipitación y la temperatura para cada año horizonte, las mismas que han sido

calculadas en base a la extrapolación de las tendencias observadas y analizadas en el

apartado 4.2.3.1.

En las tablas mencionadas se puede comprobar que conforme incrementa el año

horizonte, el valor de la variación esperada de la precipitación incrementa siguiendo la

tendencia observada, alcanzando valores hacia 2080 que podrían ser excesivos, como

es el caso de la estación Mallares que de mantenerse la tendencia observada, presentaría

incrementos muy significativos de la precipitación, del orden del 640%, caso similar,

aunque en menor escala lo presentan las estaciones Pte. Internacional (397 %), Paraje

Grande (398 %), Alamor en Saucillo (368.6%) entre otras. La tendencia decreciente es

un poco más moderada, alcanzando valores de -161% en la estación Altamiza, -97 % en

Catamayo –Aeropuerto, - 96% en Celica y -94% en Malacatos.

En el caso de la temperatura las variaciones esperadas para el 2080 presentan rangos

que oscilan entre -3.4 ºC (Estación Malacatos) hasta 8.6 ºC (Mallares). La tendencia

predominante es creciente con la excepción hecha a la estación Malacatos que presenta

una tendencia decreciente, posiblemente debido a las circunstancias ya anotadas.


232

Tabla 4.2.3. Variación esperada de la precipitación para cada año horizonte, según extrapolación de las tendencias observadas en cada estación

Estación Incremento Porcentual al

año horizonte Estación Incremento Porcentual al año

horizonte

2025 2050 2080 2025 2050 2080

Alamor en saucillo 180.9 266.2 368.6 Altamiza -79.2 -116.6 -161.5

Amaluza 38.3 56.4 78.0 Arenales -32.2 -47.4 -65.6

Argelia -3.9 -5.7 -7.9 Ayabaca 37.0 54.4 75.4

Caria manga 60.2 88.7 122.8 Chilaco 163.8 241.1 333.8

Cata cocha 29.7 43.8 60.6 El Ciruelo 0.3 0.4 0.5

Catamayo-Aeropuerto -47.6 -70.1 -97.1 La Esperanza 83.5 122.9 170.2

Celica -47.2 -69.5 -96.2 Mallares 314.4 462.7 640.7

Changaimina 54.6 80.4 111.3 Olleros 35.4 52.1 72.2

El Cisne 45.2 66.5 92.0 Pacaypamba 13.6 20.0 27.7

El Tambo -38.8 -57.1 -79.1 Palo Blanco Talaneo -37.6 -55.4 -76.7

Gonzanamá -44.8 -65.9 -91.2 Paraje Grande 195.6 287.9 398.7

Lauro Guerrero 40.7 60.0 83.0 Pasapamba 0.0 0.1 0.1

Macará 113.0 166.3 230.2 Pte Internacional 191.0 284.6 397.0

Malacatos -46.2 -68.0 -94.2 Sapillica 20.8 30.6 42.3

Nambacola 38.5 56.7 78.4 Sausal de Culucan -16.2 -23.9 -33.1

Quilanga -23.5 -34.6 -47.9 Sicchez 25.6 37.7 52.2

Quinara 46.6 67.7 93.1 Suyo 57.2 84.2 116.6

Vilcabamba 17.2 25.3 35.0 Tacalpo 30.7 45.2 62.6

Yangana 6.0 8.9 12.3 Talaneo 15.8 23.2 32.2

Zapotillo 74.0 109.0 150.9 Tapal -24.6 -36.3 -50.2

Tabla 4.2.4. Variación esperada de la temperatura para cada año horizonte, según

extrapolación de las tendencias observadas en cada estación Estación Incremento en ºC al año horizonte Estación Incremento en ºC al año horizonte

2025 2050 2080 2025 2050 2080

Amaluza 2.6 3.8 5.2 Vilcabamba 2.1 3.1 4.2

Argelia 1.2 1.8 2.4 Yangana 3.7 5.4 7.5

Caria manga 0.9 1.3 1.8 Zapotillo 1.8 2.6 3.6

Cata cocha 0.1 0.1 0.2 Ayabaca 2.1 3.1 4.4

Catamayo-Aeropuerto 2.5 3.6 5.0 Chilaco 4.0 5.8 8.1

Celica 0.9 1.3 1.7 La Esperanza 2.9 4.3 6.0

Gonzanamá 0.8 1.2 1.6 Mallares 4.2 6.2 8.6

Macará 1.5 2.2 3.1 Sausal 1.7 2.6 3.6

Malacatos -1.7 -2.5 -3.4


233

La comparación entre los valores de variación para la precipitación y la temperatura,

obtenidos mediante el promedio simple de los resultados de la extrapolación de

tendencias y la aplicación de los dos escenarios climáticos considerados, se presentan

para cada año horizonte en la tabla 4.2.5.

En el caso de las temperaturas la extrapolación de la tendencia y el escenario A1FIMI

presentan una aceptable correspondencia, no así con el escenario B2MES que presenta

valores más conservadores que pueden ser hasta un 1.5 ºC menores. Al parecer la

temperatura ha tenido una evolución similar a la considerada en los informes del IPCC

y se puede esperar una variación futura en base a los mismos lineamientos.

Tabla 4.2.5 Comparación de los resultados de variación en la precipitación y la temperatura obtenidos mediante la extrapolación de las tendencias observadas y los escenarios climáticos calculados

2025 2050 2080 Extrapolación de la tendencia 1.8 2.7 3.7A1F1MI 0.8 2.0 3.8

Variación temperatura (ºC) B2MES 0.8 1.5 2.3Extrapolación de la tendencia 37.2 54.8 75.9A1F1MI -35.6 -32.2 17.3Variación Precipitación

(%) B2MES -15.3 -21.6 -16.7

En el caso de la precipitación se puede observar que los dos escenarios climáticos

propuestos prevén disminuciones significativas, frente a que las tendencias observadas

permitirían esperar incrementos considerables. Esta discrepancia posiblemente se

origina en el hecho de que los efectos del cambio climático se empezarían a sentir con

posterioridad al año 2000 y el período del presente estudio es anterior a dicho año

(1970-2000), esto hace pensar que los cambios en la temperatura alterarán el ciclo

hidrológico local lo que ocasionaría cambios notables en las tendencias históricas

observadas.

4.2.4 Conclusiones

Se observó una tendencia creciente de la temperatura en toda el área de estudio y dos

tendencias en la precipitación: una decreciente en las partes altas de la zona de estudio y


234

otra creciente en las partes bajas. En el caso de la precipitación la tendencia fue

afectada por la ocurrencia del ENSO, que en los casos de tendencia creciente contribuyó

a incrementarla y en los casos de tendencia decreciente contribuyó a atenuarla.

La variación creciente de la tendencia de la temperatura evidencia la existencia de un

cambio climático en la zona de estudio, el que es correspondiente al volumen de

emisiones de gases de efecto invernadero registrados a nivel mundial en un período

similar al de estudio.

Los escenarios regionales generados prevén trastornos en el régimen de temperatura en

la zona de estudio ya que meses tradicionalmente fríos experimentarían considerables

aumentos de temperatura. El régimen de precipitación también se vería seriamente

alterado ya que lo meses secos presentarían incrementos de precipitación y en meses

tradicionalmente húmedos se producirían decrementos significativos.

A pesar de que se prevé un incremento de los niveles de precipitación en ciertos meses,

en otros, las disminuciones serían igualmente significativas, por lo que los totales

anuales se verían notablemente reducidos, lo que hace suponer una posible escasez de

recursos hídricos en la zona de estudio, mayor estrés hídrico en la vegetación e incluso

un posible incremento de la intensidad de los eventos extremos de precipitación.

La extrapolación de las tendencias de temperatura media hacia los años horizonte

presenta una buena correspondencia con el escenario A1FIMI, en contraposición al

escenario B2MES que presenta valores más conservadores. Al extrapolar las tendencias

de precipitación se obtienen resultados opuestos a los obtenidos según los escenarios

planteados, lo que hace suponer que un posible cambio climático afectaría

considerablemente el ciclo hidrológico alterando las tendencias históricas observadas.

Los escenarios climáticos no son pronósticos o predicciones, solo son una

representación de posibles condiciones climáticas futuras, por lo que la innegable

vulnerabilidad de la zona de estudio a fenómenos extremos como sequías, inundaciones

y deslizamientos, debe ser el origen de una cultura institucional orientada a la

prevención de desastres, con un coherente ordenamiento territorial, y procurando

siempre la conservación y manejo planificado de los recursos naturales.


235

4.2.5 Referencias Boer, G.J., Flato, G., Reader, M.C., Ramsden, D., 2000. A transient climate change simulation with greenhouse gas and aerosol forcing: experimental design and comparison with the instrumental record for the twentieth century. Climate Dynamics. 16, 405-425.

Centella, A., 1998. Escenarios de Cambio climático para la evaluación de los impactos en El Salvador. Ministerio de Medioambiente y Recursos Naturales de El Salvador, San Salvador.

Hulme, M., Mitchell, J., Ingram W., Lowe J., Johns, T., New, M., Viner, D., 1999. Climate change scenarios for global impacts studies. Global Environmental Change. 9, S3-S19.

Hulme, M., Wigley, T.M.L., Barrow, E.M., Raper, S.C.B., Centella, A., Smith, S., Chipanshi, A. C., 2000. Using a Climate Scenario Generator for Vulnerability and Adaptation Assessments: MAGICC and SCENGEN Version 2.4, Workbook. Climatic Research Unit, Norwich, UK, 52 p.

IPCC, 2000 Informe especial sobre escenarios de emisión: Resumen para responsables de políticas. Disponible en: http://www.ipcc.ch/pdf/special-reports/spm/sres-sp.pdf IPCC, 2001: Climate Change, 2001. The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change [Houghton, J.T.,Y. Ding, D.J. Griggs, M. Noguer, P.J. van der Linden, X. Dai, K. Maskell, and C.A. Johnson (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 881pp. IPCC, 2007a, [M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden y C.E. Hanson, (eds)], Cambio Climático 2007: Impactos, Adaptación y Vulnerabillidad. Aportes del Grupo de Trabajo II al Cuarto Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático, Cambridge University Press, Cambridge, Reino Unido. 100 p. IPCC, 2007b, [B. Metz, O. R. Davidson, P. R. Bosch, R. Dave, L. A. Meyer (eds)], Cambio Climático 2007: Mitigación. Contribución del Grupo de Trabajo III al Cuarto Informe de Evaluación del Panel Intergubernamental de Expertos sobre Cambio Climático, Cambridge University Press, Cambridge, Reino Unido. 96 p. Johns, T.C., Carnell, R.E., Crossley, J.F., Gregory, J.M., Mitchell, J.F.B., Senior, C.A., Tett, S.F.B., Wood, R.A., 1997. The second Hadley Centre coupled ocean-atmosphere GCM: model description, spinup and validation. Climate Dynamics. 13, 103-134. MMAE, 2007. Generación de escenarios regionalizados de cambio climático para España, primera fase. Disponible en http://www.aemet.es/es/noticias/2007/20070417b


236

Ojeda Martín, M. R., Sanz Donaire, J. J., 2005. ¿Se acentúan ahora las catástrofes climáticas en España?. Observatorio medioambiental, Nº 8, pags. 153-172. Disponible en http://dialnet.unirioja.es/servlet/articulo?codigo=1248586

Robinson, A. B., Robinson, N. E., Soon, W., 2007. Environmental Effects of Increased Atmospheric Carbon Dioxide. Journal of American Physicians and Surgeons. 12, 79-90. Roeckner, E., Oberhuber, J.M., Bacher, A., Christoph, M., Kirchner, I., 1996. ENSO variability and atmospheric response in a global coupled atmosphere-ocean GCM. Climatic Dynamics. 12, 737-754.

Sanz Donaire, J. J., 2002ª. Un cambio climático que no existe: las precipitaciones en Madrid. Anales de Geografía de la Universidad Complutense, 443-458. Disponible en http://revistas.ucm.es/ghi/02119803/articulos/AGUC0202220443A.PDF

Sanz Donaire, J. J., 2002b. Las precipitaciones mensuales en Madrid y el cambio climático. Boletín de la Real Sociedad Geográfica, Nº. 137-138, 2001-2002, pags. 311-324. Disponible en http://www.realsociedadgeografica.com/es/pdf/Boletin%20137-138.pdf Smith, S. J., Wigley, T. M. L., Nakicnovic, N. y Raper, S. C. B., 2000. Climate implications of greenhouse gas emissions scenarios. Technological Forecasting and Social Change. 65 (2), 195-204. UNFCCC, 1992. http://www.unfccc.int/ Viner D., Hulme M., 1992. Climate change scenarios for impact studies in the U. K. Climatic Research Unit, UEA, UK. Wigley, T.M.L., 2003. MAGICC/SCENGEN 4.1: User Manual, Unidad de Investigaciones del Clima, Norwich, Reino Unido. 24 p.

237

4.3 CALIBRACIÓN, VALIDACIÓN Y EVALUACIÓN DE UN MODELO HIDROLÓGICO CONCENTRADO EN SIETE CUENCAS HIDROGRÁFICAS EN LA ZONA FRONTERIZA ECUADOR-PERÚ

(Artículo enviado para publicación en Ingeniería del Agua. FFIA. Fecha de envío 31-X -2009)

RESUMEN

El desempeño del modelo concentrado de Témez es evaluado en 7 subcuencas ubicadas en la región fronteriza de Ecuador y Perú. El área de las cuencas oscila entre 200 y 4000 Km2 considerándose los valores de precipitación y temperatura registrados a nivel mensual en 43 estaciones climáticas en la zona. La calibración y validación del modelo se realizó con porciones diferentes de los datos observados. El modelo fue capaz de reproducir de manera aceptable los caudales durante la temporada seca, observándose notables diferencias en el período lluvioso. El desempeño del modelo decreció conforme incrementaba el área de la cuenca modelada, pudiendo suponerse que las limitaciones adicionalmente se produjeron por la poca densidad de estaciones consideradas, por la calidad de la información recolectada y por dificultad de representar con un parámetro concentrado características de amplia variación espacial.

Palabras clave: Modelo hidrológico concentrado, Témez

ABSTRACT

The performance of the lumped model of Temez was evaluated in 7 sub-basins located in the border between Ecuador and Peru. The area of the basins varies between 200 and 4000 Km2 considering rainfall and temperature values recorded monthly in 43 climate stations in this zone. The calibration and validation of the model was carried out with different portions of the data observed. The model acceptably reproduced the intensity of rainfall during the dry season. Remarkable differences were observed when it was compared with the rainy season. The performance of the model decreased as the area of the modelled area increased. Supposedly, limitations were caused by the low density of the seasons considered, the quality of the information collected, and the difficulty to represent characteristics of great spatial variation with a concentrated parameter.

Keywords: Lumped hydrological model, Temez

Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________

238

4.3.1 Introducción



transformaciones lluvia - escorrentía.

Los modelos hidrológicos pueden clasificarse en modelos concentrados y modelos

distribuidos (Carpenter y Georgakakos, 2006). Un modelo concentrado es aquel que

realiza un balance de agua simplificado, empleando parámetros únicos que representan

en promedio la variabilidad espacial y temporal de las características de una zona

relativamente extensa. Por su parte, los modelos distribuidos dividen la cuenca en

pequeñas sub áreas, considerando la variabilidad espacial de los datos y de los

parámetros del modelo (García et al., 2008). Los conceptos de modelos concentrados y

distribuidos, opuestos en significado, no son necesariamente excluyentes ya que los

modelos concentrados pueden ser usados como componentes de un gran modelo

distribuido (Ponce, 1989, p. 393).

Cuando la simulación continua es realizada en una pequeña escala temporal, horaria o

diaria, ésta debe tomar en consideración la mayor parte de los procesos que intervienen

en el ciclo del agua requiriendo por lo tanto un gran número de parámetros.

Simulaciones basadas en intervalos temporales semanales o mensuales requieren

muchos menos parámetros (García et al., 2008).

La implementación de un modelo requiere de una fase inicial en la que se introducirán,

todos los parámetros necesarios para la representación matemática de los fenómenos

físicos del ciclo del agua. El número de éstos se incrementará según el detalle del

modelo matemático empleado en la representación del fenómeno físico. En algunos

casos el número de parámetros exige que se realice, previo a la calibración, un análisis

de sensibilidad del modelo, que a través del cambio sistemático de los valores de los

parámetros del modelo y la observación del efecto que dichos cambios tienen en los

resultados obtenidos, permita seleccionar un número reducido de parámetros

“sensibles”, de mayor relevancia en el cálculo, los que son afinados en la fase de

calibración hasta que el modelo sea capaz de reproducir el registro histórico de caudales

de una manera eficiente.


239

Luego de calibrado, el modelo se empleará en el estudio y análisis de diferentes

escenarios de tipo climático, de ocupación del suelo, de implantación de obras, etc.

Cuando un modelo es concentrado y de paso mensual, requiere reducidos volúmenes de

información para su implementación, éste hecho ha contribuido a incrementar su

popularidad en zonas caracterizadas por un limitado monitoreo climático y

meteorológico. En Ibero América es de uso común el modelo precipitación –

aportación de Témez (Témez, 1977, Estrela, 1999), el que se ha aplicado en cuencas de

tamaño medio con diferentes condiciones climáticas y geográficas reportándose buenas

estimaciones de las aportaciones mensuales (Pizarro et al., 2005, Murillo Días et al.,

2005).

4.3.1.1 Objetivo

El objetivo de este trabajo es el de evaluar el desempeño del modelo hidrológico de

precipitación – aportación de Témez en el pronóstico de la producción de agua en 7

subcuencas hidrográficas ubicadas en la zona de frontera entre Ecuador y Perú. En una

primera parte se describe las cuencas binacionales Catamayo-Chira y Puyango-Tumbes,

que cubren el área de estudio; para luego detallar las metodologías empleadas y

centrarse finalmente en la evaluación del desempeño del modelo en la predicción de la

producción de agua en las cuencas consideradas.

4.3.2 Metodología


Se seleccionaron siete subcuencas hidrográficas ubicadas entre los 3º 30´ y 5º 8´ de

latitud sur y los 79º 10´ y 80º 29´ de longitud oeste, las mismas que pertenecen a las

cuencas binacionales Catamayo – Chira y la Puyango Tumbes que cubren la región

fronteriza sur occidental entre Ecuador y Perú.


240

Figura 4.3.1. Ubicación del área de estudio y subcuencas estudiadas

La cuenca Catamayo Chira tiene una extensión de 17 199.19 km2, en la que habita una

población de 817 968 habitantes. La cuenca nace en las cumbres de la divisoria








la zona baja, hasta 1000 mm en su cabecera. . En términos generales la superficie de la



241

30% por pastizal, un 10% por cultivos y un 5% por usos varios. La cuenca está formada


Alamor, de las cuales las mayores productoras de agua son la cuenca del río Catamayo

con un caudal medio de 30 m3/s y la del río Macará con 40 m3/s

La cuenca Puyango Tumbes, tiene una extensión 5400 Km2. Comprende las provincias

de El Oro y Loja en la República del Ecuador y el departamento de Tumbes en la

República del Perú. La cuenca alta del río Puyango Tumbes, está formada por terrenos

montañosos, con fuertes pendientes, que presentan elevaciones que oscilan entre los

3700 m y los 500 m, presenta zonas de páramo, bosque natural y cultivos. La cuenca

alta se caracteriza por la presencia de una importante actividad minera especialmente en

las cuencas de los ríos Calera y Amarillo. La cuenca baja presenta amplias llanuras por

lo que es intensamente cultivada, principalmente con plantaciones de arroz; existiendo

además importantes zonas de bosque seco, pastizales y diversos tipos de cultivos. La

cuenca baja en la zona peruana, sufre inundaciones frecuentemente. La precipitación en

la cuenca oscila entre 200 mm y 1150 mm anuales con temperaturas medias que oscilan

entre los 13 ºC y 25 ºC La cuenca está formada por tres tributarios principales: el río

Calera, el río Amarillo y el río Pindo, estimándose que en promedio el volumen total

anual de agua que produce la cuenca (masa anual promedio) representa

aproximadamente 3,400 millones de m3 de agua, de los cuales sólo se aprovecha algo

menos del 10%.

Tabla 4.3.1. Cuencas hidrográficas consideradas

Coordenadas de la estación de aforo

Latitud Longitud Qmedio

Cuenca Subcuenca Estación de aforo g m s g m s Área de la cuenca

(Km2) (m3/s)

Alamor Alamor en Saucillo 4 15 31 S 80 11 42 W 607.67 7.3

Catamayo Puente Boquerón 4 3 16 S 79 22 25 W 1209.18 20.9

Catamayo -Chira Puente Vicín 4 16 49 S 80 6 34 W 4098.95 35.3

Macará Puente Internacional 4 23 0 S 79 56 60 W 2641.69 37.1

Quiroz Paraje Grande 4 37 48 S 79 54 48 W 2275.76 15.3

Puyango - Tumbes Amarillo Amarillo en Portovelo 3 42 44 S 79 36 45 W 262.31 14.32

Pindo Pindo Aj. Amarillo 3 45 40 S 79 38 1 W 512.13 23.43


242

Según la superficie de la cuenca, la disponibilidad de información hidrométrica y

características geográficas se seleccionaron siete subcuencas para el presente estudio:

Las cuencas de los ríos Amarillo y Pindo de la cuenca Puyando-Tumbes y las cuencas

de los ríos Catamayo, Macará, Quiroz y Alamor de la cuenca Catamayo-Chira, según se

detalla en la tabla 4.3.1. La ubicación geográfica de las cuencas puede observarse en la

figura 4.3.1.

4.3.2.2 Modelo de Témez (Precipitación-Aportación)

El modelo de Témez (Témez, 1977, Estrela Monreal, 1999) es un modelo hidrológico

concentrado que supone que el perfil del suelo está dividido en una zona superior

insaturada, y otra inferior que se halla completamente saturada, asemejando su

comportamiento a un embalse subterráneo que desagua en la red superficial.

El agua precipitada (P), se divide en evapotranspiración (ET) y excedente (T), el

excedente se descompone a su vez en una parte que discurre en la superficie, E

(escorrentía superficial), y otra que se infiltra hasta el acuífero (I). La primera evacua

por el cauce dentro del período de tiempo considerado mientras que el agua infiltrada se

incorpora al acuífero, desaguando parte en el presente intervalo mientras que el resto

permanecerá en el embalse subterráneo para salir en fechas posteriores. El excedente se

calcula mediante la siguiente expresión:

0=iT si Pi ≥ P0 Eq. 4.3.1

( )0

0

2PPPP

Ti

ii −+

−=

δ si Pi > P0 Eq. 4.3.2

Siendo:

ii EPHH +−= −1maxδ Eq. 4.3.3

( )1max0 −−= iHHCP Eq. 4.3.4


243

Donde Pi es la precipitación en el periodo comprendido desde el instante i-1 al instante i

(mm), Po es el umbral de escorrentía que define la altura de precipitación, por debajo de

la cual no se produce escorrentía (mm), Ti es el excedente en el periodo comprendido

desde el instante i-1 al instante i (mm), Hmax es la capacidad máxima de humedad en el

suelo (mm), Hi-1 la humedad en el suelo en el instante i (mm), EPi la

evapotranspiración potencial desde el instante i-1 (mm) y C es un parámetro del

modelo.

La humedad en el suelo, Hi al final del período resultará:

),,0( 1 iiiii EPTPHMaxH −+= − Eq. 4.3.5

Habiéndose producido una evapotranspiración real Ei (en mm) igual a:

( )iiiii EPTPHER ,min 1 −+= − Eq. 4.3.6

Esta última expresión indica que se puede evapotranspirar toda el agua disponible con el

límite superior de la evapotranspiración potencial.

El modelo adopta una ley de infiltración al acuífero (Ii) función del excedente Ti y del

parámetro de infiltración máxima Imáx.

( )Maxi

iMaxi IT

TII

+= Eq. 4.3.7

Ti, Ii e Imáx vienen dados en mm.

La infiltración aumenta con el excedente, siendo asintótica para valores altos del mismo

al valor límite Imáx

Esta infiltración, Ii, se convierte en recarga al acuífero, Ri, en tanto que el resto del

excedente (Ei = Ti - Ii) será drenado por el cauce. Para ello se ha supuesto que el tiempo

de paso por la zona no saturada es inferior al intervalo de tiempo de simulación.

Las hipótesis que se realizan sobre el funcionamiento del acuífero son las siguientes:

tii eQQ .

1α−

−= Eq. 4.3.8


244

Donde Qi es el caudal de descarga en el instante i, α es el coeficiente de la rama de

descarga del acuífero, que depende de las condiciones particulares de la cuenca en

estudio y t el intervalo de tiempo entre los instantes i-1 e i.

La relación entre el caudal de descarga, Qi, y el volumen, Vi, almacenado en el acuífero

es igual a:

ii VQ α= Eq. 4.3.9

La recarga por la infiltración se supone concentrada en la mitad del período con lo cual

la ley de los caudales subterráneos resulta:

21

αα α

−−− += eReQQ i

tii Eq. 4.3.10

Siendo Ri la recarga al acuífero en el periodo i-1 a i, coincidente con la infiltración Ii.

La aportación subterránea a lo largo del período, ASUBi, resulta:

tRVVA iiiSUBi +−= −1 Eq. 4.3.11

La aportación total la suma de la escorrentía superficial (excedente menos infiltración) y

la aportación subterránea.

SUBiiiTi AITA +−= Eq. 4.3.12

Los parámetros del modelo son cuatro, Hmax, la capacidad máxima de humedad del

suelo, C el parámetro de excedente, Imax, la capacidad máxima de infiltración y α es el

coeficiente de la rama de descarga. Todos estos parámetros son calibrables y

particulares para cada cuenca en estudio.

4.3.2.3 Implementación, calibración y validación del modelo

La modelación concentrada de cada cuenca se realizó considerando como datos de

entrada la precipitación media en la cuenca y la evapotranspiración media. Para fines

de calibración se consideró los caudales medios mensuales registrados en la estación de


245

cierre de cada una de las cuencas incluidas en la tabla 4.3.1. Para ello, se recopilo

información de precipitación en 24 estaciones ecuatorianas y en 19 estaciones peruanas

e información de temperatura en 10 estaciones ecuatorianas y 4 peruanas. La

correspondencia de las series de datos fue verificada mediante la elaboración de curvas

de doble masa. Mediante un análisis de regresión entre estaciones que presentaban

vecindad geográfica, igual régimen climático y correspondencia de sus registros, la

extensión de los registros se homogenizó al período común 1970 – 2000, en las

estaciones de la cuenca Catamayo – Chira; y 1965 – 1995, en las estaciones de la

cuenca Puyango Tumbes. Aplicando el método de Thornthwaite (Thornthwaite y

Mather, 1957) se calculó la evapotranspiración potencial en cada una de las 14

estaciones en las que se había registrado datos de temperatura.

La precipitación media y la evapotranspiración media correspondiente a cada una de las

cuencas analizadas se calculó mediante una ponderación basada en polígonos de

Thiessen. Los polígonos de Thiessen son polígonos definidos alrededor de cada estación

de tal manera que el perímetro de los polígonos sea equidistante a las estaciones

vecinas. Los polígonos de Thiessen definen el área de influencia de la estación y se

considera que la precipitación y la evapotranspiración son uniformes en toda el área del

polígono. La razón entre el área del polígono de Thiessen y el área total de la cuenca es

un factor de ponderación para obtener para obtener los valores medios de la

precipitación aplicando la expresión:

∑=

=n

ii

i PAt

ApPm

1 Eq. 4.3.13

En donde: Api es el área dentro de la cuenca del polígono de Thiessen correspondiente a

la estación i, Pi es el valor de la variable a promediar en la estación i At es el área total

de la cuenca. Pm es el valor medio ponderado de la variable analizada. Un ejemplo de

polígonos de Thiessen se presentan en la figura 4.3.2.

En cada una de las cuencas seleccionadas se procedió a realizar la calibración de los

cuatro parámetros del modelo de Témez en base a ensayo y error, empleando para ello

el 70% de los registros recopilados y comparando los caudales calculados por el modelo


246

con los caudales registrados en las estaciones incluidas en la tabla 4.3.1. Una vez

calibrados los parámetros del modelo se procedió a realizar su validación generando

valores de caudal para un período correspondiente al restante 30% del registro histórico

recopilado. La bondad de ajuste entre los valores calculados y observados se midió

calculando el coeficiente de correlación (R2), la eficiencia de Nash - Sutcliffe (EF)

(Nash y Sutcliffe, 1970) y el error cuadrático medio (RMSE). El coeficiente de

correlación medirá el ajuste de los datos observados y calculado a una línea recta, la

eficiencia EF medirá la relación 1 a 1 de los datos observados y calculados y el RMSE

nos permitirá cuantificar las diferencias medias entre los valores observados y

calculados.

Figura 4.3.2 Polígonos de Thiessen en una cuenca hidrográfica

La aplicación del modelo de Témez se realizó mediante la aplicación del software

CHAC, desarrollado por el centro de estudios y experimentación de obras públicas

(CEDEX) de España y se encuentra disponible en la dirección:

http://hercules.cedex.es/hidrologia/pub/proyectos/chac.htm



247

Los parámetros que permiten medir la bondad de ajuste entre los caudales observados y

calculados para el período de validación se incluyen en la tabla 4.3.2. La relación

gráfica entre los caudales observados y calculados se presenta en la figura 4.3.3.

Gráficamente (figura 4.3.3) se observa que en cuencas de menor tamaño (Amarillo,

Pindo y Alamor) el modelo reproduce los caudales de la temporada seca de mejor

manera que las crecidas propias de la temporada lluviosa. Según incrementa el tamaño

de la cuenca, se observa una sobreestimación de los caudales llegando casi a

desaparecer la correspondencia entre los caudales observados y calculados. La

sobreestimación de los caudales se debe a que el caudal se calcula como el producto de

la aportación (mm/mes) por el área de la cuenca, considerando de esta manera, que los

niveles de precipitación y evapotranspiración son uniformes en toda la cuenca, hecho

que no se cumple necesariamente en cuencas de tamaño medio o grande.

En la tabla 4.3.2 se puede observar que la cuenca del río Amarillo presenta un

coeficiente de correlación de 0.64 y una eficiencia EF de 0.63, valores que confirma la

existencia de un ajuste aceptable entre los valores observados y calculados. El error

cuadrático medio es de 7.32 m3/s que si se compara con el caudal promedio registrado

(14.32 m3/s) es excesivo. En la figura 4.3.3 se puede comprobar que el modelo no

reproduce con fidelidad los caudales picos y los caudales de la temporada seca son

sobreestimados.

Tabla 4.3.2. Análisis de bondad de ajuste, resumen de parámetros calculados Cuenca Estación A (Km2) R² EF RMSE Amarillo Amarillo en Portovelo 262.00 0.64 0.63 7.32

Pindo Pindo Aj Amarillo 512.00 0.63 0.49 14.47Alamor Alamor en Saucillo 607.67 0.72 0.35 9.11

Catamayo Pte.Boqueron 1209.00 0.48 -0.82 10.72Quiroz Paraje Grande 2275.76 0.69 0.62 23.94Macará Pte. Internacional 2641.69 0.82 -0.27 53.01

Catamayo Puente Vicín 4098.95 0.63 -96.28 117.19

En la cuenca del río Pindo, aproximadamente del doble del tamaño de la del río

Amarillo, se puede observar un coeficiente de correlación entre los datos observados y

calculados de 0.63 que es apenas aceptable, con una EF de 0.49 inferior a la observada

en la cuenca del río Amarillo. El error cuadrático medio es de 14.47 m3/s que si se


248

compara con el caudal medio que presenta el río Pindo (23.43 m3/s) resulta excesivo.

En general el modelo sobreestima los caudales, pudiendo observarse en la figura 4.3.3

que el mejor ajuste se produce en los caudales correspondientes a la temporada seca

siendo los caudales picos los que presenta peor ajuste.

En el caso de la cuenca del río Alamor (tabla 4.3.2) se puede observar una relativamente

buena correlación entre los valores calculados y observados (R2 = 0.72), aunque se

presenta un valor bajo de la EF (0.35), con un error cuadrático medio de 9.11 m3/s que

supera al caudal medio observado que es de 7.3 m3/s. Podría esperarse que al tener un

elevado coeficiente de correlación, el RMSE debería ser menor, pero al observar la

figura 4.3.3 se puede comprobar que la tendencia es muy bien reproducida por el

modelo (de ahí el valor satisfactorio del coeficiente de correlación R2), pero además se

observa poco ajuste de la mayoría de caudales pico registrados, siendo éstos en gran

medida sobreestimados por el modelo (lo que claramente influye en el RMSE). La EF

se presenta con un valor un poco más realista con un valor de 0.35 que si bien no es

óptimo (EF =1), nos da una idea de que el modelo tiene un desempeño hasta cierto

punto aceptable, sin caer en un exagerado optimismo, basado en el R2 o en el caso

contrario, si consideramos exclusivamente el RMSE.

La cuenca del río Catamayo en la estación de Puente Boquerón (tabla 4.3.2) es la que

presenta los peores resultados, constatándose que no existe correlación entre los

caudales observados y calculados. Al obtenerse un valor negativo de la eficiencia de

Nash-Sutcliffe se considera que la media de los valores observados es mejor predictor

que el modelo en sí.

La cuenca del río Quiroz presenta valores aceptables del coeficiente de correlación (R2

= 0.69) y de la eficiencia de Nash-Sutcliffe (EF = 0.62), aunque el excesivo error

cuadrático medio, que duplica el caudal medio observado, evidencia la sobreestimación

de los caudales calculados.


249

Amarillo (hasta Amarillo en Portovelo. A = 262.00

Km2)

Pindo (hasta Pindo Aj. Amarillo. A = 512.00 Km2)

Alamor (hasta Alamor en Saucillo. A = 607.67 Km2) Catamayo (hasta Puente Boquerón. A = 1209.00 Km2)

Quiroz (hasta Paraje Grande. A = 2275.76 Km2) Macará (hasta Puente Internacional. A = 2641.69 Km2)

Catamayo (hasta Puente Vicin. A = 4098.95 Km2)

Figura 4.3.3. Caudales observados y calculados en las cuencas estudiadas


250

La cuenca del río Macará presenta el mejor coeficiente de correlación (R2 = 0.82),

aunque el valor bajo de la eficiencia de Nash-Sutcliffe (EF = -0.27) permite considerar

que el modelo no es capaz de reproducir el comportamiento hidrológico de la cuenca.

Adicionalmente a esto el error cuadrático medio casi duplica el caudal medio observado

sobreestimando los caudales en general.

La cuenca del río Catamayo en la estación de Puente Vicín presenta resultados que

evidencian la poca efectividad del modelo ya que el coeficiente de correlación es apenas

aceptable (R2 = 0.63), la eficiencia de Nash-Sutcliffe permite comprobar la casi nula

relación 1:1 de los caudales calculados y observados (EF = -96.28) y el error cuadrático

medio supera en casi cinco veces el caudal medio observado, produciéndose la

sobreestimación general de los caudales.

Al tratar de establecer una correlación entre el tamaño de la cuenca y la efectividad del

modelo se puede citar a Pizarro y colaboradores (2005) que reportan una correlación del

82% entre caudales observados y calculados, al aplicar el modelo en una cuenca de 264

Km2 en la sierra chilena. En una aplicación similar (Murillo et al., 2005) en una cuenca

de 92 Km2 en Andalucía, se reporta un coeficiente de correlación entre caudales

observados y calculados del 90%. En el presente caso el mejor desempeño del modelo

se obtuvo en la cuenca del río Amarillo (262.00 Km2), observándose resultados algo

aceptables hasta la cuenca del río Alamor de 607.67 Km2. En cuencas de mayores

dimensiones, los coeficientes calculados evidencian una disminución en la exactitud del

modelo.

Al ser la zona de estudio una región predominantemente montañosa con una

distribución irregular de la precipitación y en la que en promedio existe 1 estación

pluviométrica cada 270 Km2, se presume que la red de estaciones meteorológicas

existente en la zona no posee la densidad suficiente que permita reflejar con precisión

la variación espacial de la precipitación. Adicionalmente los registros históricos de

precipitación, temperatura y sobretodo de caudal, presentaron notables vacíos de

información que, hasta cierto punto, evidencian problemas en el manejo de las

estaciones hidrometeorológicas de la zona.


251

Así como la precipitación, la pendiente del terreno, el tipo de suelo y su uso presentan

una significativa variación espacial y más aún en cuencas de considerable extensión

territorial; por lo que, considerar un valor único, concentrado, representativo de cada

condición predominante del ciclo hidrológico puede ser válido en cuencas muy

uniformes y de reducidas dimensiones.

4.3.4 Conclusiones

El modelo mostró cierta eficacia para reproducir los caudales en temporada seca, siendo

muy poco efectivo al reproducir los caudales correspondientes a la época de lluviosa.

El coeficiente de correlación, la eficiencia de Nash Sutcliffe y el RMSE fueron poco

satisfactorios en la mayoría de las cuencas estudiadas, disminuyendo la precisión

general de los resultados al aumentar el área de la cuenca modelada.

La poca efectividad demostrada por el modelo puede atribuirse a tres factores: Primero,

la incertidumbre de los datos de entrada (precipitación y evapotranspiración) que por la

baja densidad de la red de estaciones meteorológicas no pueden ser caracterizados

correctamente. Segundo, posibles errores en la recolección de la información ingresada

al modelo y finalmente, al ser un modelo concentrado de paso mensual, realiza

simplificaciones del proceso natural, por lo que no reproduce perfectamente el

comportamiento de la cuenca y más aún cuando se considera parámetros que promedian

características que presentan una amplia variación espacial.

El modelo concentrado puede ser eficiente en zonas que presenten reducida variabilidad

espacial de los datos de entrada y de los parámetros del modelo, por lo que su aplicación

en cuencas de tamaño reducido puede ser exitosa. En el presente caso los resultados

pueden considerarse aceptables hasta aproximadamente los 300 Km2.

Un modelo que considere la variación espacial de los parámetros hidrológicos podría ser

una herramienta más eficiente en cuencas de tamaño medio por lo que en futuras

aplicaciones se debería estudiar el desempeño de modelos que posean dichas

características.


252

4.3.5 Referencias Carpenter, T.M., Georgakakos, K.P., 2006. Intercomparison of lumped versus distributed hydrologic model ensemble simulations on operational forecast scales. Journal of Hydrology. 329, 174–185. Estrela Monreal, T., 1999. Los modelos de simulación integral de cuenca y su utilización en estudios de recursos hídricos. Ingeniería Civil. 72, 83-95. Madrid. García, A., Sainz, A., Revilla, J. A., Álvarez, C., Juanes, J. A., Puente, A., 2008. Surface water resources assessment in scarcely gauged basins in the north of Spain. Journal of Hydrology. 356, 312– 326. Murillo, J. M; Rodríguez, I. C., Rubio, J. C., Navarro, J. A., 2005. Mantenimiento hídrico de cursos fluviales y uso conjunto de aguas superficiales y subterráneas. Aplicación al sistema de explotación Quiebrajano-Víboras (Jaén). En: J.A. López-Geta, J. C. Rubio y M. Martín Machuca (Eds.), VI Simposio del Agua en Andalucía. IGME, 787-798. Nash, J. E., Sutcliffe. J. V., 1970. River flow forecasting through conceptual models. A discussion of principles. Journal of Hydrology. 10, 282 – 290. Ponce, V.M., 1989. Engineering Hydrology. Prentice Hall, Englewood Cliffs, NJ.

Pizarro, R., Soto M., Farias, C. y Jordan, C., 2005. Aplicación de dos Modelos de Simulación Integral Hidrológica, para la estimación de caudales medios mensuales, en dos cuencas de Chile central. Bosque (Valdivia) [online]. 26 (2), 123-129. ISSN 0717-9200.

Témez, J.R., 1977. Modelo matemático de transformación Precipitación Aportación. Asociación de Investigación Industrial Eléctrica ASINEL, Madrid. Thornthwaite, C.W. Y Mather J.R., 1957. Instructions and Tables for Computing Potential Evapotranspiration and the Water Balance. Drexel Institute of Technology, Laboratory of Climatology, Publications in Climatology 10 (3), 311 pp.

253

4.4 IMPLEMENTACIÓN DE UN MODELO HIDROLÓGICO SEMIDISTRIBUIDO Y EVALUACIÓN DE ESCENARIOS DE CAMBIO CLIMÁTICO Y OCUPACIÓN DEL SUELO EN LA CUENCA BINACIONAL CATAMAYO CHIRA (ECUADOR – PERÚ) RESUMEN En este trabajo se detallan los procesos seguidos para implementar el Soil and Water Assessment Tool (SWAT) en la cuenca binacional Catamayo-Chira (11 910.74 Km2 ) (Ecuador – Perú) que, sometida a un notable proceso de erosión, compromete la vida útil del mayor proyecto de abastecimiento de agua del norte del Perú. El modelo calibrado y validado se empleó para estudiar el efecto de dos escenarios de cambio climático y dos escenarios distintos de ocupación del suelo. El presente trabajo reflejó que de seguir las tendencias actuales de cambio de ocupación del suelo se pueden esperar mayores incrementos en las tasa de pérdida de suelo, aunque un ordenamiento basado en las aptitudes del suelo y en las potencialidades ecológico-económicas de la cuenca pueden contribuir a reducirla en porcentajes significativos. De producirse escenarios del cambio climático como los propuestos por el IPCC, se observaría una disminución considerable en la producción de agua de la cuenca ocasionando una sequía generalizada de graves consecuencias. Palabras clave: SWAT, escenarios de cambio climático, scenarios de ocupación del suelo. ABSTRACT This research details the procedures followed to implement the Soil and Water Assessment Tool (SWAT) at the Catamayo-Chira binational basin (11 910.74 Km2) (Ecuador – Peru). This basin is undergoing a strong erosion process which compromises the useful life of the most important project for water supply in northern Peru. The calibrated and validated model was used to study the effect of two scenarios of climate change and two different scenarios of soil use. The study showed that if the current tendencies of soil use continue, higher increases in the soil loss rate will be expected. However, an ordering based on the ecological and economic potential of the basin can contribute to a reduction of the soil loss rate. If climate change scenarios similar to the ones proposed by IPCC occur, a considerable reduction in the water production of the basin will be observed, thus, causing a widespread drought with serious consequences. Keywords: SWAT, climate change scenarios, land use scenarios

Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________

254

4.4.1 Introducción

La zona limítrofe entre Ecuador y Perú, al igual que otras regiones de la costa pacífica

de Sudamérica, es afectada por una limitada disponibilidad de recursos hídricos. Los

totales de precipitación anual oscilan entre los 10mm y 80 mm anuales en las zonas

bajas, cercanas al océano Pacífico; y entre los 500mm y 1000mm por año en las zonas

altas, influenciadas por la presencia de la cordillera de los Andes y la cercanía de la

Amazonia. Los niveles de evapotranspiración fluctúan entre los 6 mm/día en las zonas

bajas y los 3 mm/día en las zonas altas. Periódicamente esta zona se ve afectada por la

ocurrencia del ENSO (El Niño Oscilación Sur), fenómeno que en su fase cálida produce

un calentamiento de entre 1 y 4 ºC sobre la temperatura normal del océano ocasionando

excesos de evaporación y consecuentemente lluvias intensas. La fase fría del fenómeno,

conocido como La Niña, produce acumulaciones de agua caliente en el pacífico oeste,

por lo que a lo largo de la costa peruana se producen descensos de la temperatura

normal del océano ocasionándose notables disminuciones de evaporación y

precipitación con consecuentes períodos de sequía.

La cuenca binacional Catamayo Chira se encuentra ubicada en la zona fronteriza

ecuatoriano-peruana y se constituye en la principal fuente de abastecimiento de agua

con fines agrícolas y consumo humano en la región. La cuenca se ha visto afectada por

un notable proceso de erosión originado por la combinación de pendientes

considerables, suelos altamente erosionables y usos inadecuados del suelo que ha

ocasionado que más del 20% de la cuenca se encuentre en un claro proceso de erosión

(Consorcio ATA – UNP – UNL 2003, p. 55-57), lo que afecta considerablemente a la

vida útil de los proyectos de riego y abastecimiento en la zona, con la consecuente

afectación a las extensas áreas agrícolas que se encuentran en la parte baja de la cuenca.

El principal proyecto de abastecimiento de agua de la cuenca es el reservorio de

Poechos (1000 millones de m3 de capacidad inicial). Se estima que en años normales

aproximadamente 7 u 8 millones de m3 de sedimentos ingresan al reservorio Poechos.

En los años Niño 1982/1983 y 1997/1998 la tasa de sedimentación subió a 79 millones

de m3/año, ocasionando una reducción de 15 años de vida útil del embalse. Actualmente

se estima que de producirse dos eventos Niño de similar magnitud, el reservorio podría

dejar de operar, ocasionando el colapso de las actividades agrícolas en los valles Chira y


255

Bajo Piura (Consorcio ATA-UNP-UNL, 2003b, p.52), los que se encuentran ubicados

en la parte baja de la cuenca y su área de influencia, respectivamente. Si bien la tasa de

sedimentos en años Niño es muy importante, en años normales ésta es considerable.

La erosión y el transporte de sedimentos están en función de la escorrentía, la

morfología de la cuenca, su tectónica, litología, así como de las actividades humanas y

el clima (Boul et al., 2003, citado por Randhir y Hawes, 2009). La adecuada


sedimentación. Las altas tasas de infiltración en zonas boscosas y una efectiva

cobertura del suelo reducen la escorrentía superficial y la erosión (Calder, 1992, citado

por Fohrer et al., 2001). Por las capacidades de simulación de diversos escenarios, los

modelos hidrológicos son una herramienta de gran importancia que permiten evaluar los

impactos que diversas alternativas de ordenamiento territorial y prácticas de manejo,

tienen en la producción de agua y sedimentos en una cuenca hidrográfica,

constituyéndose en un trascendental elemento de apoyo para la toma de decisiones.



transformaciones lluvia - escorrentía. Los modelos hidrológicos pueden clasificarse en

modelos concentrados y modelos distribuidos (Carpenter y Georgakakos, 2006). Un

modelo concentrado es aquel que realiza un balance de agua simplificado, empleando

parámetros únicos que representan en promedio la variabilidad espacial y temporal de

las características de una zona relativamente extensa. Por su parte, los modelos

distribuidos dividen la cuenca en pequeñas sub áreas, considerando la variabilidad

espacial de los datos y de los parámetros del modelo (García et al., 2008). El modelo

hidrológico empleado en el presente estudio es el Soil and Water Assessment Tool

(SWAT) (Arnold et al., 1998), que es un modelo semidistribuido continuo de base física

que ha sido ampliamente aplicado de manera exitosa en la simulación de caudales y

sedimentos en cuencas de mediana y gran escala en diferentes regiones del planeta, con

variadas condiciones climáticas y topográficas (Rosenberg et al., 1999; Chanasyk et al.,

2003; Zhang et al., 2003, Bouraoui et al., 2005, Ndomba et al. 2008), así como para el

estudio cualitativo y cuantitativo del efecto que en la calidad del agua presentan las

diversas prácticas de manejo agrícola (FitzHugh y Mackay, 2000; Fohrer et al., 2001,


256

Chanasyk et al., 2003; Grizzetti et al., 2003; Bekiaris et al., 2005; Bouraoui et al., 2005;

Abbaspour et al., 2007; Bouraoui y Grizzetti, 2007).

4.4.1.1 Objetivos

El objetivo de este trabajo es el de evaluar el desempeño del modelo hidrológico SWAT

en el pronóstico de la producción de agua y sedimentos en la cuenca binacional

Catamayo Chira y evaluar el impacto de diferentes escenarios de ocupación del suelo y

cambio climático. Al inicio del artículo se describe la cuenca binacional Catamayo

Chira, para luego detallar las metodologías empleadas y enfocarse en los resultados del

SWAT en la predicción de la producción de agua y sedimentos en la salida de la cuenca.

Finalmente se evalúa el efecto de dos escenarios de ocupación del suelo y dos

escenarios de cambio climático.

4.4.2 Metodología


La Cuenca Binacional Catamayo-Chira, se extiende entre las coordenadas 3º 30´ a 5º 8´

sur y 79º 10´ a 81º 11´ oeste, posee una extensión de 17 199.19 km2, de la que el 42%

pertenece al Ecuador. En la cuenca habita una población de 817 968 habitantes. La

cuenca nace en las cumbres de la divisoria continental de aguas (Ecuador) y desemboca

en el Océano Pacifico (Perú), atravesando escenarios montañosos y costaneros, con

climas tropicales, ecosistemas, usos y sistemas administrativos; que determinan

características territoriales naturales y antrópicas muy diversas. La geografía de la

cuenca es abrupta con rangos de altitud que oscilan entre los 3.700 y 0 metros sobre el

nivel del mar. En este escenario se presentan once zonas de vida, que van desde el

desierto tropical (d-T) hasta el bosque pluvial montano (bp-M). La precipitación media

anual es del orden de los 800 mm variando entre 10 mm en la zona baja, hasta 1000 mm

en su cabecera. La cuenca baja se halla marcadamente influenciada por su cercanía con

el océano pacífico, la cuenca alta por su parte, recibe una notable influencia de la

cordillera de Los Andes y la vecina Amazonia. . En términos generales la superficie de

la cuenca se halla cubierta en un 14 % por vegetación arbustiva, 41% por bosque seco,


257

30% por pastizal, un 10% por cultivos y un 5% por usos varios. Los suelos son

predominantemente Entisoles que cubren un 60% del área de la cuenca, seguido de un

16% de Inceptisoles. En la zona de estudio adicionalmente se presentan Alfisoles,

Aridisoles, Molisoles y Vertisoles, en menores proporciones. La cuenca está formada


Alamor, de los cuales los mayores productores de agua son el río Catamayo con un

caudal medio de 30 m3/s y la del río Macará con 40 m3/s.

Figura 4.4.1. Área de estudio


región norte del Perú y del sur de Ecuador, de la cuenca se abastecen el reservorio

Poechos (1000 millones de m3 de capacidad inicial), el reservorio San Lorenzo (258

millones de m3) y la presa Sullana (6 millones de m3) en Perú; por su parte el proyecto


258

de riego Zapotillo que irrigará 8 000 ha en suelo ecuatoriano, adicionalmente existen

una gran cantidad de proyectos de riego de menor magnitud. El proceso de erosión

presente en la cuenca y la ocurrencia de los fenómenos ENSO en los años 1982/1983 y

1997/1998 han reducido la vida útil de varios de estos proyectos, siendo principalmente

preocupante el caso del reservorio Poechos que ha visto reducida su vida útil hasta en

un 50% (Consorcio ATA-UNP-UNL, 2003b, p.52). En busca de soluciones y con el

apoyo de la cooperación internacional, se han emprendido proyectos tendientes a

obtener un plan de manejo y ordenamiento de la cuenca que viabilice el desarrollo de la

región.

En el presente trabajo se considera como zona estudio la cuenca Catamayo Chira

delimitada hasta la estación hidrológica Ardilla (80º 23’ W, 4º 29’ S) que se encuentra

ubicada a la entrada del reservorio Poechos. La superficie de la cuenca Catamayo Chira

así definida de esta manera es de 11 910.74 Km2. La ubicación del área de estudio se

presenta en la figura 4.4.1.

4.4.2.2 Soil and water assessment tool (SWAT)

El soil and water assessment tool (SWAT) es un modelo continuo de base física usado

para pronosticar el impacto que las practicas de manejo del suelo en el agua, sedimentos

y nutrientes en largos períodos de tiempo (Di Luzio et al., 2002).

El SWAT es un modelo continuo semidistribuido basado en la ecuación de balance

hídrico en el perfil del suelo. Simula los procesos de precipitación, infiltración

escorrentía superficial, evapotranspiración, flujo lateral y percolación. El modelo

SWAT realiza una división topográfica de la cuenca en subcuencas en base a un umbral

de área, para posteriormente subdividir cada una de las subcuencas en una o varias

unidades de respuesta hidrológicas (HRU) homogéneas que representan la combinación

única de tipo y ocupación del suelo. La respuesta de cada HRU en términos de agua,

sedimentos, nutrientes y pesticidas son determinadas individualmente para luego ser

agregadas a nivel de subcuenca y transitadas hasta la salida de la cuenca a través de su

red hídrica (Bouraoui et al., 2005). Con este proceso se obtiene una mejor descripción

física del balance hídrico y se incrementa la precisión del modelo (Neitsch et al., 2002).

La escorrentía superficial es estimada a partir de datos diarios de precipitación a través


259

de la metodología del número de la curva (USDA, 1972citado por Neitsch et al., 2002).

La evapotranspiración potencial se determina aplicando las metodologías propuestas por

Hargreaves (Hargreaves, 1985 citados por Neitsch et al., 2002), Priestley-Taylor

(Priestley-Taylor,1972 citados por Neitsch et al., 2002), y Penman-Monteith (Monteith,

1965, citado por Neitsch et al., 2002). Un modelo de almacenamiento cinemático, que

considera variaciones en conductividad, pendiente y contenido de humedad del suelo, es

usado para predecir el flujo lateral en cada una de sus capas. El agua subterránea se

divide en dos sistemas de acuíferos: un acuífero no confinado, poco profundo, que

contribuye al flujo de retorno y un acuífero confinado, profundo, que es desconectado

del sistema a menos que se considere tasas de bombeo (Bouraoui et al., 2005). La tasa

de sedimentación es estimada aplicando la ecuación universal de pérdida de suelo

modificada (Williams, 1975 citado por Neitsch et al., 2002), empleando para ello la

escorrentía superficial, la tasa pico de flujo, la erodabilidad del suelo, la longitud de la

pendiente, su inclinación, el factor de cultivo y las prácticas de manejo existentes en la

zona. Mayores detalles del fundamento teórico del modelo SWAT pueden ser

encontrados en el apartado 2.1.6.1 y en Neitsch et al. (2002).

4.4.2.3 Recopilación y análisis de información

4.4.2.3.1. Información topográfica

El modelo SWAT requiere de información topográfica para la delimitación de

subcuencas hidrográficas, definición de cursos de agua y la determinación de

parámetros morfométricos que son utilizados en el cálculo de cada uno de los procesos

del ciclo hidrológico que simula el modelo.

En el presente estudio se empleó un DEM SRTM (píxel de 90m) (USGS 2000), que

proporcionó un tamaño de píxel coherente con las dimensiones del área de estudio y el

detalle suficiente para la delimitación de las cuenca hidrográfica y sus componentes.


260

Tabla 4.4.1. Estaciones presentes en la zona de estudio. Las variables analizadas en cada estación fueron: precipitación (P), temperatura (T), clima (C), caudal (Q), y sedimentos (S)


Alamor en saucillo 1 Ec. 9505457 566997 125 P 1997-2002Amaluza 2 Ec. 9493392 674770 1690 P,T,C 1975-2002Argelia 3 Ec. 9553464 699403 2160 P,T,C 1963-2002Cariamanga 4 Ec. 9521176 660606 1955 P,T,C 1964-2002Catacocha 5 Ec. 9551949 650752 1763 P, T 1963-2002Catamayo-Aereopuerto 6 Ec. 9558425 681296 1250 P,T,C 1963-2002Celica 7 Ec. 9546579 616616 2017 P,T,C 1964-2002Changaimina 8 Ec. 9533920 664116 1970 P 1976-2002El Cisne 9 Ec. 9574167 675000 2300 P 1971-2002El Tambo 10 Ec. 9549939 687880 1575 P 1973-2002Gonzanamá 11 Ec. 9532238 674134 2040 P, T 1965-1999Lauro Guerrero 12 Ec. 9561629 638095 1923 P 1972-2002Macará 13 Ec. 9516395 617745 427 P,T,C 1965-1997Malacatos 14 Ec. 9534449 690908 1453 P,T,C 1965-1998Nambacola 15 Ec. 9542456 674175 1795 P 1971-2002Quilanga 16 Ec. 9524562 677858 1805 P 1971-2002Quinara 17 Ec. 9523236 695345 1595 P 1972-2002Vilcabamba 18 Ec. 9530595 699000 1920 P,T,C 1978-2002Yangana 19 Ec. 9516982 702487 1860 P,T,C 1979-2002Zapotillo 20 Ec. 9515321 584254 215 P,T,C 1979-2002Arenales 21 Pe. 9456070 627254 3010 P 1974-1991

Ayabaca 22 Pe. 9487823 642699 2700 P,T,C 1971-2002

Chilaco 23 Pe. 9480963 554900 90 P,T,C 1972-2002

El Ciruelo 24 Pe. 9524654 594327 202 P 1977-2002

Frias 25 Pe. 9454464 617181 1630 P 1972-1992

La Esperanza 26 Pe. 9456418 493286 12 P,T,C 1972-2002

Mallares 27 Pe. 9463137 529784 45 P,T,C 1972-2002

Olleros 28 Pe. 9479985 649482 1457 P 1971-1977

Pacaypampa 29 Pe. 9449023 647832 1960 P 1963-2002





Sapillica 34 Pe. 9471196 612750 1446 P 1972-2002

Sausal Culucan 35 Pe. 9474842 636789 980 P,T,C 1972-2002

Sicchez 36 Pe. 9494751 636565 1514.2 P 1972-1992

Suyo 37 Pe. 9502161 610687 250 P 1972-1992

Tacalpo 38 Pe. 9485503 655040 1363.5 P 1972-1992

Talaneo 39 Pe. 9441261 660492 2888 P 1972-1992

Tapal 40 Pe. 9472591 660560 1825 P 1972-1992

Alamor en Saucillo A Ec. 9529244 589330 290 Q 1965-2002Vicin B Ec. 9526922 598863 276 Q 1965-2003Pte. Boquerón C Ec. 9550888 681330 1184 Q 1979-2002Est. Ardilla D Pe. 9503270 567048 106 Q, S 1976-1994

Est. Paraje Grande E Pe. 9488151 620548 555 Q 1972-1994

Est. Pte. Internacional F Pe. 9515414 616512 408 Q, S 1972-1994


261

4.4.2.3.2 Caracterización climática, meteorológica e hidrológica

Se recopiló información en 40 estaciones meteorológicas, 15 estaciones climáticas y 6

estaciones hidrológicas, todas ellas pertenecientes a la red del Instituto Nacional de

Meteorología e Hidrología de Ecuador (INAMHI) y del Servicio Nacional de

Meteorología e Hidrología del Perú (SENAMHI). Las principales características de las

estaciones consideradas se incluyen en la tabla 4.4.1.

La consistencia de las series de datos fue verificada aplicando ecuaciones de doble masa

y los registros fueron homogenizados al período 1970 – 2000 mediante un análisis de

correlación ortogonal entre estaciones que presentaban igual régimen, vecindad

geográfica y consistencia.

La correspondencia entre los datos de precipitación diarios y mensuales fue comprobada

mediante la comparación de las acumulaciones mensuales de datos diarios y los

registros mensuales correspondientes. Se calcularon las probabilidades mensuales de

ocurrencia de un día húmedo luego de un día seco Pi(W/D) y de un día húmedo luego

de un día húmedo Pi(W/W) mediante un conteo mensual plurianual de días secos y

húmedos. La precipitación máxima para una duración de 30 minutos, para un período de

retorno equivalente al período de estudio (30 años) se determinó aplicando ecuaciones

de intensidad duración frecuenta determinadas para la parte ecuatoriana de la zona de

estudio por Rodríguez (1999); para el caso de la parte peruana, fue necesario realizar la

lectura de fajas pluviográficas.

Modelos de regresión temperatura-elevación se emplearon para analizar la calidad de

los datos de temperatura estimándose los datos faltantes en base a medias mensuales y a

las ecuaciones obtenidas. Análisis similares se realizaron en el caso de la humedad

relativa. Los valores de la temperatura del punto de rocío se calcularon en función de la

temperatura media mensual y la humedad relativa media mensual. La radiación solar se

estimó empleando el número de horas de sol registrados en la zona de estudio. Los

restantes parámetros climáticos requeridos por el modelo se calcularon en base a la

media y la desviación típica de las precipitaciones y las temperaturas registradas.


262

Luego del análisis de la calidad de la información disponible y de la estimación de

información faltante se procedió a realizar la caracterización climática de las estaciones

estudiadas calculando los parámetros incluidos en la tabla 4.4.2.

Todos estos parámetros se calcularon a nivel mensual como un promedio plurianual, y

serán empleados por el modelo para estimar valores faltantes en los registros climáticos

a nivel diario que se utilizan en la simulación.

Tabla 4.4.2. Parámetros climáticos del modelo SWAT

Parámetro Símbolo Rango de valores

Unidad

Precipitación media mensual en cada

estación

PCPMM 0.00 – 600.00 mm

Desviación estándar de la precipitación

diaria por mes

PCPSTD 0.10 – 50.00 mm

Probabilidad de tener un húmedo luego

de un día seco por mes.

PR_W1 0.00 – 0.95 Adimensional

Probabilidad de tener un día húmedo

luego de un día húmedo

PR_W2 0.00 – 0.95 Adimensional

Promedio de días con precipitación por

mes

PCPD 0.00 – 31.00 Días

Precipitación máxima para una

duración de 30 minutos para el período

de estudio

RAINHHMX 0.00 – 125.00 mm

Número de años con registros de

precipitación máxima con 30 minutos

de duración.

RAIN_YRS 5.00 – 100.00 Años

Media de las temperaturas máximas por

mes

TMPMX -30.00 -50.00 ºC

Media de las temperaturas mínimas por

mes

TMPMN -40.00 – 50.00 ºC

Desviación estándar de las temperaturas

máximas

TMPSTDMX 0.01 – 100.00 ºC


263

Desviación estándar de las temperaturas

mínimas

TMPSTDMN 0.01 – 30.00 ºC

Radiación diaria media mensual SOLARAV 0.00 – 750.00 MJ/(m2 día)

Temperatura media del punto de rocío

por mes

DEWPT -50.00 – 25.00 ºC

Velocidad media mensual del viento WNDAV 0.00 – 100.00 ºC

Se realizaron curvas de doble masa entre estaciones hidrológicas que se encuentran en

la misma subcuenca hidrográfica para determinar la proporcionalidad entre los valores

registrados en ellas. Un análisis gráfico de la relación lluvia escorrentía existente entre

los caudales diarios registrados en las estaciones de aforo, con los correspondientes

valores medios de precipitación registrados en todas las estaciones ubicadas aguas

arriba de éstas, proporcionó un elemento más para validar la calidad de los registros

hidrológicos.

Se recopiló información sedimentológica en las estaciones Puente Internacional

ubicada en la frontera entre Ecuador y Perú, con registros de media mensual de sólidos

en suspensión entre 1973 y 1988 y en la estación Ardilla ubicada a la entrada del

reservorio Poechos, en la que se disponía registros entre 1984 y 1988. Los datos de

sedimentos se correlacionaron con los correspondientes valores de caudal líquido a fin

de analizar su correspondencia y se realizó un análisis de doble masa entre las dos

estaciones a fin de analizar la homogeneidad de sus registros.

Se elaboraron bases de datos con valores diarios de precipitación y temperatura, que

serán empleados para implementar el modelo. Los datos de caudal y sedimentos se

utilizarán en la fase de validación y se compararán con los valores que genere el modelo

SWAT

4.4.2.3.3 Caracterización edafológica


264

Se empleó un mapa de tipo de suelo elaborado en 2002 por el proyecto Binacional

Catamayo Chira (www.catamayochira.org), que recopilaba información secundaria

publicada por varias instituciones ecuatorianas y peruanas. Dicho mapa fue validado,

complementado y adaptado a las necesidades de información requerida por el modelo

SWAT, mediante un estudio realizado por el proyecto TWINLATIN de la Unión

Europea (Valarezo, 2007). El mapa de tipo edafológico del suelo se presenta en la figura

4.4.2 y las superficies ocupadas por cada uno de los tipos edafológicos del suelo se

resumen en la tabla 4.4.3.

Con la información recabada por Valarezo (2007) se determinaron parámetros que

requiere el modelo para cada tipo de suelo presente en la zona de estudio y que se

detallan en la tabla 4.4.4. Mayores detalles sobre la caracterización edafológica del área

de estudio pueden encontrarse en el apartado 3.3.

Figura 4.4.2. Distribución espacial de tipos de suelo según su clasificación

taxonómica (Adaptado de Valarezo, 2007)


265

Tabla 4.4.3. Tipos de suelo presentes en la cuenca binacional Catamayo Chira

Tipo de suelo Área [ha] Área [%] Alfisoles 75406.23 6.3Entisoles 765485.69 64.2Inceptisol-alfisol 155891.87 13.1Inceptisoles 196210.86 16.4

Tabla 4.4.4. Parámetros de tipo edafológico del suelo requeridos por el modelo SWAT

Parámetro Símbolo Rango de valores

Unidad

Globales Número de horizontes del suelo

NLAYERS 1.00 – 10.00 Adimensional

Grupo hidrológico del suelo

HYDGRP A – C Adimensional

Máxima profundidad de las raíces en el perfil del suelo

SOL_ZMX 0.00 – 3 500.00 mm

Fracción de porosidad excluidos los aniones

ANION_EXCL 0.01 – 1.00 Adimensional

Volumen potencial de grietas en el suelo

SOL_CRK 0.00 – 1.00 m3/m3

Textura

TEXTURE ------- -------

Por cada horizonte

Profundidad del horizonte

SOL_Z 0.00 – 3 500.00 mm

Densidad húmeda

SOL_BD 1.10 – 2.50 g/cm3

Capacidad de agua disponible

SOL_AWC 0.00 – 1.00 mm/mm

Conductividad hidráulica saturada

SOL_K 0.00 – 2 000.00 mm/hora

Contenido de carbón orgánico

SOL_CBN 0.05 – 10.00 %

Porcentaje de arcilla

CLAY 0.00 – 100.00 %

Porcentaje de limos

SILT 0.00 – 100.00 %

Porcentaje de arena

SAND 0.00 – 100.00 %

Porcentaje de rocas ROCKS 0.00 – 100.00 %


266

Albedo del suelo húmedo

SOL_ALB 0.00 – 0.25 Adimensional

Erodabilidad del suelo

USLE_K 0.00 – 0-65 (Tn m2 hora)/(m3 Tn cm

Conductividad eléctrica

SOL_EC 0.00 – 100.00 dS/m

4.4.2.3.4 Ocupación del suelo

El modelo SWAT requiere información detallada de la ocupación del suelo; y si se

desea generar escenarios de ocupación, como es nuestro caso, es necesario contar con

mapas de ocupación de suelo en instantes diferentes.

Se obtuvieron tres imágenes satelitales: Landsat5 TM (02/11/1986), Landsat5 TM

(24/07/1996) y Landsat7 ETM+ (02/10/2001), las mismas que fueron corregidas

geométricamente, topográficamente y transformadas a reflectividad. Las imágenes

fueron clasificadas mediante el método del mínimo ángulo espectral (Richards y Jia,

2006, p. 368; Chuvieco, 2002, p. 353) en 7 coberturas: bosque natural, arbustos, bosque

seco, pastizal, arroz, caña y maíz y se generó una máscara de nubes empleando el

algoritmo de discriminación de Saunders y Kriebel (1988, citado por Chuvieco, 2002, p.

289). Finalmente se realizó una reclasificación de las imágenes mediante Idrisi Andes





Las clasificaciones se validaron mediante una matiz de confusión comparándola con un

mapa existente de suelo, elaborado por el Consorcio ATA – UNP – UNL (2003) y

mediante 100 observaciones directas en campo. Mayores detalles de la obtención de los

mapas de ocupación del suelo se pueden encontrar en el apartado 3.3.

Los parámetros que en este punto requiere el modelo SWAT no pudieron ser

determinados para cada cultivo en particular, ya que no existen en Latinoamérica

estudios de las características de la vegetación con el detalle requerido por el modelo.


267

Ante este hecho se procedió a obtener dichos valores de la base de datos que con

características y parámetros de diversas ocupaciones del suelo se encuentra disponible

en el modelo SWAT; para lo cual, se relacionó las coberturas existentes en la zona de

estudio, cartografiadas previamente, con las coberturas incluidas en la base de datos del

SWAT que presentaban similares características y comportamiento. El detalle de los

parámetros de uso y tipo de suelo se incluyen en la tabla 4.4.5.

Tabla 4.4.5. Parámetros de ocupación del suelo requeridos por el modelo SWAT

Parámetro Símbolo Rango de valores Unidad Tipo de cultivo IDC

Relación biomasa/energía BIO_E

10.00 – 90.00

Kg/ha/MJ/m2

Índice de cosecha HVSTI 0.01 – 1.25 Kg/ha/Kg/ha

Máximo índice de área foliar BLAI 0.50 – 10.0 m2/m2

Fracción de la temporada de crecimiento correspondiente al primer punto de la curva optima de desarrollo

FRGRW1 0.00 – 1.00 Adimensional

Fracción de índice máximo de área foliar correspondiente al primer punto de la curva optima de desarrollo

LAIMX1 0.00 – 1.00 Adimensional

Fracción de la temporada de crecimiento correspondiente al segundo punto de la curva optima de desarrollo

FRGRW2 0.00 – 1.00 Adimensional

Fracción de índice máximo de área foliar correspondiente al segundo punto de la curva optima de desarrollo

LAIMX2 0.00 – 1.00 Adimensional

Fracción de la temporada de crecimiento en la que el cultivo empieza a declinar

DLAI 0.15 – 1.00 heat units/heat units

Altura máxima de la copa CHTMX 0.10 – 20.00 m

Profundidad máxima de las raíces

RDMX 0.00 – 3.00 m

Temperatura óptima para el crecimiento de las plantas

T_OPT 11.00 – 38.00 ºC

Temperatura mínima para el crecimiento de las plantas

T_BASE 0.00 – 18.00 ºC

Fracción de nitrógeno en las semillas CNYLD 0.0015 – 0.0750 Kg N/Kg semilla

Fracción de fósforo en las semillas

CPYLD 0.0001 – 0.015 Kg P/Kg semilla


268

Fracción de nitrógeno en el brote BN1 0.0040 – 0.070 Kg B/Kg biomasa

Fracción de nitrógeno al 50% de desarrollo

BN2 0.0020 – 0.0500 Kg B/Kg biomasa

Fracción de nitrógeno en maduración BN3 0.001 – 0.2700 Kg B/Kg biomasa

Fracción de fósforo en el brote BP1 0.0005 – 0.0100 Kg P/Kg biomasa

Fracción de fósforo al 50% de desarrollo

BP2 0.0002 – 0.0070 Kg P/Kg biomasa

Fracción de fósforo en maduración BP3 0.0003 – 0.0035 Kg P/Kg biomasa

Valor mínimo del índice de cosecha

WSYF -0.200 - 0.100 Kg/ha/Kg/ha

Valor mínimo del factor C de la USLE

USLE_C 0.001 – 0.500 Adimensional

Máxima conductividad de los estomas en temporada seca

GSI 0.00 – 5.00 m/s

Fracción de la máxima conductividad de los estomas alcanzable al mayor déficit de presión de vapor

FRGMAX 0.00 – 1.00 Adimensional

Déficit de la presión de vapor correspondiente a la máxima conductividad de los estomas definida para FRGMAX

VPDFR 1.000 – 6.00 KPa

Tasa de decremento en uso eficiente de radiación por unidad de incremento del déficit de presión de vapor

WAVP 0.00 – 50.00 %

Concentración de CO2 en la atmósfera

CO2HI 300.00 – 1000.00 µl/l

Relación biomasa- energía correspondiente al segundo punto en la curva de eficiencia de uso de la radiación

BIOEHI 5.00 – 100.00 Adimensional

Coeficiente de descomposición de residuos de la planta

RSDCO_PL 0.001 – 0.099 Adimensional

Coeficiente de rugosidad de Manning

OV_N -------- --------

Número de la curva para cada uno de los grupos hidrológicos del suelo

CN -------- --------


Se plantearon cuatro escenarios distintos: dos de ocupación del suelo y dos de cambio

climático. La generación de los mismos se describe a continuación.


269

4.4.2.4.1 Escenarios de ocupación del suelo:

Escenario No. 1: Tendencia actual proyectada a 2012 (EOS 1)

Empleando los mapas generados según se describe en el apartado 4.4.2.4, y aplicando

el Land Change Modeler de Idrisi Andes (Eastman, 2006), se realizó el estudio de los

cambios de ocupación ocurridos entre dos fechas distintas y se generó los escenarios de

ocupación realizando los procesos descritos a continuación.

Los cambios ocurridos entre 1986 y 1996, se estudiaron aplicando la metodología

propuesta por Pontius et al. (2004), determinándose la persistencia, ganancia, pérdida e

intercambios entre las categorías temáticas presentes mediante el análisis de tabulación

cruzada. Se seleccionaron cinco variables explicativas de tipo biofísico: La elevación

(DEM), la pendiente, la distancia a cursos de agua, la distancia a la ubicación inicial de

las coberturas y el tipo de suelo. Como variables explicativas de origen antrópico se

seleccionaron la distancia a vías de comunicación y la distancia a centros poblados. El

potencial explicativo preliminar de las variables consideradas se estimó calculando el

coeficiente V de Cramer en el que se comparan las variables explicativas con la

distribución de las coberturas en el mapa de ocupación del suelo de 1990.

La relación entre las transiciones observadas entre 1986 y 1996 y sus posibles variables

explicativas se modelaron mediante regresión logística (Kleinbaum y Klein, 2002, p. 4)

y redes neuronales de perceptrones multicapa (Freeman y Skapura, 1993) obteniéndose

la probabilidad de cambio temático de cada píxel del mapa rastre analizado. La

predicción hacia el año horizonte (2001) se realizó empleando el mapa de cobertura de

la fecha inicial (1996), las probabilidades de transición ya calculadas; y, aplicando

cadenas de Markov, se determinan las futuras áreas que tendrán pérdida o ganancia.

Finalmente, mediante el método de asignación multiobjetivo de usos de suelo (MOLA)

(Bosque y García, 1999; Eastman, 2006), se elabora el mapa de ocupación del suelo

para 2001, que se compara con el mapa extraído de la imagen LANDSAT de 2001,

cuantificándose el ajuste entre ellos, mediante el índice Kappa (Pontius et al. 2001).

Analizado el ajuste se procedió a generar, en función de los mapas de ocupación del

suelo de 1996 y 2001 y las variables explicativas seleccionadas para cada transición, un


270

mapa de ocupación del suelo hacia el año 2012, el que será utilizado como escenario

para la simulación hidrológica mediante el modelo SWAT.

Escenario No. 2: Desarrollo sostenible (EOS 2)

Se realizaron modificaciones al mapa de uso actual elaborado por el proyecto

Binacional Catamayo Chira (2002), adicionando zonas con vegetación densa (bosque y

arbusto) con intensión de reducir la producción de sedimentos. En cuanto a zonas

productivas éstas se variaron en función del uso potencial del suelo y de las

recomendaciones del estudio de zonificación ecológico-económico de la cuenca

(Consultores ZEE, 2006). Se introdujo adicionalmente futuras zonas agrícolas que se

desarrollarán con el funcionamiento del proyecto de riego Zapotillo que se ubica en la

parte baja de la cuenca en las márgenes del río Catamayo Chira en el lado Ecuatoriano

de la Cuenca. Los cambios introducidos se presentan en la tabla 4.4.6.

Tabla 4.4.6. Cambios de ocupación del suelo introducidos en el mapa de uso actual para conformar el escenario No. 2

Ocupación del suelo Área Inicial [ha] Área Escenario 1 [ha] Variación [ha] Variación [%] Bosque natural 104755.1 108555.7 3800.7 3.6Vegetación arbustiva 132004.8 176855.4 44850.6 34.0Bosque seco 301396.3 295695.2 -5701.1 -1.9Pastizal 525886.1 470552.0 -55334.1 -10.5Cultivos 99880.1 112264.0 12383.9 12.4Páramo 27151.2 27151.2 0.0 0.0

4.4.2.4.2 Escenarios de cambio climático

La generación de escenarios de cambio climático se llevó a cabo aplicando el Model for

the Assessment of Greenhouse-gas Induce Climate Change/SCENario Generator

(MAGICC/SCENGEN 4.1) (Wigley, 2003). El modelo incorpora el MAGGICC (Model

for the Assessment of Greenhouse-gas Inducen Climate Change) que es un modelo



y 2100 y el SCENGEN (SCENario Generador) que ajusta los resultados del MAGGICC

conjuntamente con un amplio grupo de modelos de circulación general (MCG),


271

tomando como fundamento las sensibilidad climática de cada modelo para originar

escenarios de cambio climático regionalizados, aumentando la escala de los resultados

de los GCM y así obtener un producto regional de temperatura y precipitación en una

cuadrícula de 5°.

Considerando el informe especial de escenarios de emisión (IPCC, 2000), se

seleccionaron dos escenarios de cambio climático de características diferentes: B2-MES

(extensivo) y A1-FIMI (intensivo) y aplicando 8 modelos de circulación general

(CCC199, CCSR96, CSM98, ECH498, HAD300, HAD 295, MRI_96 y WM_95) se

generaron los escenarios regionales de cambio climático a nivel mensual y anual

tomando como año de referencia 1990 y como años horizonte 2025, 2050 y 2080.

Mayores detalles pueden consultarse en el apartado 4.2.

4.4.2.5 Implementación del modelo

En la implementación del modelo se empleó el AVSWATX, que es una versión del

modelo SWAT que funciona en entorno SIG bajo ArcView 3.2ª.

La implementación del modelo requiere de los siguientes procesos:

• Se debe crear al menos tres bases de datos: a) La base climática (User Weather

Station) que incluye todos los parámetros detallados en la tabla 4.4.2, calculados

para cada estación en base a su registro histórico. b) La base de datos con

características edafológicas levantadas en campo (User Soils), que contiene los

parámetros incluidos en la tabla 4.4.4, medidos para cada tipo edafológico del

suelo y para los horizontes que lo constituyen; y finalmente c) la base de datos

de características de ocupación del suelo (Land Cover/Plant Growth) que

contiene los parámetros detallados en la tabla 4.4.5, normalmente, se emplea la

base de datos que el modelo incluye con dicha información de diversas

coberturas del suelo, pero de existir datos recopilados por el usuario, estos

pueden emplearse sin inconveniente. Adicionalmente el modelo SWAT maneja

cuatro bases de datos adicionales (fertilizantes, pesticidas, cosecha y urbano) tres

de las cuales se utilizan para estudiar el efecto del uso de nutrientes y pesticidas


272

en la calidad del agua y la restante para aplicaciones en cuencas con áreas

urbanas significativas.

• Con base en el DEM SRTM, el modelo SWAT realiza la delimitación

automática de subcuencas, empleando como umbral el área mínima de drenaje.

En este caso, el área mínima considerada fue de 15 000 ha, definiéndose 54

subcuencas de áreas mayores o iguales a dicho umbral. Para mejorar la

definición de las subcuencas y cauces naturales, el Modelo SWAT tiene la

capacidad de considerar una red hídrica previamente digitalizada. Parámetros

morfométricos como el área de cada subcuenca, su pendiente media, la longitud

de los cauces principales, su distribución hipsométrica, etc. fueron calculadas

automáticamente por el modelo. El detalle de algunos de los procesos que se

aplican para la delimitación de cuencas hidrográficas y la determinación de

parámetros morfométricos pueden encontrarse en el. apartado 3.1.

• Una vez definidas las subcuencas, se procede al cálculo de las Unidades de

Respuesta Hidrológica (HRU) que representan la combinación única de tipo

edafológico y ocupación de suelo y posee características propias de infiltración,

evapotranspiración, producción de sedimentos, etc. Para determinar cada una de

las HRU es necesario realizar la intersección del mapa de tipo edafológico de

suelo con el de su ocupación. Cada HRU posee un identificador unívoco del tipo

edafológico del suelo y de su ocupación que le permite extraer de las bases de

datos mencionadas en el párrafo anterior, los parámetros que cada fase del

cálculo requiere.

• En un siguiente paso es necesario definir la ubicación geográfica y el

identificado unívoco de cada una de estaciones que poseen información a nivel

diario de precipitación, temperatura, radiación solar, velocidad del viento y

humedad relativa, así como los datos para la caracterización climática a nivel

mensual. Los datos diarios deben colocarse en bases de datos individuales para

cada variable y cada estación; la caracterización climática se encuentra ya en la

base de datos User Weather Station. El identificador unívoco debe ser el

nombre del fichero con los datos a incluir en el cálculo. En el presente caso, solo

se emplearon datos diarios de precipitación y temperatura; los valores de las

restantes variables, serán estimados por el modelo en base a la información

contenida en la base climática (User Weather Station)


273

• Con la información así ingresada, el modelo SWAT procede a calcular la

precipitación media y la temperatura, para cada HRU, en base a polígonos de

Thiessen (apartado 4.3.2.3). La respuesta de cada HRU en términos de agua y

sedimentos, es determinada individualmente para luego ser agregadas a nivel de

subcuenca y transitadas hasta la salida principal de la cuenca a través de su red

hídrica (Bouraoui et al., 2005). Con este proceso se obtiene una mejor

descripción física del balance hídrico y se incrementa la precisión del modelo

(Neitsch et al., 2002).

• Los resultados de la simulación pueden observarse en forma de una tabla plana

para cada una de las subcuencas y para todo el período de simulación o parte de

éste. Adicionalmente se puede realizar la representación gráfica de los resultados

en diversos formatos.

4.4.2.6 Análisis de sensibilidad, calibración, validación.

El gran número de parámetros que maneja el modelo SWAT, así como la notable

variación espacial de estos, hace que la calibración del modelo sea una tarea laboriosa.

Normalmente, previo a la calibración, se acostumbra a realizar un análisis de

sensibilidad del modelo, mediante el cambio sistemático de los valores de los

parámetros del modelo y la observación del efecto que dichos cambios tienen en los

resultados obtenidos, para de esta manera seleccionar un número reducido de

parámetros “sensibles”, de mayor relevancia en el cálculo y que son afinados en la fase

de calibración. Para el análisis de sensibilidad se aplicó el módulo que para el efecto

dispone el modelo SWAT, en el que se combina un muestreo basado en el método del

“Latín Hypercube” (McKay et al., 1979; Iman and Conover, 1980; McKay, 1988,

citados por van Griensven, 2006), que a diferencia del método de Montecarlo

convencional, realiza un muestreo estratificado entre el rango de posibles valores de

cada parámetro; y la simulación OAT (One-factor-At-a-Time) (Morris, 1991, citado por

van Griensven, 2006), que asegura que los cambios en la salida de cada corrida del

modelo pueden ser atribuidos, de modo inequívoco, a los cambios realizados a la

variable de entrada en cada simulación (van Griensven, 2006). El Latin Hypercube

selecciona para cada parámetro, valores representativos que serán analizados, uno cada

vez, mediante simulaciones sucesivas del modelo, determinándose su grado de

sensibilidad.


274

El modelo fue calibrado secuencialmente mediante la optimización del coeficiente de

correlación R2 y la eficiencia EF (Nash y Sutcliffe, 1970) entre caudales observados y

calculados por el modelo. El componente hidrológico se calibró mediante

aproximaciones sucesivas de los parámetros seleccionados en la fase de análisis de

sensibilidad, considerándose complementariamente parámetros recomendados por la

literatura tales como: CN2 (valor inicial del número de la curva en cada subcuenca),

SOL_AWC (Contenido de humedad del suelo), GW_REVAP (coeficiente de recarga de

aguas subterráneas), ALPHA_BF (Factor alfa del flujo base), SLSUBBSN (promedio

de la longitud de la pendiente) y SPEXP (el coeficiente exponencial del transito de

sedimentos en el cause). Los primeros cuatro parámetros permiten reducir las

diferencias de magnitud de los caudales observados y calculados, el quinto reduce los

desfases temporales y el sexto permite el ajuste del transporte de sedimentos. La

calibración se realizó para el período 1976-1986 para el caso de los caudales y 1984-

1988 para los sedimentos.

La validación de los caudales se realizó para el período 1987 – 1994. Al no contar con

mayor información sedimentológica, no se realizó la validación del desempeño del

modelo en cuanto a sedimentos. La bondad de ajuste entre los caudales observados y

calculados se determinó mediante el cálculo del R2 y la eficiencia EF. Se elaboraron

gráficas en las que se muestra el ajuste entre los caudales calculados y observados.

4.4.2.7. Implementación de escenarios

Luego de la calibración y validación del modelo se procedió a implementar los dos

escenarios de ocupación del suelo, considerando en este caso como datos climáticos los

datos originales con los que se calibró y validó el modelo. Por su parte, los escenarios

de cambio climático se implementaron considerando la ocupación actual del suelo y los

datos climáticos generados para cada estación según los dos escenarios climáticos

considerados. Finalmente se ensayó un escenario combinado en el cual se aplicaba el

escenario climático más crítico a los dos escenarios de cambio de ocupación del suelo.


275

Para introducir los escenarios de ocupación del suelo se procedió a reemplazar el mapa

empleado en la simulación por cada uno de los escenarios propuestos, uno a la vez;

manteniendo invariables los registros de precipitación y temperatura.

En el caso de los escenarios climáticos se reemplazó los datos diarios registrados, por

sus correspondientes valores calculados de acuerdo a los dos escenarios climáticos

planteados, y manteniendo invariable el mapa de ocupación del suelo empleado en la

implementación del modelo.

Para el ensayo del escenario combinado se reemplazaron los datos climáticos originales

para implementación, por los correspondientes al escenario climático más crítico y

como mapas de ocupación del suelo se emplearon los escenarios EOS 1 y EOS 2, uno a

la vez.

En ambos casos se mantuvo invariable las subcuencas, la posición de las estaciones

climáticas y de precipitación y todos los parámetros ya calibrados.

La comparación entre escenarios se realizó considerando los principales componentes

del ciclo hidrológico que son calculados por el modelo SWAT como una suma

ponderada de los totales individuales de cada subcuenca; el factor de ponderación es la

razón entre el área de la subcuenca y el área total. Los factores considerados son:

• La precipitación (mm) que se calcula para cada subcuenca mediante la

metodología de polígonos de Thiessen.

• Escorrentía (mm), que se refiere a la porción de la precipitación total que una

vez que llega al suelo, escurre sobre la superficie de la cuenca hasta llegar a un

cauce definido. Está influenciada por las características edafológicas del suelo,

así como por las condiciones de la cobertura del suelo, su humedad antecedente

y el tratamiento al que éste se vea sometido.

• Percolación (mm) es la porción de la precipitación que luego de quedar retenida

por la vegetación y el suelo, se infiltra profundamente constituyéndose en la

recarga de los acuíferos. Está supeditada a las condiciones geológicas del

terreno, así como de las características de la vegetación, la topografía, etc.


276

• Evapotranspiración (mm) es el efecto combinado de la evaporación desde el

suelo húmedo y fuentes de agua como reservorios, lagunas y ríos, y la

transpiración de las plantas que luego de extraer el agua del suelo para sus

procesos biológicos, elimina el exceso de esta manera. La evapotranspiración

tiene relación directa con la latitud, la temporada del año, la cantidad de

radiación solar incidente, la temperatura, la velocidad del viento, entre otras.

• Producción de agua de la cuenca (mm) que viene definida por la relación

sumatoria entre la escorrentía, el flujo lateral y el aporte de las aguas

subterráneas (Flujo Base), al que se le resta las pérdidas por infiltración en el

cauce y las abstracciones generales de la cuenca (Neitsch et al., 2002).

• La producción de sedimentos (Tn/ha) que se calcula con la ecuación de pérdida

de suelo (Williams, 1975 citado por Neitsch et al., 2002) y depende de la

Intensidad de precipitación, las características del suelo, la pendiente, la

cobertura del terreno y las prácticas de conservación que en éste se practiquen.


4.4.3.1 Escenarios de cambio de ocupación del suelo

El escenario de ocupación del suelo generado en base al modelamiento de los cambios

observados entre 1996 y 2001 (EOS 1) y el escenario que propicia un desarrollo

sostenible (EOS 2) se presenta en la figura 4.4.3. En la figura se puede apreciar que en

el escenario EOS 1 se presentan áreas relativamente pequeñas de arbusto y bosque

natural, existiendo predominio de pastizal y bosque seco. Las zonas de cultivo son

relativamente pequeñas. En el escenario EOS 2, se observa la presencia de grandes

superficies de arbusto y bosque natural, especialmente en las zonas cercanas al límite de

la cuenca, que suelen presentar mayores pendientes y consecuentemente mayor riesgo

de erosión. Se han incrementado amplias zonas de cultivo en la porción noroeste de la

cuenca y en la parte oeste de la misma que se beneficirá del proyecto de riego Zapotillo

que irrigará 8 000 ha y entraría en operación en 2012.


277

El área ocupada por cada cobertura, según los escenarios planteados se resume en la

tabla 4.4.7. En ella se puede apreciar que si se comparan los dos escenarios propuestos

entre sí, el escenario EOS 2 propone áreas significativas de arbustos equivalentes al

22.8% más que lo contemplado en el escenario EOS 1, algo similar ocurre con las áreas

bosque natural (17.8%) y los cultivos (149.0%). Por su parte las áreas de bosque seco,

páramo y pastizal son menores en el escenario EOS 2, en porcentajes en niveles del

18%, 0.6% y 9.9 %, respectivamente.

EOS 1 EOS 2

Figura 4.4.3. Escenario de ocupación del suelo proyectado hacia el año 2012

El escenario EOS1 refleja la tendencia de desarrollo observada y en él no se han

realizado modificaciones con la intensión de conseguir un desarrollo sustentable. El

escenarios EOS 2, por su parte, propone el incremento de áreas de bosque natural y

arbustos con la finalidad de brindar mayor protección al suelo y evitar su erosión, las

áreas de páramo se conservan a fin de garantizar el flujo base en la cuenca y las áreas de

cultivos se incrementan con miras a mejorar el nivel socioeconómico de la población ya

que acciones de esta naturaleza crean de fuentes de trabajo, reducen la migración y

aseguran el abastecimiento de alimentos.


278

Tabla 4.4.7. Área de cada cobertura según los escenarios de ocupación del suelo

EOS 1 EOS 2 Diferencia porcentual entre

EOS 1 y EOS 2 Arbustos 144071.854 176855.432 22.8 Bosque natural 92127.579 108555.716 17.8 Bosque seco 360433.999 295695.202 -18.0 Cultivos 45092.724 112263.987 149.0 Páramo 27303.295 27151.248 -0.6 Pastizal 522044.125 470551.991 -9.9

4.4.3.2 Escenarios de cambio climático

Los escenarios climáticos a nivel anual se presentan en las figuras 4.4.4 (temperatura) y

4.4.5 (precipitación), observándose una tendencia siempre creciente en el caso de la

temperatura, que experimentaría en 2085 un incremento de 2.4 ºC y 4 ºC con respecto a

la temperatura registrada en 1990, según sea el escenario considerado (A1FIMI y

B2MES). La precipitación presenta una tendencia oscilante con valores mínimos en

2025, 2052 y 2053 (A1FIMI) y entre 2050 y 2053 (B2MES). En términos generales el

escenario A1FIMI prevé mayores incrementos de temperatura en la zona de estudio con

decrementos significativos de la precipitación, produciéndose aumentos considerables

de la misma a partir del año 2074. El escenario B2MES prevé incrementos más

moderados de la temperatura que los previstos por el escenario A1FIMI y

disminuciones moderadas de precipitación, sin llegarse a producir incrementos

significativos de la misma.

4.4.3.3 Calibración y validación del modelo

El análisis de sensibilidad reportó los 35 parámetros más sensibles en el presente caso,

Los parámetros se clasificaron en una escala de 35 niveles, en la que 1 corresponde al

parámetro más sensible. Los parámetros considerados en la calibración y su nivel de

influencia en el modelo, se incluyen en la tabla 4.4.8.


279

Figura 4.4.4. Escenarios de variación media anual de la temperatura considerando períodos de 10 años en los que se han centrado cada uno de los años horizonte (2025, 2050, 2080)

Figura 4.4.5. Escenarios de variación total anual de la precipitación considerando períodos de 10 años en los que se han centrado cada uno de los años horizonte (2025, 2050, 2080)


280

Tabla 4.4.8. Parámetros calibrados

En la tabla 4.4.8 se puede observar que el modelo resultó muy sensible al número de la

curva (CN2), ya que este parámetro permite separar la precipitación efectiva de la

precipitación total, por ende tiene un efecto directo en el cálculo de la escorrentía. Por

su parte el contenido de humedad del suelo (SOL_AWC), condiciona el escurrimiento

superficial ya que ocasiona mayor o menor infiltración; el coeficiente de recarga de

aguas subterráneas (GW_REVAP), influye en las pérdidas por infiltración en cada

subcuenca, ya que una mayor recarga de los acuíferos implicará una menor escorrentía

superficial; finalmente, el factor alfa del flujo base (ALPHA_BF), regulará las

aportaciones de las aguas subterráneas al caudal. Por su parte el albedo del suelo

húmedo (SOL_ALB) y el factor de compensación de la evaporación del suelo (ESCO)

regularon las pérdidas por evapotranspiración. La calibración de estos parámetros

redujo las diferencias de magnitud entre los caudales observados y calculados.

Una influencia importante presentaron la pendiente media (SLOPE) y el tiempo de

retardo de la escorrentía superficial (SURLAG), afectando directamente en el tiempo de

concentración de cada subcuenca, variando la ocurrencia temporal de los caudales

picos. Estos parámetros conjuntamente con el promedio de la longitud de la pendiente

(SLSUBBSN) contribuyeron a disminuir el desfase temporal entre caudales observados

y calculados

Parámetro Símbolo Ranking Valor inicial del número de la curva en cada subcuenca CN2 1Pendiente media SLOPE 3Tiempo de retardo de la escorrentía superficial SURLAG 4Factor de práctica de manejo de la USLE USLE_P 5Contenido de humedad del suelo SOL_AWC 6Parámetro de reentrenamiento para el transito de sedimentos SPCON 7Albedo del suelo húmedo SOL_ALB 8Factor de compensación de la evaporación del suelo ESCO 9Factor alfa del flujo base ALPHA_BF 10Promedio de la longitud de la pendiente SLSUBBSN 13Coeficiente exponencial del transito de sedimentos en el cause SPEXP 18Coeficiente de recarga de aguas subterráneas GW_REVAP 24


281

El factor de práctica de manejo de la USLE (USLE_P) representa las prácticas de

conservación que se pueden realizar en un suelo determinado a fin de reducir la pérdida

de suelos por erosión, su calibración ajustó la producción de sedimentos calculada con

la observada; por su parte el parámetro de reentrenamiento para el transito de

sedimentos (SPCON) y el coeficiente exponencial del transito de sedimentos en el cause

(SPEXP) regularon temporalmente la producción de sedimentos

En la figura 4.4.6 se puede observar la comparación gráfica de los caudales calculados

y observados en la estación Ardilla, incluyéndose las fases de calibración y validación.

En la tabla 4.4.9 se incluyen los valores del coeficiente de correlación R2 y de la

eficiencia de Nash y Sutcliffe EF.

El modelo presenta poca capacidad para reproducir los valores extremos como el evento

ENSO del año 1982-1983 ya que el modelo subestima los valores del caudal con

valores calculados notablemente menores a los observados. El ajuste de los caudales

extremos es mejor durante la validación, aunque se observan dos períodos con

importantes diferencias entre 1991 y 1993. Es necesario recalcar además que en el

período de validación no se produce ningún fenómeno ENSO, por lo que no ha sido

posible validar el desempeño del modelo SWAT en condiciones como las del último

ENSO de efecto considerable (1997-1998). Los caudales de menor magnitud son

calculados adecuadamente por el modelo en la mayoría de casos, aunque se pueden

observar subestimaciones.

Las diferencias observadas en los caudales pico podrían atribuirse a la baja densidad de

estaciones pluviométricas presentes en la cuenca, ya que en promedio se cuenta con una

estación cada 270 Km2, esto no permitiría caracterizar adecuadamente la notable

variabilidad espacial de la precipitación (véase apartado 3.2). Los valores del

coeficiente de correlación (R2) entre caudales observados y calculados, así como la

eficiencia de Nash-Sutcliffe (EF), tanto para el período de calibración cuanto para el de

validación, presentan valores que superan el 70 % del máximo posible; estos valores

son estadísticamente aceptables, pero no son del todo satisfactorios pues con la

modelización semidistribuida se esperaba mejores resultados.


282

En todo caso, si se considera la baja densidad de estaciones climáticas y meteorológicas,

el tamaño de la cuenca, las irregularidades del relieve y sus particulares características

biofísicas, se aceptan los resultados obtenidos.

En la figura 4.4.7, se presenta una comparación gráfica entre la producción de

sedimentos calculados por el modelo y observados en campo. La reducida

correspondencia entre los valores observados y calculados es apreciable (1985, 1986 y

1988), notándose una elevada sobreestimación de sedimentos por parte del modelo en

casi todo el período analizado. La tendencia es aproximada, pero la magnitud de los

valores calculados presenta notables diferencias en varios casos.

Al comparar los sedimentos con los caudales líquidos (Figura 4.4.6 y figura 4.4.7) se

comprueba que las mayores producciones de sedimentos ocurren en la temporada de

crecidas. La calibración realizada presenta valores deficientes del coeficiente R2,

alcanzando una correlación del 62%, con una eficiencia EF de 0.21 que evidencia una

débil correspondencia 1 a 1 entre los valores observados y calculados.

Tabla 4.4.9. Coeficientes de correlación y eficiencia para los períodos de calibración y validación del modelo SWAT

Calibración Validación

R2 EF R2 EF

Caudal 0.77 0.76 0.76 0.74

Sedimentos 0.62 0.21 ----- -----

El pobre desempeño del modelo en el cálculo de la producción de sedimentos puede

atribuirse a la falta de detalle en la información edafológica y de las características de la

ocupación del suelo, ya que es bien conocida la variabilidad espacial de las

características edafológicas del suelo especialmente; por otra parte, no se puede dejar de

lado la influencia que tienen los métodos de registro de información de sedimentos, que

en la mayoría de los casos se calcula mediante curvas que relacionan la descarga sólida

con los caudales líquidos observados; y rara vez se realiza con mediciones directas. A

pesar de que esta es una práctica generalizada , entraña ciertas incertidumbres que

pueden afectar a la calidad de los registros utilizados para calibración.

Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido ___________________________________________________________________________________________________________________________________________

283

Figura 4.4.6. Caudales observados y calculados por el modelo: períodos de calibración y validación

Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido ___________________________________________________________________________________________________________________________________________

284

Figura 4.4.7. Producción de sedimentos observados y calculados por el modelo: períodos de calibración.


285

4.4.3.4 Análisis de escenarios

4.4.3.4.1 Escenarios de ocupación del suelo

En la tabla 4.4.10 se presenta los resultados de la aplicación de los dos escenarios de

cambio de ocupación de suelo. Se analiza el efecto de los escenarios en el balance

hídrico de la cuenca y se lo compara con los valores observados en el año base (1990).

Se puede observar en la tabla 4.4.10 que las condiciones de precipitación son constantes

a los dos escenarios.

La escorrentía superficial sufre un incremento del 6.14% conforme al escenario EOS 1,

debido a la disminución de áreas de vegetación arbustiva y bosque natural en la cuenca,

lo que disminuye la retención superficial y la percolación (-4.8%) ocasionando dicho

incremento en la escorrentía. La evapotranspiración se ve reducida en un 0.12 %

principalmente por el cambio de ocupación del suelo de bosque natural y vegetación

arbustiva a pastizal, ocupación que presenta menor capacidad de retención de agua y de

evapotranspiración.

La producción de agua de la cuenca se ve reducida en un 1.14%, esto debido a que al

disminuir la retención superficial y la percolación, se reduce el aporte de las aguas

subterráneas al flujo base. La disminución no es tan significativa ya que se produce un

incremento en la escorrentía que aumenta de cierta manera la producción de agua de la

cuenca por el aumento en los caudales de crecida.

La producción de sedimentos se ve incrementada en un 19.61% ya que al disminuir las

zonas de bosque natural y vegetación arbustiva disminuye también la protección que

estas brindaban al suelo, dejándolo más vulnerable a procesos erosivos.

El escenario EOS 2 estima una reducción del 3.89% en la escorrentía superficial,

especialmente originada por el incremento en la percolación del orden del 2.10%; estos

cambio ocurren al crecer las zonas que presentan alta retención superficial como los

bosque naturales y la vegetación arbustiva.


286

Tabla 4.4.10. Análisis comparativo de los componentes del balance hídrico entre los escenarios de ocupación del suelo (EOS 1, EOS 2) y el año base

Año base Escenarios Componentes del balance hídrico 1990 EOS 1 EOS 2 Precipitación (mm) 707.87 707.87 0.00% 707.87 0.00%Escorrentía (mm) 38.25 40.60 6.14% 36.76 -3.89%Percolación (mm) 93.48 89.57 -4.18% 95.44 2.10%Evapotranspiración real (mm) 225.82 225.55 -0.12% 251.54 11.39%Producción de agua (WY) (mm) 429.14 424.25 -1.14% 449.22 4.68%Producción de sedimentos (SY) (Tn/ha) 0.89 1.06 19.61% 0.70 -21.27%

La evapotranspiración sufre un incremento importante del 11.39% ocasionado por el

crecimiento notable de las áreas de cultivo que es del orden del 149% (tabla 4.4.7), las

que contarán con buenas condiciones de riego.

La producción de agua de la cuenca crece un 4.68% debido al incremento de retención

superficial y percolación, lo que origina un mayor aporte de las aguas al caudal base.

Esta producción de agua es sustentable ya que garantiza la permanencia de caudales en

la cuenca.

La producción de sedimentos se reduce en un 21.27% en gran medida por el aumento de

la protección al suelo que brindan las coberturas de bosque natural y vegetación

arbustiva, adicionalmente a esto, al mejorar las condiciones de cobertura disminuye el

escurrimiento, por lo que se reduce también la producción de sedimentos.

En general, el escenario EOS 2 presenta mejores condiciones para la conservación de la

cuenca ya que se reduce la producción de sedimentos, se incrementa la producción de

agua y se ha incrementado la producción agrícola. Todos estos factores propician un

desarrollo un sostenible que sea beneficioso tanto para la naturaleza como para la

población.

4.4.3.4.2 Escenarios de cambio climático


287

En la tabla 4.4.11 se presentan los resultados obtenidos de la aplicación de los

escenarios de cambio climático. Se considera su efecto en los principales componentes

del balance hídrico y se los compara con los correspondientes valores observados en el

año de referencia (1990).

Se puede apreciar en la tabla 4.4.11 que la precipitación se verá notablemente reducida

en el año horizonte 2050 con valores de 35.00% (A1FIMI) y 21.20% (B2MES), hecho

que ocasionará disminuciones considerables de la escorrentía superficial, las mismas

que serán del orden del 54.93% para el escenario A1FIMI y de 49.67 % para el B2MES.

Un hecho parecido ocurre con la percolación que también disminuye un 60.43% según

el escenario A1FIMI y un 56.32% según el escenario B2MES. La disminución de la

escorrentía y la percolación se debe a la notable disminución esperada de la

precipitación en la zona de estudio según los escenarios planteados.

La temperatura incrementará entre 1.5 y 2 ºC según los escenarios B2MES y A1FIMI

respectivamente, esta variación incidirá directamente en la evapotranspiración,

incrementando los niveles de la evapotranspiración potencial; pero en contraposición a

esto, se observa una disminución considerable de la precipitación y la percolación,

disminuyendo el agua retenida tanto por el suelo como por la vegetación, disminuyendo

el agua “evapotranspirable”; esto explicaría la disminución en la evapotranspiración real

calculada por el modelo SWAT y que es del orden del 9.72% según el escenario

A1FIMI y de un 6.25% para el escenario B2MES.

Tabla 4.4.11. Análisis comparativo de los componentes del balance hídrico entre los escenarios de cambio climático y el año base

Año base Escenarios (a 2050) Componentes del balance hídrico 1990 A1FIMI B2MES Precipitación (mm) 707.87 460.12 -35.00% 557.80 -21.20%

Escorrentía (mm) 38.25 17.24 -54.93% 19.25 -49.67%

Percolación (mm) 93.48 36.99 -60.43% 40.83 -56.32%

Evapotranspiración real (mm) 225.82 203.87 -9.72% 211.71 -6.25%

Producción de agua (WY) (mm) 429.14 248.82 -42.02% 272.25 -36.56%

Producción de sedimentos (SY) (Tn/ha) 0.89 0.63 -29.21% 0.66 -25.84%


288

Si bien la evapotranspiración disminuye, la precipitación también lo hace, al igual que

la percolación y la escorrentía, estos factores contribuyen a que la disminución de la

producción de agua de la cuenca se reduzca un 42.02% según el escenario A1FIMI y un

36.56% según el escenario B2MES.

La producción de sedimentos se ve reducida en un 29.21% según el escenario A1FIMI y

en un 25.84% según el escenario B2MES, en gran medida por la disminución de la

escorrentía y por la reducción de la producción de agua de la cuenca.

En general se observa que el cambio climático en la cuenca tendría los mismos efectos,

según los dos escenarios aplicados, diferenciándose en la magnitud de los mismos. El

escenario A1FIMI presenta condiciones más desfavorables que las pronosticadas según

el escenario B2MES, y según éstos se puede esperar un déficit muy significativo de

recursos hídricos. Las disminución de la precipitación y la consecuente reducción de la

producción de agua de la cuenca ocasionaría períodos de sequía muy considerables y de

varios años de duración, lo que ocasionaría el deterioro de la calidad de vida de la

población, disminución de la producción agrícola y considerables olas de migración.

4.4.3.4.3 Escenario combinado: Cambio climático y cambio de ocupación del suelo

En la tabla 4.4.12 se presentan los resultados de la aplicación del escenario climático

más crítico (A1FIMI) en dos condiciones distintas de ocupación de suelo, definidas por

los escenarios EOS 1 y EOS 2. La comparación se realiza con los valores

correspondientes registrados en el año de referencia (1990).

Tabla 4.4.12. Análisis comparativo de los componentes del balance hídrico entre los escenarios de ocupación del suelo (EOS 1, EOS 2) sometidos al escenario de cambio climático más crítico (A1FIMI) y el año base

Año base Escenario Climático A1FIMI (a 2050) Componentes del balance hídrico 1990 EOS 1 EOS 2 Precipitación (mm) 707.87 460.12 -35.00% 460.12 -35.00%Escorrentía (mm) 38.25 18.64 -51.26% 16.33 -57.31%Percolación (mm) 93.48 34.11 -63.51% 40.54 -56.63%Evapotranspiración real (mm) 225.82 202.22 -10.45% 205.79 -8.87%Producción de agua (WY) (mm) 429.14 243.49 -43.26% 260.23 -39.36%Producción de sedimentos (SY) (Tn/ha) 0.89 0.65 -26.71% 0.64 -27.60%


289

La precipitación sufre una importante reducción del orden del 35.00% (tabla 4.4.12)

con disminuciones en la escorrentía equivalentes al 51.26% según el escenario EOS 1 y

del 57.31% en el escenario EOS 2 , esta disminución se debe lógicamente a la

disminución de la precipitación, pero se ve acentuada en el caso del escenario EOS 2

debido a la presencia de considerables extensiones de bosque natural y vegetación

arbustiva que presentan mayores capacidades de retención de agua que el pastizal o el

bosque seco.

La percolación se reduce un 63.51% en el escenario EOS 1y un 56.63 % en el escenario

EOS 2, siendo esto una consecuencia de la disminución de la precipitación, pero con

una fuerte influencia del cambio de ocupación del suelo, que en el caso del EOS 2,

incrementa las zonas de bosque natural y vegetación arbustiva que al retener mayor

cantidad de agua aseguran una mayor percolación que en algo reduce el efecto de la

disminución de la precipitación.

La evapotranspiración sufre igualmente un significativa disminución de 10.45% y

8.36% según los escenarios A1FIMI Y B2MES respectivamente. En el caso del

escenario B2MES la reducción es de menor magnitud debido a la mayor retención de

agua que puede ser aprovechada por la vegetación para luego ser transpirada.

La producción de agua se ve reducida en un 43.26% (A1FIMI) y 39.36% (B2MES),

notándose el efecto de la presencia de las mejores condiciones de cobertura vegetal del

escenario EOS 2, que implican un mayor aporte de aguas subterráneas a la producción

de agua de la cuenca.

La producción de sedimentos se reduce en valores equivalentes al 27.60% y 26.71%

según los escenarios A1FIMI Y B2MES, respectivamente. Las diferencias entre los dos

escenarios son reducidas, pero la mayor producción de sedimentos es la correspondiente

al escenario A1FIMI, ya que la escorrentía superficial es mayor y existen peores

condiciones de protección contra la erosión de parte de la cobertura vegetal.

En términos generales el escenario EOS 2 presenta mejores condiciones para adaptarse

a un eventual cambio climático que en el escenario EOS 1, aunque es notorio que

tampoco será suficiente para lograr superar de manera exitosa el impacto de cambios


290

climáticos como los previstos en el escenario A1FIMI, por lo que se debe tomar

medidas complementarias en diversos ámbitos a fin de lograr una adaptación efectiva

que evite el colapso de la zona de estudio.

4.4.4 Conclusiones

El modelo SWAT es una herramienta de aplicación directa en el estudio de una cuenca

hidrográfica y de los procesos que en ésta ocurren; es innegable su capacidad de

simulación de escenarios de diversa naturaleza, lo que le otorga potencialidades

notables para la planificación territorial. La gran complejidad de los fenómenos que

ocurren en una cuenca hidrográfica y la necesidad de modelarlos con alta precisión,

hace que el modelo SWAT requiera una serie muy amplia de parámetros, que limita su

implementación y complica más aún su calibración.

En el presente caso, el modelo SWAT fue capaz de reproducir el registro histórico de

caudales, presentando ciertas limitaciones en el cálculo de los caudales de crecida que

se presentan en la temporada lluviosa, siendo poco efectivo al reproducir los caudales

observados durante el ENSO de 1982 – 1983. La baja densidad de las estaciones

pluviométricas limitó el desempeño del modelo ya que no fue posible caracterizar con

precisión la variación espacial de la precipitación. Se observaron algunas

subestimaciones en los caudales mínimos, registrándose un valor de la eficiencia de

Nash- Sutcliffe que varió de 0.76 en el período de validación a 0.74 en el período de

calibración.

El desempeño del modelo en la estimación de sedimentos fue limitada, alcanzándose

valores de la eficiencia de Nash- Sutcliffe de 0.21. Este hecho se atribuyó a limitaciones

propias de la escala de trabajo, en lo que a información requerida de tipo edafológico de

suelo y de su ocupación se refiere; señalándose además como otra posible fuente de

discrepancias, a los métodos aplicados para recolectar información de sedimentos en

campo.

La aplicación de un escenario de ocupación del suelo basado en proyección de las

tendencias actuales, evidenció un progresivo deterioro de las condiciones de producción


291

de agua y de sedimentos en la cuenca, por lo que existe la necesidad de tomar acciones

tendientes a mitigar los efectos del proceso de deterioro de la cobertura vegetal y la

erosión al que se ve sometida una parte considerable de la cuenca. La aplicación de un

escenario en el que predominaban las áreas de bosque natural, vegetación arbustiva y

cultivos demostró que es posible proponer un manejo sustentable y sostenible de la

cuenca en el que se incremente la producción de agua, se disminuya el volumen de

erosión y se logre un desarrollo agrícola significativo.

Los escenarios de cambio climático analizados permiten anticipar largos períodos de

escasez de agua en la zona de estudio. Se prevé una considerable disminución de la

precipitación y la consecuente reducción de la producción de agua de la cuenca

ocasionando períodos de sequía muy considerables y de varios años de duración, lo que

ocasionaría el deterioro de la calidad de vida de la población, la disminución de la

producción agrícola y considerables olas de migración similares a las que se produjeron

en la década de 1970.

La combinación de escenarios de cambio climático con escenarios de ocupación del

suelo, demostró que la adaptación a los posibles efectos del cambio climático requiere

no solo de medidas que involucren un ordenamiento territorial con visión de protección

ecológica, sino también la ejecución de proyectos tendientes al manejo y conservación

de los recursos hídricos, la prevención de desastres y la concientización de la población.

4.4.5 Referencias Abbaspour, K. C., Yang J., Maximov I., Siber R., Bogner K., Mieleitner J., Zobrist J., Srinivasan R., 2007. Modelling hydrology and water quality in the pre-alpine/alpine Thur watershed using SWAT. Journal of Hydrology. 333, 413.430. Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large area hydrologic modeling and assessment part I: model development. Journal of American Water Resources Association. 34 (1), 73–89. Bekiaris I.G., Panaopoulos I.N., Mimikou M.A., 2005. Application of the SWAT (Soil and Water Assessment Tool) model in the Ronnea Catchment of Sweden. Global NEST Journal. 7(3), 252-257.


292

Bosque, J., García, R., 1999. Asignación óptima de usos del suelo mediante generación de parcelas por medio de SIG y técnicas de evaluación multicriterio. VII Conferencia Iberoamericana sobre SIG. Mérida, Venezuela. Bouraoui, F., Benabdallah, S., Jrad, A., Bidoglio, G., 2005. Application of the SWAT model on the Medjerda river basin (Tunisia). Physics and Chemistry of the Earth. 30 497–507. Bouraoui, F., Grizzetti, B., 2007. An integrated modelling framework to estimate the fate of nutrients: Application to the Loire (France). Ecological Modelling, 1-10. Carpenter, T.M., Georgakakos, K.P., 2006. Intercomparison of lumped versus distributed hydrologic model ensemble simulations on operational forecast scales. Journal of Hydrology. 329, 174–185. Chanasyk D.S., Mapfumo E., Willms W., 2003. Quantification and simulation of surface runoff from Fescue Grassland Watersheds. Agricultural Water Management. 59(2), 137-153 Chuvieco, E., 2002. Teledetección ambiental: La observación de la Tierra desde el espacio. Editorial Ariel. Barcelona, España. 586 p. Consorcio ATA – UNP – UNL (2003): Caracterización territorial y documentación básica en el ámbito de la cuenca binacional Catamayo-Chira. Volumen III Estudios Básicos, Tomo 3.6 Estudio de Suelos. Loja – Piura. Consorcio ATA – UNP – UNL (2003b): Caracterización Hídrica y Adecuación entre la Oferta y la Demanda en el Ámbito de la Cuenca Binational Catamayo Chira. Volumen I Resumen Ejecutivo. Loja – Piura. Consultores ZEE (2006): Proyecto Binacional de Ordenamiento, Manejo y Desarrollo de la Cuenca Catamayo – Chira, Zonificación Ecológica Económica. Loja – Piura Di Luzio, M., Srinivasan, R. Arnold, J. G., Neitsch, S. L., 2002. ArcView interface for swat2000,User’s Guide. Texas Water Resources Institute, College Station, Texas. 345p. Eastman, J.R., 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, MA. FitzHugh, T.W., Mackay, D.S., 2000. Impacts of input parameter spatial aggregation on an agricultural nonpoint source pollution model. Journal of Hydrology. 236, 35–53. Fohrer, N., Haverkamp, S., Eckhardt, K., Frede, H. G., 2001. Hydrologic Response to Land Use Changes on the Catchment Scale, Phys. Chem. Earth (B). 26 (7-8), 577-582. Freeman, J.A., Skapura, D.M., 1993. Redes Neuronales: Algoritmos, aplicaciones y técnicas de propagación. Addison-Wesley, Delaware, USA.


293

García, A., Sainz, A., Revilla, J. A., Álvarez, C., Juanes, J. A., Puente, A., 2008. Surface water resources assessment in scarcely gauged basins in the north of Spain. Journal of Hydrology. 356, 312– 326. Grizzetti B, Bouraoui F, Granlund K et al., 2003. Modelling diffuse emission and retention of nutrients in the Vantaanjoki Watershed (Finland) using the SWAT model. Ecological Modelling. 169(1), 25-38. IPCC, 2000 Informe especial sobre escenarios de emisión: Resumen para responsables de políticas. Disponible en: http://www.ipcc.ch/pdf/special-reports/spm/sres-sp.pdf Kleinbaum, D. G., Klein, M., 2002. Logistic Regression. A Self-Learning Text, Second Edition, Springer, N.Y. 513 p. Nash, J. E., Sutcliffe. J. V., 1970. River flow forecasting through conceptual models I. A discussion of principles. Journal of Hydrology. 10, 282 – 290. Ndomba, P., Mtalo, F., Killingtveit, A., 2008. SWAT model application in a data scarce tropical complex catchment in Tanzania. Physics and Chemistry of the Earth. 33, 626–632. Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Williams, J.R., King, K.W., 2002. Soil and water assessment tool theoretical documentation version 2000. Texas Water Resources Institute, College Station, Texas. 506 p. Pontius, R., Shusas, E., McEachern, M., 2004. Detecting important categorical land changes while accounting for persistence. Agriculture, Ecosystems and Environment. 101 (2/3), 251- 269. Pontius, R., Cornell, J., Hall, C., 2001. Modeling the spatial pattern of land-use change with GEOMOD2: application and validation in Costa Rica. Agriculture, Ecosystems and Environment. 85, 191-203 Randhir, T. O., Hawes, A. G., 2009. Watershed land use and aquatic ecosystem response: Ecohydrologic approach to conservation policy. Journal of Hydrology. 364, 182–199 Richards, J. A., Jia, X., 2006. Remote sensing digital image analysis, 4th edition. Springer, Berlin, Germany. 439 p. Rodríguez L., 1999. Estudio de lluvias intensas. Instituto de Meteorología e Hidrología (INAMHI), Quito, Ecuador. 126 p. Rosenberg, N.J., Epstein, D.L., Wang, D., Vail, L., Srinivasan, R., and Arnold, J.G., 1999. Possible impacts of global warming on the hydrology of the Ogallala aquifer region. J. of Climate. 42, 677-692. USGS, 2000. Shuttle Radar Topography Mission, 1 Arc Second scene SRTM_f03_s005w081, filled finished 2.0, Global Land Cover Facility. University of Maryland, College Park, Maryland.


294

Valarezo, J. I., 2007. Validación y complementación de los estudios de suelos de la cuenca binacional Catamayo Chira con miras a implementar el modelo SWAT. Proyecto Binacional Catamayo Chira – Proyecto TWINLATIN, Loja, Piura. Van Griensven, A., Meixner, T., Grunwald, S., Bishop, T., Diluzio, M., Srinivasan, R. 2006. A global sensitivity analysis tool for the parameters of multi-variable catchment models. Journal of Hydrology. 324, 10–23 Wigley, T.M.L., 2003. MAGICC/SCENGEN 4.1: User Manual, Unidad de Investigaciones del Clima, Norwich, Reino Unido. 24 p. Zhang, X., Hao, F., Cheng, H., Li, D., 2003. Application of SWAT model in the upstream watershed of the Luohe River. Chinese Geographical Science. 13(4), 334-339.

295

5. CONCLUSIONES FINALES

Modelamiento semidistribuido de una cuenca hidrográfica 5. Conclusiones finales _____________________________________________________________________________________

297

5.1. Conclusiones

El objetivo general de la esta tesis era modelar en forma semidistribuida la cuenca

Binacional Catamayo Chira a fin de obtener una potente herramienta que facilite una

planificación territorial óptima, que sea la base para su desarrollo.

Para alcanzar este objetivo general se desarrolló una nueva propuesta metodológica, que

combina la hidrología con las tecnologías de la información geográfica con el fin de

modelar hidrológicamente una cuenca hidrográfica. Se recurre a la fotogrametría para

generar modelos digitales de elevación; a la estadística y la climatología para

caracterizar la zona de estudio; a la teledetección, la tabulación cruzada con un SIG, la

regresión logística, las cadenas de Markov y el MOLA para modelar la ocupación del

suelo; a los modelos de circulación general para definir escenarios de cambio climático

y a un modelo hidrológico semidistribuido en entorno SIG para integrar toda la

información. Este es el primer trabajo en el que se involucran todos estos elementos,

lográndose un mayor conocimiento de los fenómenos que ocurren en la cuenca y su

posible estado futuro.

En la presente tesis se plantearon varios objetivos específicos cuya consecución

permitió obtener las conclusiones que se detallan a continuación:

• Implementar el Soil and Water Assessment Tool (SWAT) para contribuir a

la planificación territorial de la cuenca

Se implementó calibró y validó el Soil and Water Assessment Tool (SWAT) en la

cuenca binacional Catamayo Chira, siendo la presente probablemente, una de las pocas

aplicaciones en Latinoamérica de un modelo hidrológico con fines de planificación

territorial en una cuenca hidrográfica de gran tamaño y posiblemente la primera para el

estudio del efecto de los cambios climáticos en los recursos hídricos. Esto adquiere una

connotación especial si se consideran las particulares condiciones biofísicas, políticas,

climáticas y de disponibilidad de información de la cuenca estudiada.


298

Dos escenarios de ocupación del suelo, dos escenarios de cambio climático y una

combinación de escenarios climáticos y de ocupación de suelo, fueron estudiados con el

modelo.

La aplicación de los escenarios de uso de suelo permitió concluir que para reducir la

producción de sedimentos en la cuenca, es necesario incrementar de manera sustancial

las superficies ocupadas por bosque natural y vegetación arbustiva, ya que incrementos

del orden del 40% entre las dos coberturas, consiguieron disminuciones en la

producción de sedimentos del orden del 20% e incrementos en la producción del agua

de la cuenca de alrededor del 5%.

Los cambios climáticos tendrán efectos particularmente críticos en los recursos hídricos

de cuenca, esperándose disminuciones de hasta el 40% de la producción de agua de la

cuenca si se la compara con 1990. Solo un ordenamiento de la ocupación del suelo con

énfasis en la conservación y el desarrollo sostenible, acompañado de la ejecución de

proyectos tendientes al manejo y conservación de los recursos hídricos, la prevención de

desastres y la concientización de la población, podría facilitar una adaptación a los

cambios climáticos futuros. En caso contrario, los severos períodos de sequía de varios

años de duración, ocasionarán el deterioro de la calidad de vida de la población, la

disminución de la producción agrícola e importantes olas de migración.

• Caracterizar climática e hidrológicamente la cuenca

Se recopiló la información climática, meteorológica, hidrológica existente en la zona de

estudio, se validó su calidad y se homogenizó la información a un período común. El

régimen de precipitación y caudal fue analizado y se calcularon parámetros

representativos que permitieron caracterizar la zona de estudio.

En zonas con limitada información, la aplicación del modelo SWAT es poco probable,

ya que el modelo requiere un gran volumen de parámetros. Paralelamente a la

caracterización climática, se desarrolló una metodología de fácil aplicación, que permite

la estimación de muchos de dichos parámetros en base a información relativamente

abundante. Como los resultados de la simulación avalan la exactitud de las


299

estimaciones, se considera que la metodología planteada facilita la aplicación del

modelo en condiciones de información escasa.

La precipitación en la cuenca Catamayo-Chira evidencia una marcada influencia del

régimen amazónico en las partes altas de la cuenca, en contraposición del régimen

litoral oceánico que predomina en las zonas bajas, en donde se observó una influencia

más marcada del ENSO. El período de lluvias en la cuenca se extiende entre octubre y

abril, variando el inicio de la temporada lluviosa según tres tipos de régimen

identificados. La temperatura presentó una notable estabilidad estacional, sin

fluctuaciones exageradas, hecho similar ocurre con la humedad relativa, temperatura del

punto de rocío y la radiación solar, evidenciándose la influencia de la latitud en dichas

variables.

Los caudales registrados a la salida de la cuenca presentan notables diferencias entre la

temporada húmeda y la seca con una media de 140 m3/s, con un rango de variación

entre 445 y 24 m3/s, lo que pone de manifiesto la relación entre la persistencia de los

caudales con el estado de conservación de la cuenca.

La información recopilada presentó una calidad aceptable, siendo una dificultad la baja

densidad de estaciones con información requerida para la implementación del modelo.

• Estudiar el cambio de ocupación del suelo y generar escenarios futuros de

ocupación del suelo

Se estudió los cambios ocurridos en la ocupación del suelo en la cuenca en dos instantes

diferentes, se seleccionaron posibles variables explicativas y se generó un escenario de

ocupación de suelo mediante la aplicación de regresión logística, cadenas de Markov y

una asignación multiobjetivo de ocupaciones del suelo. No fue posible encontrar en la

literatura trabajos similares en los que se modele el cambio de ocupación del suelo, para

luego estudiar su efecto en las aportaciones o caudales medios de una cuenca

hidrográfica.


300

Se determinó que el mayor poder explicativo de la ocurrencia de las diferentes

coberturas lo presentaron las variables biofísicas como la elevación y la distancia a la

ubicación inicial de las coberturas. La mejor estimación del cambio del uso del suelo se

produjo al aplicar regresión logística, alcanzando en la fase de validación un coeficiente

de correlación del 0.941, un índice Kappa de 0.901 y una confiabilidad total del 86%.

Los mayores problemas de modelamiento se presentaron con los cultivos, que obedecen

a condiciones más de carácter socioeconómico, difíciles de cartografiar y

consecuentemente de incluir en el análisis; y, la vegetación arbustiva cuya ocurrencia

como regeneración natural, está supeditada a factores biológicos y del medio físico que

requieren un detalle que excede la escala del presente estudio.

• Estudiar las tendencias climáticas y generar escenarios regionales de

cambio climático

La generación de escenarios de cambio climático se ha venido realizando desde hace

varios años y en casi su totalidad se ha hecho a nivel anual. El calculo de la variación

climática a nivel mensual, no es una práctica común y en este caso ha permitido evaluar

sus efectos mediante un modelo hidrológico.

Primeramente se estudió la tendencia de la precipitación y la temperatura en las

estaciones de la zona de estudio, encontrándose evidencias de que en los últimos 30

años se ha producido una tendencia creciente de la temperatura y en la precipitación de

la zona baja de la cuenca y una tendencia decreciente de la precipitación en su parte

alta. Estas tendencias son coherentes con las tendencias observadas en las emisiones de

gases de efecto invernadero.

Se generaron escenarios de cambio climático a nivel mensual y anual basados en los

planteamientos del IPCC, regionalizando los mismos mediante la aplicación de ocho

modelos de circulación general. Según los escenarios regionales de cambio climático

generados, se prevén trastornos en el régimen de temperatura y precipitación con

incrementos de temperatura en 2080 de hasta 4 ºC y disminuciones de la precipitación

de hasta el 35%, si se los compara con lo registrado en 1990.


301

La extrapolación de las tendencias observadas de la temperatura corroboró las

estimaciones de los escenarios del cambio climático. Al extrapolar las tendencias de

precipitación se obtienen resultados opuestos a los obtenidos según los escenarios

planteados, lo que hace suponer que un posible cambio climático afectaría

considerablemente el ciclo hidrológico alterando de manera drástica las tendencias

históricas observadas.

5.2 Desarrollos futuros

Se observó la baja densidad de estaciones climáticas, meteorológicas e hidrológicas en

la zona de estudio, por lo que se considera necesario diseñar una red que sea capaz de

capturar la información adecuada que permita conocer con mejor exactitud los

fenómenos que ocurren en la cuenca. El desarrollo de sensores y la combinación de

éstos con las capacidades para transmitir información que posee el protocolo GPRS,

puede contribuir a mejorar las condiciones del monitoreo climático en zonas donde los

limitados recursos económicos, han sido un obstáculo para el optimo desarrollo de esta

tarea.

La mayor dificultad observada en la implementación del modelo SWAT es la gran

cantidad de parámetros que éste requiere, por otra parte se observó que un modelo

concentrado, que emplea un menor número de parámetros, posee un desempeño

interesante especialmente en cuencas con áreas reducidas. Estos aspectos sugieren que

el desarrollo de un nuevo modelo, que aplique el modelo concentrado a nivel Unidad de

Respuesta Hidrológica o de subcuenca, para luego integrar los resultados a nivel de

cuenca, podría ser un medio para obtener un nuevo modelo hidrológico semidistribuido

que emplee un volumen razonable de parámetros y sea de fácil aplicación.

Los cultivos y con la vegetación arbustiva presentaron los mayores inconvenientes para

ser modelados, por lo que realizar estudios específicos de los factores que condicionan

la ocurrencia de dichas ocupaciones, puede ayudar a entender los parámetros y procesos

que su modelamiento requiere. Un estudio similar podría ser llevado a cabo en el caso


302

del páramo andino y contribuir de esta manera al conocimiento de este ecosistema

único.

Los modelos climáticos evolucionan día a día, mejorando sus estimaciones y

pronósticos. Con el transcurrir del tiempo es necesario validar el cumplimiento de las

estimaciones a corto y mediano plazo de los modelos climáticos, mediante

comparación directa con observaciones reales, para de esta manera comprobar la

eficiencia de su desempeño.

303

6. BIBLIOGRAFÍA

Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________

305

Abbaspour, K. C., Yang J., Maximov I., Siber R., Bogner K., Mieleitner J., Zobrist J., Srinivasan R., 2007. Modelling hydrology and water quality in the pre-alpine/alpine Thur watershed using SWAT. Journal of Hydrology. 333, 413.430. Abbott, M.B., Bathurst, J.C, Cunge, J. A., O'Connell, P.E., Rasmussen, J., 1986. An introdution to the European Hydrological System, SHE. History,and philosophy pf a physically based, distributed modelling system. Journal of hydrology. 87, 45-59. Aguilera, F., 2006. Predicción del crecimiento urbano mediante sistemas de información geográfica y modelos basados en autómatas celulares. GeoFocus. 6, 81-112. ISSN: 1578-5157. Aguilera A., Carrillo, C., Grageda, G., 2001. Autómatas celulares para modelar usos de suelo urbano: Una revisión del modelo de White. Vetas, año III, (9) Ajami, N.K., Gupta, H., Wagener T., Sorooshian, S., 2004. Calibration of a semi-distributed hydrologic model for streamflow estimation along a river system. Journal of Hydrology. 298 (1–4), 112–135. Akeno, K., 1996. DEM Generation from multi-sensor stereo-pairs AVHRR and MSS. En: International Archives of Photogrammetry and Remote Sensing, 9-18 de Julio, Vienna, Austria, Vol. 31, pp. 36-40. Alsamamra, H., Ruiz-Arias, J. A., Pozo-Vazquez, D., Tovar-Pescador, J., 2009. A comparative study of ordinary and residual kriging techniques for mapping global solar radiation over southern Spain. Agricultural and Forest Meteorology. 149, 1343–1357. Armitage, E. N., Berry, G., 1997. Estadística para la investigación biomédica. Elsevier, España. Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large area hydrologic modeling and assessment part I: model development. Journal of American Water Resources Association. 34 (1), 73–89. Ayllón, T. 1996. Elementos de meteorología y climatología. Editorial Trillas, México, 197 p. Barredo J I, Kasanko, M, McCormick, N, y Lavalle, C., 2003. Modelling dynamic spatial processes: simulation of urban future scenarios through cellular automata. Landscape and Urban Planning. 64, 145-160. Bayarjargal, Y., Karnieli, A., Bayasgalan, M., Khudulmur, S., Gandush, C., Tucker, C.J. 2006. A comparative study of NOAA–AVHRR derived drought indices using change vector analysis. Remote Sensing of Environment. 105, 9-22. Bekiaris I.G., Panaopoulos I.N., Mimikou M.A., 2005. Application of the SWAT (Soil and Water Assessment Tool) model in the Ronnea Catchment of Sweden. Global NEST Journal. 7(3), 252-257.


306

Beven, K.J., Lamb, R., Quinn, P., Romanowicz R., Freer, J., 1995. TOPMODEL. En: Computer Models of Watershed Hydrology, V.P. Singh, Ed, Water Resource Publications, Colorado, USA, 627–668. Bloom, A.L., Fielding, E.J., Fu, X.-Y., 1988. A demonstration of stereo- photogrammetry with combined SIR-B and Landsat-TM images. International Journal of Remote Sensing 9 -5., 1023– 1038. Boer, G.J., Flato, G., Reader, M.C., Ramsden, D., 2000. A transient climate change simulation with greenhouse gas and aerosol forcing: experimental design and comparison with the instrumental record for the twentieth century. Climate Dynamics. 16, 405-425. Bosque, J., 1997. Sistemas de Información Geográfica. Riapl, Madrid, 451 p. Bosque, J., García, R., 1999. Asignación óptima de usos del suelo mediante generación de parcelas por medio de SIG y técnicas de evaluación multicriterio. VII Conferencia Iberoamericana sobre SIG. Mérida, Venezuela. Bouraoui, F., Benabdallah, S., Jrad, A., Bidoglio, G., 2005. Application of the SWAT model on the Medjerda river basin (Tunisia). Physics and Chemistry of the Earth. 30 497–507. Bouraoui, F., Grizzetti, B., 2007. An integrated modelling framework to estimate the fate of nutrients: Application to the Loire (France). Ecological Modelling, 1-10. Briassoulis, H., 2000. Analysis of Land Use Change: Theoretical and Modeling Approaches. Regional Research Institute, West Virginia University. http://www.rri.wvu.edu/WebBook/Briassoulis/contents.htm Brown, A., Goovaerts, P., Burnicki, A., Li, M., 2002. Stochastic simulation of land-cover change using geostatistics and generalized additive models. Photogrammetric Engineering and Remote Sensing. 68 (10), 1051-1061. Burnash, R.J.C., 1995. The NWS river forecasting-catchment modelling. En: V.J. Singh, Editor, Computer Models of Watershed Hydrology. Water Resources Publication. Highlands Ranch, Colorado, 311–366. Butts, M.B., Payne, J.T., Kristensen, M., Madsen, H., 2004. An evaluation of the impact of model structure on hydrological modelling uncertainty for streamflow prediction. Journal of Hydrology. 298, 242-266. Carpenter, T.M., Georgakakos, K.P., 2006. Intercomparison of lumped versus distributed hydrologic model ensemble simulations on operational forecast scales. Journal of Hydrology. 329, 174–185. Casas M. C., Alarcón, M., 1999. Meteorología y Clima. Ediciones UPC, Barcelona, 157 p.


307

CCNRS, 2003. Globre Sar: Interferometría mediante radars. Ministerio de Recursos Naturales de Canadá. http://www.ccrs.nrcan.gc.ca/resource/tutor/gsarcd/pdf/adv_int_s.pdf

Centella, A., 1998. Escenarios de Cambio climático para la evaluación de los impactos en El Salvador. Ministerio de Medioambiente y Recursos Naturales de El Salvador, San Salvador.

Chanasyk D.S., Mapfumo E., Willms W., 2003. Quantification and simulation of surface runoff from Fescue Grassland Watersheds. Agricultural Water Management. 59(2), 137-153. Chow, V. T., Maidment, D., Mays, L., 1994. Hidrología Aplicada. McGraw-Hill, Bogotá. 584 p. Chuvieco, E., 2002. Teledetección ambiental: La observación de la Tierra desde el espacio. Editorial Ariel. Barcelona, España. 586 p. Clarke, R. T., 1973. Mathematical models in hydrology. Irrigation and drainage paper No.19, F.A.O., Roma, Italia. Coltelli, M., Dutra, L., 1996. SIR-C/X-SAR interferometry over Mt. Etna: DEM Generation, Accuracy Assessment and Data Interpretation. Forschungsanstalt, Deutsche: DLR. 15-25 p. Consorcio ATA – UNP – UNL, 2003. Caracterización territorial y documentación básica en el ámbito de la cuenca binacional Catamayo-Chira. Volumen III Estudios Básicos, Tomo 3.6 Estudio de Suelos. Loja – Piura. Consorcio ATA – UNP – UNL, 2003a. Caracterización territorial y documentación básica en el ámbito de la cuenca binacional Catamayo-Chira. Volumen IV Estudio de Zonificación Agroecológica. Loja – Piura. Consorcio ATA – UNP – UNL, 2003b: Caracterización Hídrica y Adecuación entre la Oferta y la Demanda en el Ámbito de la Cuenca Binational Catamayo Chira. Volumen I Resumen Ejecutivo. Loja – Piura. Consultores ZEE (2006): Proyecto Binacional de Ordenamiento, Manejo y Desarrollo de la Cuenca Catamayo – Chira, Zonificación Ecológica Económica. Loja – Piura Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., 2004. Digital change detection methods in ecosystem monitoring: a review. International Journal of Remote Sensing. 25 (9), 1565-1596. Cubasch, U., Cess, R. D., 1990. Processes and modelling. En: Climate Change; The IPCC Scientific Assessment, Intergovernmental Panel of Climate Change (IPCC), Houghton, J.T., Jenkins, G. J., Ephraums, J. J. (Eds.). Cambridge University Press, Cambridge. Di Luzio, M., Srinivasan, R. Arnold, J. G., Neitsch, S. L., 2002. ArcView interface for swat2000,User’s Guide. Texas Water Resources Institute, College Station, Texas. 345p.


308

Dingman, S., L., 2002. Physical Hydrology, 2da edición, Prentice Hall, New Jersey. Eash, D.A., 1994. A geographic information system procedure to quantify drainage-basin characteristics. Water Resources Bulletin, 30, 1–8 Eastman, J.R., 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, MA. Estrela Monreal, T., 1999. Los modelos de simulación integral de cuenca y su utilización en estudios de recursos hídricos. Ingeniería Civil. 72, 83-95. Madrid. FAO, 1975. Guía para la descripción de perfiles de suelos. Dirección de fomento de tierras y aguas. Roma Fernández, P., 2002. Estudio del impato climático sobre los recursos hídricos. Aplicación en diecinueve pequeñas cuencas en España. Tesis Doctoral. Universidad Politécnica de Madrid. FitzHugh, T.W., Mackay, D.S., 2000. Impacts of input parameter spatial aggregation on an agricultural nonpoint source pollution model. Journal of Hydrology. 236, 35–53. Fohrer, N., Haverkamp, S., Eckhardt, K., Frede, H. G., 2001. Hydrologic Response to Land Use Changes on the Catchment Scale, Phys. Chem. Earth (B). 26 (7-8), 577-582. Freeman, J.A., Skapura, D.M., 1993. Redes Neuronales: Algoritmos, aplicaciones y técnicas de propagación. Addison-Wesley, Delaware, USA. Fujisada, H., Bailey, G. B., Kelly, G. G., Hara, S., Abrams, M. J., 2005. ASTER DEM performance. IEEE Transactions on Geoscience and Remote Sensing. 43, 2707-2714. Garbrecht, J., Martz, L., 1993. Network and subwatershed parameters extracted from digital elevation models — the Bills Creek experience. Water Resources Bulletin. 29, 909– 916. García, A., Sainz, A., Revilla, J. A., Álvarez, C., Juanes, J. A., Puente, A., 2008. Surface water resources assessment in scarcely gauged basins in the north of Spain. Journal of Hydrology. 356, 312– 326. Garrote, L., Bras, R. L., 1995. A distributed model for real-time flood forecasting using digital elevation models. Journal of Hydrology. 167, 279-306. Geerken, R., Ilaiwi, M., 2004. Assessment of rangeland degradation and development of a strategy for rehabilitation. Remote Sensing of Environment. 90, 490-504. Grizzetti B, Bouraoui F, Granlund K et al., 2003. Modelling diffuse emission and retention of nutrients in the Vantaanjoki Watershed (Finland) using the SWAT model. Ecological Modelling. 169(1), 25-38.


309

Havno K., Madsen M. N., Dorge J., 1995. MIKE 11- A generalised river modelling package. En: Computer models of watershed hydrology, V. P. Singh, Ed., Water Resources Publications, Colorado, USA, 809-846. Henderson, F. M., Lewis, A. J., 1998. Principles and applications of imaging radar. 3a edición. American Society of Photogrammetry and Remote Sensing. John Wiley and Sons. Ney York Heras, R., 1976, Hidrología y recursos hidráulicos. CEH, Madrid. Hillier, F., Lieberman, G. J., 2002. Investigación de Operaciones, séptima edición. McGraw-Hill. Hosmer, D.W., Lemeshow, S., 2000. Applied Logistic Regression, second edition. John Wiley and Sons. NY. Huete, A.R., Miura, T., Gao, X., 2003. Land Cover conversion and degradation analyses through coupled soil–plant biophysical parameters derived from Hyperspectral EO-1 Hyperion. IEEE Transactions on Geoscience and Remote Sensing. 41 (6), 1268-1276. Hulme, M., Mitchell, J., Ingram W., Lowe J., Johns, T., New, M., Viner, D., 1999. Climate change scenarios for global impacts studies. Global Environmental Change. 9, S3-S19.

Hulme, M., Wigley, T.M.L., Barrow, E.M., Raper, S.C.B., Centella, A., Smith, S., Chipanshi, A. C., 2000. Using a Climate Scenario Generator for Vulnerability and Adaptation Assessments: MAGICC and SCENGEN Version 2.4, Workbook. Climatic Research Unit, Norwich, UK, 52 p.

IPCC, 1997. Informe especial del grupo de trabajo II del IPCC: Impactos regionales del cambio climático, evaluación de la vulnerabilidad. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA IPCC, 2000 Informe especial sobre escenarios de emisión: Resumen para responsables de políticas. Disponible en: http://www.ipcc.ch/pdf/special-reports/spm/sres-sp.pdf IPCC, 2001: Climate Change, 2001. The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change [Houghton, J.T.,Y. Ding, D.J. Griggs, M. Noguer, P.J. van der Linden, X. Dai, K. Maskell, and C.A. Johnson (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 881pp. IPCC, 2007a, [M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden y C.E. Hanson, (eds)], Cambio Climático 2007: Impactos, Adaptación y Vulnerabillidad. Aportes del Grupo de Trabajo II al Cuarto Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático, Cambridge University Press, Cambridge, Reino Unido. 100 p. IPCC, 2007b, [B. Metz, O. R. Davidson, P. R. Bosch, R. Dave, L. A. Meyer (eds)], Cambio Climático 2007: Mitigación. Contribución del Grupo de Trabajo III al Cuarto


310

Informe de Evaluación del Panel Intergubernamental de Expertos sobre Cambio Climático, Cambridge University Press, Cambridge, Reino Unido. 96 p. Johns, T.C., Carnell, R.E., Crossley, J.F., Gregory, J.M., Mitchell, J.F.B., Senior, C.A., Tett, S.F.B., Wood, R.A., 1997. The second Hadley Centre coupled ocean-atmosphere GCM: model description, spinup and validation. Climate Dynamics. 13, 103-134. Kamp, U., Bolch, T., Olsenholler, J., 2003. DEM generation form ASTER satellite data for geomorphometric analysis of cerro Sillajhuay, Chile/Bolivia. En: ASPRS Annual Conference Proceedings, Anchorage, Alaska. Kemp, D.D., 1994. Global environmental issues: a climatological approach. Routledge. London, 224 p. Kleinbaum, D. G., Klein, M., 2002. Logistic Regression. A Self-Learning Text, Second Edition, Springer, N.Y. 513 p. Krupnik, A., 2000. Accuracy assessment of automatically derived digital elevation models from SPOT images. Photogrammetric Engineering and Remote Sensing. 68 (8), 1017-1023. Lambin E.F., Geist H. F., 2003. Dynamics of Land use and Land cover Change in Tropical Regions. Annual Review of Environment and Ressources. 28, 205 – 241. Lang, H. R., Welch, R., 1999. Algorithm Theoretical, Basis Document for ASTER Digital Elevation Models (Standard product AST14) Version 3.0. NASA EOS publication ATBD-AST-08. Lee A. C., 2008. Utilising airbone scanning laser (LiDAR) to improve the assessment of Autralian native forest structure. Ph.D. Thesis, Australian National University. Linsley, R., K., Kohler, M., A., Paulhus, J., L., H., 1977. Hidrología para Ingenieros, 2da edición, McGraw-Hill , México. Liu, Z., Huang, F., Li, L., Wan, E., 2002. Dynamic monitoring and damage evaluation of flood in north-west Jilin with remote sensing. International Journal of Remote Sensing. 23 (18) 3669-3679. Malleswara Rao, T. Ch., Venugopala Rao, K., Ravi Kumar, A., Rao, D. P., Deekshatula, B. L., 1996. Digital terrain model from Indian remote sensing satellite data from the overlap of two adjacent paths using digital photogrammetric techniques. Photogrammetric Engineering and Remote Sensing. 62, 726-731. Martín, B., Sanz, A., 1997. Redes neuronales y sistemas borrosos. Rama. Madrid. Martín, J., 1999. Cambios Climáticos. Una aproximación al sistema Tierra. Ediciones libertarias. Madrid, 324 p. Mas, J.F., 1999. Monitoring land-cover changes: a comparison of change detection techniques. International Journal of Remote Sensing. 20 (1), 139-152.


311

Mas, J.F., Puig, H., Palacio, J.L., Sosa-Lopez, A., 2004. Modelling deforestation using GIS and artificial neural networks. Environmental Modelling and Software. 19, 461–471. MMAE, 2007. Generación de escenarios regionalizados de cambio climático para España, primera fase. Ministerio de medioambiente de España Disponible en http://www.aemet.es/es/noticias/2007/20070417b Mitchell, J.K., Engel, B.A., Srinvasan, R., Wang, S.S.Y., 1993. Validation of AGNPS for Small Watersheds Using an Integrated AGNPS/GIS Systems. Water Resources Bulletin. 29(5), 833-842. Monsalve G., 1999. Hidrología en la Ingeniería, 2da edición. Editorial Escuela Colombiana de Ingeniería, Bogotá. Morgan, M., 2004. Epipolar resampling of linear array scanners scenes. Ph.D Thesis, University of Calgary, www.geomatics.ucalgary.ca/Papers/Thesis/AH/04.20193.MMorgan.pdf Murillo, J. M; Rodríguez, I. C., Rubio, J. C., Navarro, J. A., 2005. Mantenimiento hídrico de cursos fluviales y uso conjunto de aguas superficiales y subterráneas. Aplicación al sistema de explotación Quiebrajano-Víboras (Jaén). En: J.A. López-Geta, J. C. Rubio y M. Martín Machuca (Eds.), VI Simposio del Agua en Andalucía. IGME, 787-798. Nash, J. E., Sutcliffe. J. V., 1970. River flow forecasting through conceptual models I. A discussion of principles. Journal of Hydrology. 10, 282 – 290. Ndomba, P., Mtalo, F., Killingtveit, A., 2008. SWAT model application in a data scarce tropical complex catchment in Tanzania. Physics and Chemistry of the Earth. 33, 626–632. Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Williams, J.R., King, K.W., 2002. Soil and water assessment tool theoretical documentation version 2000. Texas Water Resources Institute, College Station, Texas. 506 p.

Ojeda Martín, M. R., Sanz Donaire, J. J., 2005. ¿Se acentúan ahora las catástrofes climáticas en España?. Observatorio medioambiental, Nº 8, pags. 153-172. Disponible en http://dialnet.unirioja.es/servlet/articulo?codigo=1248586

Pérez-Ramos, I. M.., 2007. Factores que condicionan la regeneración natural de especies leñosas en un bosque mediterráneo del sur de la Península Ibérica. Ecosistemas 16 (2), 131-136. http://www.revistaecosistemas.net/articulo.asp?Id=477 Pijanowski, B. C., Brown D. G., Shellito B. A., Manik G. A., 2002. Using neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers, Environment and Urban Systems. 26, 553–575. Pijanowski, B.; Pithadia, S.; Shellito, B. y Alexandridis, K., 2005. Calibrating a neural network-based urban change model for two metropolitan areas of the Upper Midwest of


312

the United States. International Journal of Geographical Information Science. 19 (2) 197-215. Piong X., 2003. Digital elevation model extraction from ASTER in support of coal fire and environmental research project, China. MSc. Thesis, ITC, Holland, www.itc.nl/library/Papers_2003/msc/ereg/xiong_ping.pdf Ponce, V.M., 1989. Engineering Hydrology. Prentice Hall, Englewood Cliffs, NJ. Pontius, R., Cornell, J. y Hall, C., 2001. Modeling the spatial pattern of land-use change with GEOMOD2: application and validation in Costa Rica. Agriculture, Ecosystems and Environment. 85, 191-203. Pontius, R., Shusas, E., McEachern, M., 2004. Detecting important categorical land changes while accounting for persistence. Agriculture, Ecosystems and Environment. 2/3 (101), 251- 269. Pontius, R., Malanson, J., 2005. Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science. 19 (2), 243-265.

Pizarro, R., Soto M., Farias, C. y Jordan, C., 2005. Aplicación de dos Modelos de Simulación Integral Hidrológica, para la estimación de caudales medios mensuales, en dos cuencas de Chile central. Bosque (Valdivia) [online]. 26 (2), 123-129. ISSN 0717-9200.

Quinn, P.F., Beven, K.J., Lamb, R., 1995. The lna/tanh index: how to calculate it and how to use it within the TOPMODEL framework. Hydrol. Process. 9, 161– 182. Raggam, J., Almer, A., Strobl, D., 1994. A combination of SAR and optical line scanner imager for stereoscopic extraction of 3-D data. ISPRS Journal of Photogrammetry and Remote Sensing 49 - 4., 11–21. Randhir, T. O., Hawes, A. G., 2009. Watershed land use and aquatic ecosystem response: Ecohydrologic approach to conservation policy. Journal of Hydrology. 364, 182–199. Rinaldi P., Dalponte D., Vénere M., Clausse A., 2007. Cellular automata algorithm for simulation of surface flows in large plains. Simulation Modeling Practice and Theory. 15: 315-327. Richards, J. A., Jia, X., 2006. Remote sensing digital image analysis, 4th edition. Springer, Berlin, Germany. 439 p. Robinson, A. B., Robinson, N. E., Soon, W., 2007. Environmental Effects of Increased Atmospheric Carbon Dioxide. Journal of American Physicians and Surgeons. 12, 79-90. Rodríguez L., 1999. Estudio de lluvias intensas. Instituto de Meteorología e Hidrología (INAMHI), Quito.


313

Roeckner, E., Oberhuber, J.M., Bacher, A., Christoph, M., Kirchner, I., 1996. ENSO variability and atmospheric response in a global coupled atmosphere-ocean GCM. Climatic Dynamics. 12, 737-754. Rosenberg, N.J., Epstein, D.L., Wang, D., Vail, L., Srinivasan, R., Arnold, J.G., 1999. Possible impacts of global warming on the hydrology of the Ogallala aquifer region. J. of Climate. 42, 677-692.

Sanz Donaire, J. J., 2002ª. Un cambio climático que no existe: las precipitaciones en Madrid. Anales de Geografía de la Universidad Complutense, 443-458. Disponible en http://revistas.ucm.es/ghi/02119803/articulos/AGUC0202220443A.PDF

Sanz Donaire, J. J., 2002b. Las precipitaciones mensuales en Madrid y el cambio climático. Boletín de la Real Sociedad Geográfica, Nº. 137-138, 2001-2002, pags. 311-324. Disponible en http://www.realsociedadgeografica.com/es/pdf/Boletin%20137-138.pdf Serra, P., Ponsa, X., Saurí, D., 2008. Land-cover and land-use change in a Mediterranean landscape: A spatial analysis of driving forces integrating biophysical and human factors. Applied Geography. 28, 189–209. Shine, K. P., et al., 1990. Radiative forcing of climate. En: Climate Change; The IPCC Scientific Assessment, Intergovernmental Panel of Climate Change (IPCC), Houghton, J.T., Jenkins, G. J., Ephraums, J. J. (Eds.). Cambridge University Press, Cambridge. Smith, S. J., Wigley, T. M. L., Nakicnovic, N. y Raper, S. C. B., 2000. Climate implications of greenhouse gas emissions scenarios. Technological Forecasting and Social Change. 65 (2), 195-204. Témez, J.R., 1977. Modelo matemático de transformación Precipitación Aportación. Asociación de Investigación Industrial Eléctrica ASINEL, Madrid. Thornthwaite, C.W. Y Mather J.R., 1957. Instructions and Tables for Computing Potential Evapotranspiration and the Water Balance. Drexel Institute of Technology, Laboratory of Climatology, Publications in Climatology 10 (3), 311 pp. Toutin, T., 2000. Stereo-mapping with SPOT-P and ERS-1 SAR images. Internacional Journal of Remote Sensing. 21, 1657- 1674. Toutin T., 2001. Elevation modelling from satellite visible and infrared (VIR) data. International Journal of Remote Sensing. 22, 1097-1125. Toutin, T., 2002. DEM from stereo Landsat 7 ETM+ data over high relief areas. International Journal of Remote Sensing. 10, 2133-2139. UNFCCC, 1992. http://www.unfccc.int/ USGS, 2000. Shuttle Radar Topography Mission, 1 Arc Second scene SRTM_f03_s005w081, filled finished 2.0, Global Land Cover Facility. University of Maryland, College Park, Maryland .


314

Valarezo, J. I., 2007. Validación y complementación de los estudios de suelos de la cuenca binacional Catamayo Chira con miras a implementar el modelo SWAT. Proyecto Binacional Catamayo Chira – Proyecto TWINLATIN, Loja, Piura. Van Griensven, A., Meixner, T., Grunwald, S., Bishop, T., Diluzio, M., Srinivasan, R. 2006. A global sensitivity analysis tool for the parameters of multi-variable catchment models. Journal of Hydrology. 324, 10–23 Van Oort, P.A.J., 2006. Interpreting the change detection error matrix”, Remote Sensing of Environment. 108 (1), 1-8, doi:10.1016/j.rse.2006.10.012. Van Vliet, J., White, R., Dragicevic, S., 2009. “Modeling urban growth using a variable grid cellular automaton” Computers, Environment and Urban Systems. 33, 35–43. Viner D., Hulme M., 1992. Climate change scenarios for impact studies in the U. K. Climatic Research Unit, UEA, UK. Vogt, J. V., Colombo R., Bertolo, F., 2003. Deriving drainage networks and catchment boundaries: a new methodology combining digital elevation data and environmental characteristics. Geomorphology. 53, 281–298 Wang, X., Yin, Z., Y., 1998. A comparison of drainage networks derived from digital elevation models at two scales. Journal of Hydrology. 210, 221–241. Wehr, A., Lohr, U., 1999. Airborne laser scanning – an introduction and overview. ISPRS Journal of Photogrammetric. Remote Sensing. 54, 68–82. Welch, R., Jordan, R. T., Luvall, J. C., 1990. Geocoding and stereo display of tropical forest multi-sensor datasets. Photogrammetric Engineering and Remote Sensing. 56, 1389- 1392. Weng, Q., 2002. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS, and stochastic modeling. Journal of Environmental Management. 64, 273-284. White, R, Engelen, G, y Uljee, I., 1997. The use of constrained cellular automata for high resolution modelling of urban land use dynamics. Environment and Planning B: Planning and Design. 24, 323-343. Wigley, T.M.L., Raper, S.C.B., Hulme, M. y Smith, S., 2000. Generador de escenarios Climáticos para las evaluaciones de vulnerabilidad y adaptación: Magicc y scengen manual de la Versión 2.4. Unidad de Investigaciones del Clima. Norwich, Reino Unido, 52 p. Wigley, T.M.L., 2003. MAGICC/SCENGEN 4.1: User Manual, Unidad de Investigaciones del Clima, Norwich, Reino Unido. 24 p. Wise, S., M., 2007, Effect of differing DEM creation methods on the results from a hydrological model, Computers and Geosciences 33, 1351–1365


315

Zhang, X., Hao, F., Cheng, H., Li, D., 2003. Application of SWAT model in the upstream watershed of the Luohe River. Chinese Geographical Science. 13(4), 334-339.

Modelamiento semidistribuido de una cuenca hidrográfica Anexo 1: Abreviaturas _____________________________________________________________________________________

316

Modelamiento semidistribuido de una cuenca hidrográfica Anexo 1: Abreviaturas _____________________________________________________________________________________

317

ANEXO 1: Abreviaturas

A: Área AC: Autómatas Celulares ASTER: Advanced Spaceborne Thermal Emission and Reflection Radiometer BP: Back Propagation DEM: Modelo Digital de Elevación EF: Eficiencia de Nash & Sutcliffe ENSO: El Niño Oscilación Sur EOS: Earth Observing System FAO: Food and Agriculture Organization GCP: Ground Control Point GEC: Generador de Escenarios Climáticos GEI: Gases de Efecto Invernadero GPS: Global Position System HRU: Hydrologic Response Unit IGM: Instituto Geográfico Militar IGN: Instituto Geográfico Nacional INAMHI: Instituto Nacional de Meteorología e Hidrología INRENA: Instituto de Recursos Naturales IPCC: Panel Intergubernamental sobre el Cambio Climático LCM: Land Change Modeler MCG: Modelos de Circulación General del Océano y la Atmósfera MLP: Red Neuronal de Perceptrones Multicapa MMAE: Ministerio del Medio Ambiente de España MOLA: Multi-Objective Land-Uses Assignation OAT: One-factor-At-a-Time PRONAREG: Progrmama Nacional de Regionalización RMSE: Error Cuadrático Medio SENAMHI: Servicio Nacional de Meteorología e Hidrología SRES: Second Report Emision Scenarios SRTM: Shuttle Radar Topography Misión SWAT: Soil and Water Assessment Tool SWAT SWIR: Infrarrojo de Onda Corta TIR: Infrarrojo Térmico TP: Tie Point USDA: United States Department of Agriculture USGS: United States Geological Survey USLE: Universal Soil Loss Equation UTM: Universal Transverse Mercator VNIR: Visible, el Infrarrojo Cercano

Modelamiento semidistribuido de una cuenca hidrográfica Anexo 2: Parámetros de validación _____________________________________________________________________________________

319

ANEXO 2: Parámetros de Validación

Coeficiente de Correlación (R²): es una medida relativa que indica el grado de ajuste a

una línea recta entre los datos observados y simulados Un valor de R² igual a 1 nos

indica una tendencia lineal perfecta entre los datos pero no significa necesariamente que

ésta sea de 1: 1. Es adimensional y se calcula mediante la expresión:

2

0

1

1

2))()()((

⎟⎟⎟

⎠

⎞

⎜⎜⎜

⎝

⎛

×

−−=

∑=

c

iccooN QiQQiQ

Rσσ

Eq. A2.1

Coeficiente de eficiencia de Nash & Sutcliffe (EF): Permite verificar el grado de

relación 1:1 de los datos en análisis (Nash y Sutcliffe, 1970). Se pueden obtener valores

menores o iguales a 1, valores de 1 indican un ajuste perfecto. Un valor de EF=0 indica

que la predicción es tan precisa como la media del modelo. Un valor de EF<0 es señal

de que la media es un mejor predictor que el modelo. En términos generales, un valor

mayor de 0.7 se puede considerar como estadísticamente adecuado.

∑

∑

=

=

−

−−= N

ico

N

ico

QiQ

iQiQEF

1

2

1

2

))((

))()((1 Eq. A2.2

Error cuadrático medio (RMSE): Permite comparar el ajuste entre los datos

observados en campo y los extraídos del DEM. Las unidades son las mismas de los

datos observados. Valores de RMSE iguales a 0 son óptimos ya que los errores no

existirían y la relación sería perfecta. Pueden darse cualquier valor positivo.

Modelamiento semidistribuido de una cuenca hidrográfica Anexo 2: Parámetros de validación _____________________________________________________________________________________

320

N

iQiQRMSE

N

ico∑

=

−= 1

2))()(( Eq. A2.3

En las ecuaciones A2.1, A2.2 y A2.3: Qo son los valores observados y Qc son los

valores calculados.

Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________

321

ANEXO 3: Fotografías

Figura A3.1 Ubicación de los sitios en los que se registraron las fotografías


322

Fotografía 1. Páramos en la sucuenca del Río Macará (Jimbura, Ecuador)

Fotografía 2. Área de riego del sistema Anambay Jimbura (Amaluza, Ecuador)


323

Fotografía 3. Área de riego del sistema de riego la Palmira (Río Piscobamba,

Ecuador)

Fotografía 4. Sicchez (Ayabaca, Perú)


324

Fotografía 5. Pastizales y vegetación arbustiva (Ayabaca, Perú)

Fotografía 6. Cultivos de caña y Río Catamayo en Puente Boquerón, (Loja,

Ecuador)


325

Fotografía 7. Pastizales en alta pendiente (Quilanga, Ecuador)

Fotografía 8. Celica (Celica, Ecuador)


326

Fotografía 9. Cultivos de arroz (Macará, Ecuador)

Fotografía 10. Zona de frontera Ecuador – Perú (Macará, Ecuador; La Tina,

Perú)


327

Fotografía 11. Bosque seco (Macará, Ecuador)

Fotografía 12. Río Catamayo (Lucarqui, Ecuador)


328

Fotografía 13. Río Chira (El Arenal, Perú)

Fotografía 14. Bosque seco y bocatoma del proyecto de Riego Zapotillo


329

Fotografía 15. Área de influencia del Canal de riego Zapotillo (Zapotillo, Ecuador)

Fotografía 16. Reservorio de Poechos, se muestra la presa, compuerta de

derivación (Sullana, Perú)


330

Fotografía 17. Reservorio Poechos (Sullana, Perú)

DEPARTAMENTO DE GEOGRAFÍA - Repositorio...

Documents

Transcript of DEPARTAMENTO DE GEOGRAFÍA - Repositorio...