DEPARTAMENTO DE GEOGRAFÍA - Repositorio...
Transcript of 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
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.
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,
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 1.Introducción _____________________________________________________________________________________
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.
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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,
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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):
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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/
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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)
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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)
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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):
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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?
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 2. Revisión Bibliográfica _____________________________________________________________________________________
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°.
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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/
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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:
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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)
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs 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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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)
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.1Extracción de DEMs ASTER _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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:
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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 Análisis de resultados
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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,
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.2 Caracterización climático-meteorológica _____________________________________________________________________________________
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
combinación de usos de suelo y prácticas de manejo puede reducir las tasas de erosión y
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
3.3.2.1 Zona 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, 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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y 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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de 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 %.
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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,
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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 Análisis de resultados
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 3.3 Caracterización del uso y tipo de suelo _____________________________________________________________________________________
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.
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,
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
4.1.2.1 Zona 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, 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. 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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
176
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 (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).
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
agrupando las categorías de bosque natural y arbusto como vegetación arbustiva; los
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
178
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.
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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,
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
tipo de suelo 3.93446790
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
tipo de suelo 10.16724732
distancia a ciudades -0.21055266
distancia a vías -0.35086532
distancia a pastizal en 1986 -0.82993113
Dem -2.63246543
De bosque seco a vegetación arbustiva 0.9262 Independiente -7.52194619
Dem 2.01211903
distancia a vías -0.02095232
distancia a ciudades -0.31118093
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
tipo de suelo 1.90792026
distancia a ciudades -0.15072886
distancia a pastizal en 1986 -0.81043991
De bosque seco a cultivo 0.8901 Independiente 7.66879065
tipo de suelo 4.21369442
distancia a ciudades -0.01049975
distancia a vías -0.15799291
Dem -0.78416923
distancia a cultivos en 1986 -0.81895196
De pastizal a vegetación arbustiva 0.8740 Independiente -7.57213473
Dem 1.68691095
tipo de suelo 0.93310520
distancia a vegetación arbustiva en 1986 -1.24074251
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
195
De pastizal a bosque seco 0.9794 Independiente 17.17056084
distancia a ciudades 0.66496870
distancia a vías -0.03044125
distancia a bosque seco en 1986 -1.37560559
Dem -2.14996078
tipo de suelo -8.64315221
De pastizal a cultivos 0.9298 Independiente 16.12339406
tipo de suelo 3.11453739
distancia a vías -0.15612132
distancia a ciudades -0.47700557
Dem -0.67087987
distancia a cultivos en 1986 -1.68747988
De cultivo a vegetación arbustiva 0.9031 Independiente -4.23241181
Dem 1.63607407
tipo de suelo -0.28243151
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
tipo de suelo -1.40525690
De cultivo a pastizal 0.8082 Independiente -13.06317561
tipo de suelo 3.75104014
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
De vegetación arbustiva a tipo de suelo No. entradas 5
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
De vegetación arbustiva a tipo de suelo No. entradas 5
cultivos distancia a ciudades Muestras de entrenamiento 38470
distancia a vías RMS de entrenamiento 0.0056
distancia a pastizal en 1986 RMS de validación 0.0058
Dem Precisión (%) 89.07
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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 ciudades RMS de entrenamiento 0.0018
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 vías RMS de entrenamiento 0.0024
Dem RMS de validación 0.0024
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
Precisión (%) 80.11
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
Dem RMS de validación 0.0011
tipo de suelo Precisión (%) 93.02
De pastizal a cultivos tipo de suelo No. entradas 5
distancia a vías Muestras de entrenamiento 7310
distancia a ciudades RMS de entrenamiento 0.0032
Dem RMS de validación 0.0031
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
RMS de validación 0.003
Precisión (%) 84.08
De cultivo a bosque seco Dem No. entradas 4
distancia a vías Muestras de entrenamiento 16950
distancia a bosque seco en 1986 RMS de entrenamiento 0.0022
tipo de suelo RMS de validación 0.0022
Precisión (%) 72.14
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
RMS de validación 0.0029
Precisión (%) 67.3
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.1 Modelo cambio ocupación del suelo _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
4.2.2.1 Zona de estudio
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
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 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
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. 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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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)
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 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
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 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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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).
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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.
4.2.2.4 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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
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°.
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).
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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 Análisis de resultados
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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 ----- ----- -----
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.2 Modelo del cambio climático _____________________________________________________________________________________
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
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 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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
4.3.2.1 Zona de estudio
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
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. . En términos generales la superficie de la
cuenca se halla cubierta en un 14 % por vegetación arbustiva, 41% por bosque seco,
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
241
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
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
4.3.3 Análisis de resultados
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.3 Modelamiento hidrológico concentrado _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
combinación de usos de suelo y prácticas de manejo puede reducir las tasas de erosión y
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.
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 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,
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
4.4.2.1 Zona de estudio
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,
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
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.
Figura 4.4.1. Área de estudio
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 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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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)
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-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
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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)
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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 %
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
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.
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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 -------- --------
4.4.2.4 Generación de escenarios
Se plantearon cuatro escenarios distintos: dos de ocupación del suelo y dos de cambio
climático. La generación de los mismos se describe a continuación.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
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 (SCENario Generador) que ajusta los resultados del MAGGICC
conjuntamente con un amplio grupo de modelos de circulación general (MCG),
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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)
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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 Análisis de resultados
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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)
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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%
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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%
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 4.4 Modelamiento semidistribuido _____________________________________________________________________________________
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.
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.
Modelamiento semidistribuido de una cuenca hidrográfica 5. Conclusiones finales _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 5. Conclusiones finales _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 5. Conclusiones finales _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 5. Conclusiones finales _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 5. Conclusiones finales _____________________________________________________________________________________
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.
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.
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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.
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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 .
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica 6. Bibliografía _____________________________________________________________________________________
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
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
322
Fotografía 1. Páramos en la sucuenca del Río Macará (Jimbura, Ecuador)
Fotografía 2. Área de riego del sistema Anambay Jimbura (Amaluza, Ecuador)
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
323
Fotografía 3. Área de riego del sistema de riego la Palmira (Río Piscobamba,
Ecuador)
Fotografía 4. Sicchez (Ayabaca, Perú)
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
324
Fotografía 5. Pastizales y vegetación arbustiva (Ayabaca, Perú)
Fotografía 6. Cultivos de caña y Río Catamayo en Puente Boquerón, (Loja,
Ecuador)
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
325
Fotografía 7. Pastizales en alta pendiente (Quilanga, Ecuador)
Fotografía 8. Celica (Celica, Ecuador)
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
326
Fotografía 9. Cultivos de arroz (Macará, Ecuador)
Fotografía 10. Zona de frontera Ecuador – Perú (Macará, Ecuador; La Tina,
Perú)
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
327
Fotografía 11. Bosque seco (Macará, Ecuador)
Fotografía 12. Río Catamayo (Lucarqui, Ecuador)
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
328
Fotografía 13. Río Chira (El Arenal, Perú)
Fotografía 14. Bosque seco y bocatoma del proyecto de Riego Zapotillo
Modelamiento semidistribuido de una cuenca hidrográfica Anexo 3: Fotografías _____________________________________________________________________________________
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)