Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
1
VERIFICACIÓN DE PRODUCTOS SATELITALES CON BASE A ESTACIONES
METEOROLÓGICAS Y MODELACIÓN LLUVIA ESCORRENTÍA
Angie Carolina Barbosa Vivas
Asesor: Mario Alfredo Díaz-Granados Ortiz
UNIVERSIDAD DE LOS ANDES
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA CIVIL Y AMBIENTAL
PREGRADO EN INGENIERÍA AMBIENTAL
BOGOTÁ D.C.
2021
2
AGRADECIMIENTOS
Quiero agradecerle a mi asesor Mario Alfredo Díaz-Granados Ortiz por su apoyo, paciencia y
orientación en el proyecto de grado. Adicionalmente, quiero agradecerle por despertarme el interés y
gusto en la modelación lluvia-escorrentía y mostrarme el potencial que existe al trabajar con
información de productos satelitales. Así mismo quiero agradecerle por darme la oportunidad de
trabajar con él porque me permitió retarme en el uso de programas y funcionalidades de ellos que me
hicieron aprender y crecer como persona. Por otro lado, quiero agradecerles a mis padres por
apoyarme y ayudarme en todo lo necesario para poder terminar éste trabajo. Finalmente, quiero
agradecerle a mi prima Viviana, amiga Diana y amigo Juan Pablo porque con sus aportes de
conocimiento me permitieron avanzar en la culminación de mi proyecto de grado.
3
Contenido
1. Introducción ................................................................................................................................ 9
2. Justificación y pregunta de investigación .................................................................................. 10
2.1 Objetivo general ................................................................................................................ 10
2.2 Objetivos específicos ......................................................................................................... 11
3. Marco teórico ............................................................................................................................ 11
3.1 Información de productos satelitales de precipitación..................................................... 11
3.1.1 CHIRPS ....................................................................................................................... 11
3.1.2 PERSIANN-CCS ........................................................................................................... 12
3.2 Información de precipitación en tierra ............................................................................. 14
3.3 Métodos de interpolación para datos climáticos.............................................................. 14
3.3.1 Distancia inversa ponderada (IDW) ........................................................................... 15
3.3.2 Polígonos de Thiessen ............................................................................................... 16
3.4 Modelo lluvia-escorrentía HEC HMS ................................................................................. 17
3.4.1 Basin models ............................................................................................................. 17
3.4.2 Meteorologic models ................................................................................................ 17
3.4.3 Control specifications ................................................................................................ 17
3.4.4 Time-series data ........................................................................................................ 17
3.5 Evapotranspiración ........................................................................................................... 18
3.5.1 Estimación con PETP 2.0............................................................................................ 18
4. Metodología .............................................................................................................................. 18
4.1 Relaciones de corrección de información satelital de precipitación ................................ 18
4.1.1 Delimitación de la cuenca de estudio ....................................................................... 18
4.1.2 Identificación de periodos de calibración y validación ............................................. 19
4.1.3 Recolección de información del IDEAM .................................................................... 21
4.1.4 Recolección de información satelital ........................................................................ 22
4.1.5 Identificación de estaciones pluviométricas ............................................................. 22
4.1.6 Obtención de campos de lluvia ................................................................................. 23
4.1.6.1 Distancia inversa ponderada (IDW) ........................................................................... 23
4.1.6.2 Polígonos de Thiessen ............................................................................................... 24
4.1.7 Obtención de precipitación media diaria .................................................................. 24
4
4.1.8 Comparación de precipitación media diaria con datos de productos satelitales y de
tierra 25
4.1.9 Corrección de valores de productos satelitales de precipitación ............................. 31
4.2 Uso de HEC HMS ............................................................................................................... 32
4.2.1 Identificación de los modelos a evaluar .................................................................... 32
4.2.2 Recolección de información del IDEAM y estimación de evapotranspiración .......... 32
4.2.3 Preparación del modelo en HEC HMS ....................................................................... 36
4.2.4 Calibración ................................................................................................................. 37
4.2.5 Validación .................................................................................................................. 38
5. Resultados y análisis de resultados ........................................................................................... 38
6. Conclusiones ............................................................................................................................. 46
7. Recomendaciones ...................................................................................................................... 47
8. Bibliografía ............................................................................................................................... 49
Anexos............................................................................................................................................... 52
5
ÍNDICE DE FIGURAS
Figura 1. Procesamiento para la obtención de datos de CHIRPS tomado de SCIENTIFIC DATA . 12
Figura 2. Procedimiento para la generación de datos PERSIANN-CCS. ......................................... 13
Figura 3.Ejemplo de Polígonos de Thiessen tomado de (Bateman, 2007) ....................................... 16
Figura 4. Ubicación de la zona de estudio......................................................................................... 19
Figura 5. Ubicación de estaciones pluviométricas para el periodo de calibración y de validación. . 23
Figura 6. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra
estimada con IDW. ............................................................................................................................ 26
Figura 7. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en
tierra estimada con IDW ................................................................................................................... 26
Figura 8. Diferencia entre datos de CHIRPS y datos estimados en tierra con IDW vs CHIRPS. ..... 27
Figura 9. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con IDW vs
PERSIANN-CCS .............................................................................................................................. 27
Figura 10. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por
IDW. .................................................................................................................................................. 28
Figura 11. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en
tierra por IDW. .................................................................................................................................. 28
Figura 12. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra
estimada con Polígonos de Thiessen ................................................................................................. 29
Figura 13. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en
tierra estimada con Polígonos de Thiessen ....................................................................................... 29
Figura 14. Diferencia entre datos de CHIRPS y datos estimados en tierra con Polígonos de Thiessen
vs CHIRPS ........................................................................................................................................ 29
Figura 15. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con Polígonos de
Thiessen vs PERSIANN-CCS ........................................................................................................... 30
Figura 16. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por
Polígonos de Thiessen. ...................................................................................................................... 30
Figura 17. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en
tierra por Polígonos de Thiessen. ...................................................................................................... 31
Figura 18. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para los modelos
1,3,4 y 5. ............................................................................................................................................ 36
Figura 19. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para el modelo 2.
........................................................................................................................................................... 36
Figura 20. Modelo de la cuenca para cada uno de los modelos a evaluar en la Tabla 8. .................. 37
6
Figura 21. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del
modelo 1. ........................................................................................................................................... 41
Figura 22. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del
modelo 1. ........................................................................................................................................... 41
Figura 23. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del
modelo 2. ........................................................................................................................................... 42
Figura 24. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del
modelo 2. ........................................................................................................................................... 42
Figura 25. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del
modelo 3. ........................................................................................................................................... 43
Figura 26. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del
modelo 3. ........................................................................................................................................... 43
Figura 27. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del
modelo 4. ........................................................................................................................................... 44
Figura 28. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del
modelo 4. ........................................................................................................................................... 44
Figura 29. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del
modelo 5. ........................................................................................................................................... 45
Figura 30. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del
modelo 5. ........................................................................................................................................... 45
7
ÍNDICE DE TABLAS
Tabla 1. Estimación de efecto macroclimático para años de calibración con ONI ........................... 20
Tabla 2. Grado de completitud para cada uno de los años de calibración ......................................... 20
Tabla 3. Periodos de La Niña, El Niño y neutros en los años de validación. .................................... 21
Tabla 4. Grado de completitud para cada uno de los años del periodo de validación. ...................... 21
Tabla 5. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos
estimados en tierra con IDW vs producto satelital al tener en cuenta todo el periodo de calibración y
cada año por separado. ...................................................................................................................... 27
Tabla 6. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos
estimados en tierra con Polígonos de Thiessen vs producto satelital al tener en cuenta todo el periodo
de calibración y cada año por separado. ............................................................................................ 30
Tabla 7. Regresiones lineales de modificación para los datos de producto satelital CHIRPS y
PERSIANN-CCS. ............................................................................................................................. 31
Tabla 8. Especificación de los modelos a evaluar a calibrar en HEC HMS. .................................... 32
Tabla 9. Parámetro descargado en el IDEAM para obtener el parámetro buscado. .......................... 33
Tabla 10. Valores finales de coeficiente de Nash Sutcliffe en la calibración para los 5 modelos
evaluados en HEC HMS ................................................................................................................... 39
Tabla 11. Valores finales de coeficiente de Nash Sutcliffe en la validación para los 5 modelos
evaluados en HEC HMS ................................................................................................................... 40
8
ÍNDICE DE ANEXOS
ANEXO 1. GRADO DE COMPLETITUD DE LAS ESTACIONES ESCOGIDAS EN EL
PERIODO DE CALIBRACIÓN Y VALIDACIÓN. ........................................................................ 53
ANEXO 2. CÓDIGO, UBICACIÓN Y PERIODO DE REGISTRO DE ESTACIONES USADAS
PARA ESTIMACIÓN DE EVAPOTRANSPIRACIÓN CON PETP V2.0.0 .................................. 59
ANEXO 3. PROCEDIMIENTO PARA GENERAR LOS COMPONENTES DEL MODELO EN
HEC HMS POR MEDIO DE HECGeo-HMS .................................................................................. 60
ANEXO 4. PARÁMETROS CALIBRADOS PARA CADA UNA DE LAS SUBCUENCAS DE
LOS MODELOS EVALUADOS EN HEC HMS ............................................................................. 63
9
1. Introducción
El río Magdalena nace en la confluencia de los drenajes de las lagunas La Magdalena y Santiago en
el departamento del Huila a 3500 msnm (Mosquera et al., 2004). En este sentido, la cuenca alta del
río Magdalena denominada también el Alto Magdalena presenta un alta pendiente y un cauce
turbulento en su trayecto inicial (CORMAGDALENA, 2013). El Alto Magdalena cuenta con 57
municipios ubicados en los departamentos de Huila, Tolima, Cundinamarca y Cauca (AUTORIDAD
NACIONAL DE LICENCIAS AMBIENTALES, 2018), así como una población para 2012 de
1.368.650 habitantes (CORMAGDALENA, 2013). Adicionalmente, tiene una precipitación variable
con registros anuales entre 500 mm/año hasta 3000 mm/año (AUTORIDAD NACIONAL DE
LICENCIAS AMBIENTALES, 2018). Finalmente, la cuenca cuenta con la presencia de dos
importantes hidroeléctricas: Betania y El Quimbo.
El Alto Magdalena tiene gran importancia en el contexto nacional porque el río Magdalena es el
principal río de Colombia. En este aspecto, el río se usa tanto para la producción de energía como
para el abastecimiento de la población circundante. Sin embargo, así como éste es un recurso hídrico
beneficioso para la comunidad también puede llegar a presentar riesgo de inundación en la población
debido a los altos caudales que podría transportar en épocas de La Niña en las cuales se tienen eventos
de abundante precipitación. Es en estos casos que resulta beneficioso el uso de modelos capaces de
predecir caudales a la salida de una cuenca para implementar Sistemas de Alerta Temprana. Esto con
el fin de avisar a la comunidad y así evitar o reducir la pérdida de vidas y daños materiales (UNESCO
et al., 2011).
De acuerdo con lo anterior, los modelos hidrológicos como herramienta de predicción juegan un papel
importante en el anticipo de eventos de inundación para salvar vidas dado que mediante sus
estimaciones pueden ser capaces de arrojar valores cercanos de los que podrían presentarse realmente.
Sin embargo, para su uso es fundamental contar con información meteorológica para estimar valores
de pérdidas o abstracciones, así como abundante información de precipitación. En este aspecto, si se
quisiera evaluar o implementar un Sistema de Alerta Temprana sería de utilidad contar con
información de precipitación en tiempo casi real. En relación con eso, la información de productos
satelitales puede brindar esa facilidad al evaluar la completitud de un área de interés en un tiempo
casi real en algunas ocasiones.
10
2. Justificación y pregunta de investigación
Existen múltiples tipos de modelos hidrológicos con un alto potencial para servir como modelos
predictivos en casos de interés particulares. En este sentido HEC HMS se presenta como un modelo
robusto, gratuito e intuitivo con múltiples funcionalidades y opciones para evaluar modelos lluvia
escorrentía. De esta manera, HEC HMS presenta múltiples opciones en el uso de metodologías para
la evaluación de pérdidas de precipitación en el suelo, cobertura vegetal, y flujo subterráneo. Así
como, funcionalidades para la calibración de los modelos a evaluar.
HEC HMS es un modelo con un alto potencial para evaluaciones predictivas de caudal que podrían
ayudar a analizar y evaluar Sistemas de Alerta Temprana con el fin de salvar vidas. Sin embargo, para
ello es fundamental información de precipitación casi en tiempo real con la que en muchas ocasiones
no se cuenca por la demora en la digitalización de información de estaciones meteorológicas o falta
de abundante cantidad de pluviómetros en la cuenca a evaluar. En el caso de la cuenca objeto de éste
estudio sí se cuenta con abundante información pluviométrica pero no con disponibilidad actualizada
o casi en tiempo real como sí sucede con información de productos satelitales. En tal sentido,
productos como PERSIANN CCS usan información satelital para dar como resultado información de
precipitación. Estos productos satelitales son de gran interés para la sustitución y/o complementación
de información pluviométrica en el uso de modelos como HEC HMS dado que su información se
obtiene con tan solo pocas horas de retraso (Nguyen et al., 2019). Adicionalmente, productos como
CHIRPS son de relevancia dada su robusta estimación de precipitación. Sin embargo, resulta de gran
interés comparar qué tan certera es esta información con respecto a la información que se obtendría
mediante pluviómetros dentro de la cuenca.
En este aspecto, es importante comparar información de las dos fuentes, producto satelital y
pluviómetro. Lo anterior con el fin de estudiar si la información de producto satelital es igual a la que
obtendría un pluviómetro o en caso contrario evaluar la relación que tendrían estas dos fuentes de
información para buscar relaciones que ayuden a corregir la información de producto satelital. De
esta manera podrían evaluarse modelos en HEC HMS con mayor certeza en el uso correcto de los
datos a ingresar para el modelo.
2.1 Objetivo general
Verificar los productos satelitales CHIRPS y PERSIANN CCS con respecto a información de
estaciones meteorológicas con el fin de realizar evaluaciones lluvia escorrentía en HEC HMS y
comprobar el potencial de esta información para futuros análisis de sistemas de alerta temprana de
inundaciones.
11
2.2 Objetivos específicos
• Evaluar el comportamiento de la información de precipitación satelital en comparación con
la información de campos de precipitación en tierra mediante diferentes métodos de
interpolación.
• Obtener relaciones de mayoración o minoración entre información de campos de
precipitación en tierra e información satelital de precipitación de PERSIANN-CCS y
CHIRPS.
• Evaluar diferentes modelos de lluvia-escorrentía en el programa HEC-HMS en los cuales se
pueda establecer si existe una relación de mejora al usar información satelital modificada,
con factores de mayoración o minoración, e información satelital sin modificar.
• Sugerir alternativas de implementación de los modelos en HEC-HMS para lograr en futuras
investigaciones mejorar los resultados y lograr continuar con la investigación en el uso de
información satelital como elemento predictivo.
3. Marco teórico
3.1 Información de productos satelitales de precipitación
3.1.1 CHIRPS
CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) fue creado en
colaboración con los científicos del Centro de Observación y Ciencia de Recursos Terrestres (por sus
siglas en inglés EROS) del Servicio Geológico de Estados Unidos (por sus siglas en inglés USGS).
Los modelos recientes aprovechan nuevos recursos de observaciones satelitales para las estimaciones
de precipitación que se basan en satélites de la Administración Nacional de Aeronáutica y el Espacio
(por sus siglas en inglés NASA) y la Oficina Nacional de Administración Oceánica y Atmosférica
(por sus siglas en inglés NOAA). Lo anterior, se realiza con el fin implementar la información de
precipitación en cuadrículas de resolución de 0.05° diaria, pentadal y mensual. Esta es información
lleva más de 35 años de registro y abarca una cobertura cuasi global de 50° S - 50° N, así como todas
las longitudes. (USAID & Climate Hazards Center UC SANTA BARBARA, 2021)
Los datos de CHIRPS están basados en enfoques con técnicas de interpolación, así como un amplio
periodo de registro de precipitación basado en infrared Cold Cloud Duration (por sus siglas en inglés
CCD). En este respecto, se emplea un algoritmo que incorpora información satelital de 0.05° de
resolución y estimaciones de precipitación diaria, pentadal y mensual desde 1981 hasta el presente de
0.05° basada en CCD. Además, combina datos de las estaciones para producir información preliminar
con una latencia de 2 días aproximadamente y luego un producto final con una latencia promedio de
12
3 semanas aproximadamente. Adicionalmente, se utiliza un procedimiento de mezcla incorporando
una estructura de correlación espacial de las estimaciones CCD para asignar los pesos de la
interpolación. En este sentido, CHIRPS tiene tres componentes principales los cuales son, primero,
the Climate Hazards Group Precipitation Climatology (por sus siglas en inglés CHPclim), segundo,
the satellite-only Climate Hazards group Infrared Precipitation (por sus siglas en inglés CHIRP) y el
procedimiento de mezcla para producir CHIRPS tal como se muestra a continuación. (Funk et al.,
2015)
Figura 1. Procesamiento para la obtención de datos de CHIRPS tomado de SCIENTIFIC DATA
Tomado de (Funk et al., 2015)
3.1.2 PERSIANN-CCS
Se basa en la estimación de la precipitación a partir de información de detección remota mediante
redes neuronales artificiales (PERSIANN por sus siglas en inglés). Tiene una variación denominada
PERSIANN-CCS la cual incorpora un sistema de clasificación de nubes (CCS por sus siglas en
inglés). Éste es un producto satelital desarrollado por el Centro de Hidrometeorología y Percepción
Remota (CHRS por sus siglas en inglés) de la Universidad de California en Irvine (UCI) con una
resolución de 0.04° x 0.04° o 4Km x4Km (CHRS, 2021). Adicionalmente, integra un periodo de
registro del 2003 hasta la actualidad y es posible descargar datos horarios, diarios, mensuales y
anuales (CHRS, 2021). Éste producto satelital puede ser descargado casi en tiempo real dado que las
actualizaciones de información se demoran aproximadamente 1 hora por lo cual podría ser de utilidad
para proporcionar alertas de inundación temprana en ríos grandes (Nguyen et al., 2015).
Los datos de PERSIANN-CCS estiman la precipitación a partir de imágenes infrarrojas de la órbita
terrestre geo sincrónica utilizando redes neuronales artificiales (ANN) así como también técnicas de
clasificación de nubes (Nguyen et al., 2015). En este sentido, se segmentan las nubes en parches con
ayuda de técnicas morfológicas y de segmentación de cuencas para luego agrupar los parches de
nubes en tipos de nubes según la frialdad, geometría y la textura (Nguyen et al., 2019). Con esto se
13
hace uso de un algoritmo de segmentación de nubes de umbral variable con lo cual se permite la
identificación y separación de partes individuales de las nubes. De esta manera, al realizar la
clasificación se asigna valores de lluvia a los pixeles dentro de cada nube en función de una curva
específica que describe la relación entre la temperatura de brillo y la intensidad de lluvia (CHRS,
2021). Sin embargo, PERSIANN -CCS presenta dos deficiencias importantes las cuales son la
ausencia de corrección de sesgos y el uso de únicamente un tipo de dato de entrada (Nguyen et al.,
2019). En consecuencia, los datos de PERSIANN-CCS son menos precisos en comparación con los
demás productos PERSIANN que utilizan corrección de sesgos, principalmente para lluvias cálidas
y tierras altas (Nguyen et al., 2019).
A continuación, se presenta un esquema obtenido de (Nguyen et al., 2019) en el cual se esquematiza
el procedimiento para la obtención de datos PERSIANN-CCS. En éste es importante notar el uso
inicial de GEO (Geostationary por sus siglas en inglés), y LEO (Low Earth Orbit por sus siglas en
inglés) información satelital.
Figura 2. Procedimiento para la generación de datos PERSIANN-CCS.
Tomado de (Nguyen et al., 2019)
14
3.2 Información de precipitación en tierra
La cantidad de agua proveniente de la atmósfera en diferentes estados que cae sobre la superficie
terrestre o los océanos se le conoce como precipitación. Al llegar a la superficie, ésta puede ser
interceptada por la vegetación, infiltrarse en el suelo o convertirse en escorrentía superficial o
subsuperficial (Chow et al., 1994). La precipitación en tierra se mide como la altura capaz de
recolectar el agua sobre una superficie plana con un área determinada una vez todas las
precipitaciones caídas en forma de hielo o nieve se han derretido. Dicha medición se hace a través de
estaciones meteorológicas dotadas con pluviógrafos o pluviómetros (IDEAM, n.d.-a). La cantidad de
agua que cae está dada por la intensidad de precipitación en donde la intensidad se define como la
cantidad de precipitación recogida en un periodo determinado de tiempo (WMO, 2017).
Las unidades de medición son milímetros (volumen/área) o en kilogramos por metro cuadrado
(masa/área) para la precipitación líquida. El pluviómetro es el instrumento más frecuentemente usado
para medir la precipitación, y consta de una cubeta con paredes rectas en forma cilíndrica y un embudo
en el cual se registra el volumen o el nivel alcanzado por la lluvia en dicho recipiente (WMO, 2017).
Adicionalmente, otro equipo importante para registrar precipitación es el pluviógrafo. Éste es un
instrumento que registra de manera continua el cambio en la altura o el peso del agua que cae sobre
un recipiente, el cual puede ser de peso o de flotador. Los pluviógrafos de peso funcionan por medio
de un mecanismo de resorte o de un sistema de pesas y en ocasiones carecen de un sistema de auto
vaciado, pero puede solucionarse con un sistema de palancas (IDEAM, n.d.-a). Por su parte, el
pluviógrafo de flotador está compuesto por un flotador liviano que, al momento de subir el agua,
transmite el ascenso de nivel a una pluma que registra en un diagrama la acumulación de la
precipitación (WMO, 2017). Los equipos mencionados anteriormente deben cumplir con una serie
de características como la altura de instalación para evitar sobrestimaciones por salpicaduras,
protección contra el viento y mecanismos para disminuir en su gran mayoría las pérdidas por
evaporación (WMO, 2017). Los puntos de medición de precipitaciones son la fuente fundamental de
datos para análisis zonales; sin embargo, es solo representativa para una zona muy limitada, cuyo
tamaño está dado por diferentes variables ambientales y topográficas (WMO, 2017).
3.3 Métodos de interpolación para datos climáticos
Como se mencionó anteriormente, la representatividad de los datos meteorológicos es solo
representativa para una zona muy limitada, esto es debido a que la red de medición no es espacial ni
temporalmente continúa, lo cual genera dificultades al momento de interpolar información (Sluiter,
2009). Existen diferentes métodos de interpolación, que pueden ser clasificados en tres grupos
principales: Métodos determinísticos que estiman una superficie continua usando características
15
geométricas de los puntos de observación; métodos probabilísticos que permiten predecir valores y
otros métodos que son aplicaciones especialmente desarrolladas para propósitos meteorológicos, este
último es una combinación de métodos determinísticos y probabilísticos (Sluiter, 2009). En este
sentido, los métodos determinísticos incluyen métodos como vecino natural (NN), distancia inversa
ponderada (IDW), funciones polinomiales (splines), regresión lineal, redes neuronales artificiales
(ANN) y Polígonos de Thiessen. Por su parte, en métodos probabilísticos se incluyen métodos de
Kriging en sus diferentes variedades como Kriging Ordinario, Simple, Cokriging, Universal, etc.
Finalmente, a modo de ejemplo de otros métodos se presenta el método MISH (Meteorological
interpolation based on Surface Homogenized Data Basis). (Sluiter, 2009)
A continuación, se presenta una descripción de los dos métodos determinísticos usados en caso de
estudio.
3.3.1 Distancia inversa ponderada (IDW)
Con el fin de evitar bordes de polígonos irrealistas como los que se generan con el método de
Polígonos de Thiessen, la precipitación puede ser estimada como una combinación lineal de
observaciones de estaciones alrededor y estableciendo un peso para cada una de las mediciones siendo
éste inversamente proporcional a la distancia entre puntos de observación. La idea de un sistema de
pesos es poner más énfasis en las mediciones que se encuentran más cerca a la celda que se quiere
estimar (Krähenmann & Ahrens, 2010). La sumatoria de los pesos proporcionados por la distancia
son siempre igual a uno. Éste método es un poco más complejo que el de los polígonos de Thiessen
debido a que antes de realizar la interpolación se debe seleccionar el poder de la función inversa de
la distancia. En este orden de ideas, al seleccionar un poder bajo se tiende a tener grandes pesos y por
tanto a tomar valores de precipitación de estaciones lejanas. Por otro lado, tomar pesos grandes hará
que el método tienda a parecerse al método de los polígonos de Thiessen (Ly et al., 2013).
Adicionalmente, éste método también puede incluírsele pesos proporcionados por la altura haciendo
que los datos obtenidos sean un poco más fiables (Ly et al., 2013). En éste método la estimación de
precipitación para un punto 𝑝𝑢 se puede estimar de la siguiente manera:
𝑝𝑢 = ∑ 𝜆𝑖𝑝𝑖 = ∑ (𝑑𝑢,𝑖
−𝛼
∑ 𝑑𝑢,𝑖−𝛼𝑁
𝑗=1
) 𝑝𝑖
𝑁
𝑖=1
𝑁
𝑖=1
Donde
𝑁 es el número de puntos de muestreo
𝛼 es el parámetro de poder de la interpolación
16
𝑑𝑢,𝑖 es la distancia entre el punto a estimar u y el punto de medición i
𝑝𝑖 es la precipitación en el punto de medición i
3.3.2 Polígonos de Thiessen
Éste es un método simple de interpolación que le asigna un valor de precipitación a cada celda según
el dato observado más cercano (Krähenmann & Ahrens, 2010). Esto se hace realizando una
triangulación de los puntos de medición procurando que los triángulos allí formados tengan un
aspecto mayoritariamente equilátero. Luego, se trazan líneas mediatrices de los triángulos, las cuales
al juntarse forman los polígonos. Éste método es rápido y fácil de aplicar, sin embargo, para que
funcione de manera correcta es aconsejable contar con una gran cantidad de puntos de medición en
la zona (Sluiter, 2009). En la Figura 3 se puede observar un ejemplo de los polígonos formados.
Figura 3.Ejemplo de Polígonos de Thiessen tomado de (Bateman, 2007)
Tomado de (Bateman, 2007)
Luego de determinada las áreas que encierran cada uno de los puntos de medición, se asume que toda
el área tendrá el mismo valor de precipitación que fue medido en las estaciones. Por ejemplo, si se
quiere conocer la precipitación promedio de una cuenca, el cálculo se realiza por medio de una
ponderación del área de cada estación, con la siguiente fórmula:
P̅ =1
A∗ ∑ Ai ∗ Pi
Donde:
17
𝐴 es el área total de la cuenca
𝐴𝑖 es el área del polígono de la estación i
𝑃𝑖 es la precipitación de la estación i
3.4 Modelo lluvia-escorrentía HEC HMS
The Hydrologic Modeling System (HEC-HMS) fue desarrollado para simular los procesos
hidrológicos de una cuenca dendrítica (US Army Corps of Engineers, 2021). Éste es un modelo tipo
evento, lineal y semi distribuido con el fin de estimar las hidrógrafas de varias subcuencas
(UNIVERSIDAD NACIONAL DE COLOMBIA et al., 2021). Está constituido por 4 partes
fundamentales las cuales se especifican a continuación
3.4.1 Basin models
Esta es de las partes más importantes dado que en esta etapa se establece cómo está constituida la
cuenca a evaluar mediante subcuencas que contienen parámetros de Loss, Transform, Baseflow,
Canopy y Surface. En ese sentido, para cada uno de los elementos nombrados existe gran cantidad de
métodos de estimación en los que se puede trabajar con información en forma de grilla o simplemente
numérica. Adicionalmente se pueden usar diferentes métodos de tránsito. Todos sus componentes en
conjunto contienen una cantidad considerable de parámetros a evaluar para calibrar las subcuencas.
3.4.2 Meteorologic models
Es necesario ingresar en esta parte información meteorológica. En relación con eso, es posible
ingresar información de variables atmosféricas, métodos de estimación de derretimiento de hielo,
evapotranspiración, precipitación y onda larga y corta de radiación.
3.4.3 Control specifications
Por su parte, en esta etapa es necesario ingresar el intervalo de tiempo en el cual se desea evaluar bien
sea la calibración o validación, así como también el intervalo de tiempo y si se desea una pequeña
descripción.
3.4.4 Time-series data
En éste aparatado es posible ingresar la información de precipitación, así como la de caudales a la
salida de la cuenca. Adicionalmente, también se puede ingresar información de temperatura, radiación
solar, velocidad del viento, presión del aire, humedad relativa, altitud, coeficiente de cultivo, carga
de sedimentos y brillo solar. En esta parte, es necesario especificar el intervalo de tiempo en el cual
se ingresan los datos, así como sus unidades y períodos de registro. Finalmente, se pueden tener
gráficas de las series de tiempo ingresadas. (USACE, 2021)
18
3.5 Evapotranspiración
3.5.1 Estimación con PETP 2.0
PETP 2.0 corresponde a un programa informático desarrollado por el Ingeniero Agrícola y docente
de la Universidad Nacional San Cristobal de Huamanga César Gutiérrez Ninahuamán (UNSCH,
2021). El programa en cuestión es una herramienta que permite calcular la evapotranspiración
potencial por medio de múltiples fórmulas empíricas según métodos de Turc, Hardreaves,
Cristiansen, Penman Monteith, Penman modificado, Hargreaves entre otras. Adicionalmente éste es
un programa gratuito. Para su uso es necesario ingresar información de ubicación geográfica del lugar,
así como del número de días de cada mes, temperatura mínima, media y máxima (°C), número de
horas del sol al día o brillo solar (horas), humedad relativa media y mínima (%), velocidad del viento
(m/s), precipitación media (mm) y radiación solar (cal/cm2/día). Cabe resaltar que toda la
información ingresada es mensual multianual. Finalmente, el programa permite exportar los
resultados a Excel.
4. Metodología
4.1 Relaciones de corrección de información satelital de precipitación
Con el fin de obtener factores de mayoración o minoración se procedió a realizar lo siguiente.
4.1.1 Delimitación de la cuenca de estudio
El caso de estudio se centró en la subcuenca definida por el sitio de afluencia del río Páez en el río
Magdalena. En consecuencia, esta subcuenca se ubica en el Alto Magdalena e incluye el nacimiento
del río Magdalena. Para generar esta cuenca se hizo uso de ArcGIS e información cartográfica del
Instituto Geográfico Agustín Codazzi (IGAC) a escala 1:100.000 en formato shapefile. En este
aspecto, del conjunto de información cartográfica correspondió a las curvas de nivel y el drenaje
sencillo para generar el TIN mediante la herramienta “Create TIN”. Es importante aclarar que se
adoptó el sistema de coordenadas MAGNA-SIRGAS/ORIGEN-NACIONAL. Posteriormente se
convirtió el TIN a raster mediante TIN to Raster con un tamaño de celda de 250 m. Luego se usó la
herramienta Fill para rellenar las imperfecciones del archivo raster y se usó la herramienta Flow
Direction. Después se hizo uso de Flow Accumulation y se procedió a usar Raster Calculator con la
expresión SetNull(“producto del Flow Accumulation”<25,1). A continuación, se usó la herramienta
Watershed con la ubicación del punto de desembocadura del río Páez en el río Magdalena como
parámetro. Finalmente, se obtuvo la cuenca de estudio en formato raster y posteriormente se hizo uso
de Raster to Polygon para obtener la cuenca en formato shapefile como polígono. A continuación, se
muestra la ubicación de la zona de estudio.
19
Figura 4. Ubicación de la zona de estudio.
4.1.2 Identificación de periodos de calibración y validación
Para identificar los periodos de calibración y validación se tuvieron dos factores en cuenta. Primero,
el periodo de registro de información de caudal medio diario en la estación Limnigráfica Paso del
Colegio (21077020) dado que esta estación está ubicada en el punto de concentración de la cuenca,
es decir aproximadamente en el punto de desembocadura del río Páez en el río Magdalena. En este
sentido, el periodo de registro disponible con información de caudal fue del 2000 hasta marzo de
2011 y posteriormente de 2017 hasta enero de 2020. Segundo, se tuvieron en cuenta los años en los
cuales se presentaban fenómenos macro climáticos de El Niño y La Niña. Para ello, se recurrió al
Índice Oceánico del Niño (ONI por sus siglas en inglés). Lo anterior dado que éste es un índice capaz
de clasificar el fenómeno macroclimático como fuerte, moderado o débil, así como que es un estándar
robusto producido por la NOAA y utilizado por Instituto de Hidrología, Meteorología y Estudios
Ambientales (IDEAM).
El periodo de calibración se escogió desde el 01 de enero de 2006 hasta el 31 de diciembre de 2010.
Es decir, un periodo de 5 años en los cuales hubo presencia de El Niño débil (WE) y moderado (ME),
así como de La Niña fuerte (SL) y débil (WL) y periodos neutros como se muestra en Tabla 1 donde
valores en rojo corresponden a El Niño, valores en azul a La Niña y valores en negro a periodos
20
neutros. Adicionalmente éste fue un periodo con un número abundante de datos de caudal medio
diario dado que presentó el 85.16% de completitud (1555 datos registrados de 1826). En la Tabla 2
se puede observar el grado de completitud de la estación Paso del Colegio (21077020) para cada uno
de los años de calibración.
Tabla 1. Estimación de efecto macroclimático para años de calibración con ONI
ENSO
Type Season JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ
WE 2006 - 2007 0.1 0.3 0.5 0.7 0.9 0.9 0.7 0.3 0 -0.2 -0.3 -0.4
SL 2007 - 2008 -0.5 -0.8 -1.1 -1.4 -1.5 -1.6 -1.6 -1.4 -1.2 -0.9 -0.8 -0.5
WL 2008 - 2009 -0.4 -0.3 -0.3 -0.4 -0.6 -0.7 -0.8 -0.7 -0.5 -0.2 0.1 0.4
ME 2009 - 2010 0.5 0.5 0.7 1 1.3 1.6 1.5 1.3 0.9 0.4 -0.1 -0.6
SL 2010 - 2011 -1 -1.4 -1.6 -1.7 -1.7 -1.6 -1.4 -1.1 -0.8 -0.6 -0.5 -0.4
Adaptado de (Golden Gate Weather Services, 2021)
Tabla 2. Grado de completitud para cada uno de los años de calibración
Año Completitud (%)
2006 100
2007 100
2008 50
2009 75.9
2010 100
Por otro lado, dada la restricción de falta de información de caudal medio diario en la estación Paso
del Colegio (21077020) para el periodo de abril de 2011 al 31 de diciembre de 2016, se escogió como
periodo de validación del 01 de enero de 2006 hasta el 31 de enero de 2020. Lo anterior se decidió
dada la necesidad de ejecutar una validación con el programa HEC HMS en la cual no se podía contar
con la continuidad del registro en los períodos de calibración y verificación. De esta manera, se podría
validar el modelo con los datos del 01 de enero de 2017 hasta el 31 de enero de 2020 sin cortar la
continuidad del periodo de validación. Adicionalmente, en éste periodo era posible validar periodos
del año con La Niña débil (WL), El Niño débil (WE) y periodo neutro. En la Tabla 3 se muestran los
periodos de validación y los eventos macroclimáticos predominantes donde los valores en azul
corresponden a periodos de La Niña y los valores en rojo corresponden a periodos de El Niño.
Adicionalmente, en la Tabla 4 se puede evidenciar el grado de completitud para cada uno de los años
de validación.
21
Tabla 3. Periodos de La Niña, El Niño y neutros en los años de validación.
ENSO
Type Season JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ
ML 2011 - 2012 -0.5 -0.7 -0.9 -1.1 -1.1 -1 -0.8 -0.6 -0.5 -0.4 -0.2 0.1
2012 - 2013 0.3 0.3 0.3 0.2 0 -0.2 -0.4 -0.3 -0.2 -0.2 -0.3 -0.3
2013 - 2014 -0.4 -0.4 -0.3 -0.2 -0.2 -0.3 -0.4 -0.4 -0.2 0.1 0.3 0.2
WE 2014 - 2015 0.1 0 0.2 0.4 0.6 0.7 0.6 0.6 0.6 0.8 1 1.2
VSE 2015 - 2016 1.5 1.8 2.1 2.4 2.5 2.6 2.5 2.2 1.7 1 0.5 0
WL 2016 - 2017 -0.3 -0.6 -0.7 -0.7 -0.7 -0.6 -0.3 -0.1 0.1 0.3 0.4 0.4
WL 2017 - 2018 0.2 -0.1 -0.4 -0.7 -0.9 -1 -0.9 -0.8 -0.6 -0.4 -0.1 0.1
WE 2018 - 2019 0.1 0.1 0.4 0.7 0.9 0.8 0.8 0.8 0.8 0.8 0.6 0.5
WE 2019 - 2020 0.3 0.1 0.1 0.3 0.5 0.6 0.5 0.6 0.5 0.3 0 -0.3
2020 - 2021 -0.4 -0.6 -1 -1.2 -1.3
Adaptado de (Golden Gate Weather Services, 2021)
Tabla 4. Grado de completitud para cada uno de los años del periodo de validación.
Año Completitud (%)
2006 100
2007 100
2008 50
2009 75.9
2010 100
2011 24.7
2012 0
2013 0
2014 0
2015 0
2016 0
2017 100
2018 100
2019 100
2020 100
4.1.3 Recolección de información del IDEAM
En el caso de estudio se utilizó información de precipitación diaria descargada de la plataforma del
Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM). Lo anterior se realizó
mediante el enlace http://dhime.ideam.gov.co/atencionciudadano/. En este sentido, se tuvo en cuenta
la necesidad de tener información pluviométrica de estaciones tanto dentro como alrededor de la
cuenca con el fin de generar campos de lluvia más acertados para la zona de estudio. Por esta razón,
22
se descargó información pluviométrica diaria de todas las estaciones registrada en la plataforma del
IDEAM de los departamentos de Cauca, Caquetá, Huila y Tolima.
4.1.4 Recolección de información satelital
Para la descarga de información del producto satelital CHIRPS se accedió al enlace
https://data.chc.ucsb.edu/products/CHIRPS-2.0/ el cual se encuentra publicado en la página web de
la Universidad de California en Santa Barbara. Allí se utilizó la información diaria global en formato
tifs y con resolución 0.05°. Posteriormente se descargaron los datos de precipitación diaria para cada
uno de los días del periodo de calibración y validación. Es importante aclarar que los datos de éste
producto satelital también son posibles descargarlos en formato netcdf.
Por su parte, la descarga del producto satelital PERSIANN-CCS se realizó mediante el enlace
https://chrsdata.eng.uci.edu/ el cual corresponde al portal de datos de CHRS. En éste enlace se escogió
como dataset PERSIANN-CCS, time step como diario y domain como país. Finalmente se seleccionó
la opción descargar y se ingresaron tanto los periodos de validación como los de calibración. Los
datos se descargaron en formato Tif pero también pueden ser descargados en formato ArcGrid y
NetCDF.
4.1.5 Identificación de estaciones pluviométricas
Inicialmente se procesaron los datos descargados mediante Python. De esta manera, según las
coordenadas de cada estación se analizó su ubicación en ArcMAP. Luego, subjetivamente se hizo una
selección de las estaciones alrededor de la zona de estudio y finalmente se analizó para estas
estaciones seleccionadas el grado de completitud para cada uno de los años de calibración. Con lo
anterior se escogieron las estaciones que tuvieron mejor registro de datos. En consecuencia, se trabajó
con 172 estaciones pluviométricas de las cuales 57 estaciones quedaron dentro de la cuenca de
estudio. En el Anexo 1. 1 se puede observar el grado de completitud de las estaciones seleccionadas.
Adicionalmente, en la Figura 5 se puede observar la ubicación de las estaciones pluviométricas
seleccionadas.
23
Figura 5. Ubicación de estaciones pluviométricas para el periodo de calibración y de validación.
4.1.6 Obtención de campos de lluvia
Para obtener los campos de lluvia diarios con la información de precipitación procesada en Python se
hizo uso de ArcMAP. En este sentido, se programó ArcMAP mediante la librería de arcpy que
funciona con el lenguaje de Python. Con lo anterior, se obtuvieron 1826 campos de lluvia en el
periodo de calibración (2006-2010) y 2192 campos de lluvia en el periodo de validación (2011-2020)
mediante los métodos de interpolación de datos climáticos mostrados a continuación.
4.1.6.1 Distancia inversa ponderada (IDW)
Éste fue un método usado debido a que no se generaban valores negativos de precipitación diaria en
los pixeles después de realizar la interpolación como sí sucedía al utilizar el método de Kriging. De
acuerdo con esto, éste método representó mejor las zonas sin lluvia dado que las interpolaciones no
incluían valores menores a cero. IDW fue usado con el fin de que los pixeles generados en el archivo
raster se superpusieran con la información de los productos satelitales CHIRPS y PERSIANN-CCS.
Para ello, se usó la funcionalidad en ArcMAP de Snap Raster la cual se encuentra en Environment
Settings del método IDW y a su vez en el apartado de Processing Extent. Con lo anterior se aseguró
que los campos de lluvia obtenidos con IDW estuvieran superpuestos a los datos de CHIRPS con una
24
resolución de 0.05° y los otros campos de lluvia también obtenidos con IDW estuvieran superpuestos
a los datos de PERSIANN-CCS con resolución de celda de 0.04°.
Por otro lado, se realizó la estimación de RMSE y valores por default para escoger los parámetros
necesarios al usar éste método los cuales son el poder (Power) y el número de puntos tenidos en
cuenta para la interpolación (n). Primero, para escoger el poder usado en el método IDW se realizaron
pruebas con poderes de 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5 y 5. En ese sentido se evaluaron los resultados
interpolados con respecto a los valores registrados en las estaciones y se estimó el error medio
cuadrático (RMSE) al usar cada uno de los poderes especificados. Lo anterior se realizó
aleatoriamente con varios días de campos de lluvia de IDW y se usó la herramienta de ArcMAP de
Extract values to point con el fin de extraer los valores de las estimaciones de campo de lluvia y
compararlos con los valores registrados en las estaciones y de esta manera poder hacer uso de RMSE.
Éste procedimiento se realizó de acuerdo con lo especificado en el libro GIS ALGORITHMS (Xiao,
2016). Con base en lo anterior se encontró que con la mayoría de las muestras los valores de RMSE
menores se encontraban con poderes de 4 y 4.5 oscilando un poco más arriba o abajo de estos poderes
para un número menor de muestras. En consecuencia, subjetivamente se escogió un poder de 4.5 dado
que se consideró un valor adecuado. Finalmente, para el parámetro del número de puntos tenidos en
cuenta para realizar las interpolaciones (n) se utilizó el valor de default de ArcMAP, es decir, 12.
4.1.6.2 Polígonos de Thiessen
En éste caso no fue necesario usar la superposición de información dado que éste método da como
resultado un archivo tipo shape. En consecuencia, no se hizo uso de la funcionalidad Snap Raster de
ArcMAP. Para generar los polígonos de Thiessen se utilizó a herramienta Create Thiessen Polygons.
4.1.7 Obtención de precipitación media diaria
• Distancia inversa ponderada (IDW)
Para obtener los valores de precipitación media en la cuenca de estudio mediante los campos de lluvia
estimados con el método IDW se realizó un promedio de los valores de precipitación registrados en
los pixeles del archivo raster de campo de lluvia. En este sentido, se utilizó la herramienta Zonal
Statistics as Table con el raster de campo de lluvia y el área de estudio en formato shape de tal manera
que se calculara el promedio de precipitación solamente dentro de la cuenca. Además, estos valores
de precipitación media para cada día se exportaron a Excel mediante la herramienta Table to Excel.
Finalmente, se juntó la información de todos los exceles generados en un solo Excel mediante el
procesamiento de los datos en Python.
25
• Polígonos de Thiessen
Para el cálculo de precipitación media diaria mediante polígonos de Thiessen se hizo uso de la
siguiente ecuación:
�̅� =∑ 𝑃𝑖 ∗ 𝐴𝑖
𝐴𝑇
De esta manera, se ponderó para cada polígono el valor de lluvia registrado y luego de realizar la
sumatoria de las ponderaciones se dividió el valor entre el área total de la cuenca. Esto se realizó para
cada uno de los días tanto de validación como de calibración. Finalmente, los valores de precipitación
media diaria se exportaron a Excel mediante la herramienta Table to Excel. De igual manera que se
realizó con los datos de IDW se juntaron los datos de los exceles en un solo Excel mediante Python.
4.1.8 Comparación de precipitación media diaria con datos de productos
satelitales y de tierra
Para el análisis de comparación de precipitación con campos de lluvia y productos satelitales CHIRPS
y PERSIANN-CCS se evaluaron 3 gráficas: valores de producto satelital vs valor de campo de lluvia,
cercanía de producto satelital vs valor de campo de lluvia y error relativo vs valor de campo de lluvia.
En este aspecto, es importante aclarar que al hablar de cercanía de producto satelital se refiere a la
diferencia entre el valor de precipitación media diaria de campo de lluvia generado por los polígonos
de Thiessen o IDW y el valor del producto satelital CHIRPS o PERSIANN-CCS.
𝐶𝑒𝑟𝑐𝑎𝑛í𝑎 = 𝑡𝑖𝑒𝑟𝑟𝑎 − 𝑠𝑎𝑡é𝑙𝑖𝑡𝑒 { 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑜𝑏𝑟𝑒𝑒𝑠𝑡𝑖𝑚𝑎
𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑢𝑏𝑒𝑠𝑡𝑖𝑚𝑎
Adicionalmente, al hablar de error relativo se refiere a:
𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 =𝑡𝑖𝑒𝑟𝑟𝑎 − 𝑠𝑎𝑡é𝑙𝑖𝑡𝑒
𝑡𝑖𝑒𝑟𝑟𝑎 {
1 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑛𝑜 𝑑𝑒𝑡𝑒𝑐𝑡𝑎 𝑙𝑙𝑢𝑣𝑖𝑎𝐷𝑖𝑣: 0 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑑𝑒𝑡𝑒𝑐𝑡𝑎 𝑙𝑙𝑢𝑣𝑖𝑎 𝑝𝑒𝑟𝑜 𝑛𝑜 𝑙𝑎 ℎ𝑎𝑦
𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑜𝑏𝑟𝑒𝑒𝑠𝑡𝑖𝑚𝑎 𝑙𝑙𝑢𝑣𝑖𝑎 𝑒𝑛 𝑡𝑖𝑒𝑟𝑟𝑎𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑢𝑏𝑒𝑠𝑡𝑖𝑚𝑎 𝑙𝑙𝑢𝑣𝑖𝑎 𝑒𝑛 𝑡𝑖𝑒𝑟𝑟𝑎
Es importante tener en cuenta que al contar con campos de lluvia generados mediante interpolación
se generan valores menores a cero y en algunos casos estos valores son tan bajos que magnifican el
error relativo. Es decir, al valor de tierra al ser muy bajo y estar en el denominador vuelve muy grande
los valores de error relativo. Dado lo anterior, se realizaron las mismas 3 gráficas adicionalmente
teniendo en cuenta resoluciones de 0.05mm y 0.1mm para valores interpolados. Es decir, para
despreciar el efecto de la magnificación se cambiaron los valores menores a 0.05mm y 0.1mm de
26
campo de lluvia por 0mm. Lo anterior con el hecho de que un pluviómetro no puede registrar valores
menores a la resolución que tiene el equipo de medición. En este sentido, el valor de 0.05mm fue
utilizado basado en la resolución de un pluviómetro de peso (IDEAM, 2016) y 0.1mm fue escogido
como un valor representativo de una baja resolución de pluviómetro. Adicionalmente, el anterior
análisis se realizó tanto para los años de calibración en conjunto, así como para cada uno de los años
de calibración con el fin de determinar si los años de efectos macroclimáticos de La Niña o El Niño
influían en las detecciones de los satélites.
• Distancia inversa ponderada (IDW)
En la Figura 6 y Figura 7 se puede observar qué tan parecidos son los datos del producto satelital
CHIRPS y PERSIANN-CCS con respecto a los valores de campos de lluvia estimados mediante IDW.
De acuerdo con esto, es importante tener en cuenta que los valores en verde, azul y naranja
corresponden a los valores originales, con resolución de 0.05mm y 0.1mm respectivamente.
Adicionalmente, la línea roja corresponde a una línea de 45° la cual indica el comportamiento que se
esperaría tener para éste tipo de gráficas si los datos satelitales fuesen exactamente los mismos a los
datos estimados de campos de lluvia en la cuenca.
Figura 6. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra estimada con IDW.
Figura 7. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en tierra estimada con
IDW
Adicionalmente, siguiendo con la misma gama de colores para los valores originales, de resolución
de 0.05mm y 0.1 mm se puede observar en la Figura 8 y Figura 9 el comportamiento de las cercanías
con respecto a los valores estimados con IDW. Cabe resaltar que las gráficas presentadas
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00
CH
IRP
S [m
m]
TIERRA-CHIRPS IDW [mm]
0.000 5.000 10.000 15.000 20.000 25.000 30.000 35.000
TIERRA-CHIRPS IDW [mm]0.000 5.000 10.000 15.000 20.000 25.000 30.000 35.000
TIERRA-CHIRPS IDW [mm]
0.00
10.00
20.00
30.00
40.00
50.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00
PE
RSI
AN
N-C
CS
[mm
]
TIERRA-CHIRPS IDW [mm]0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00
TIERRA-CHIRPS IDW [mm]0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00
TIERRA-CHIRPS IDW [mm]
27
corresponden al tiempo de calibración de 2006 a 2010 dado que se presentaban un mejor 𝑅2
globalmente hablando que al evaluar el mismo tipo de gráficas por cada año. Lo anterior es posible
observarlo en la Tabla 5 en la que se muestra el 𝑅2 cuando se tiene en cuenta solamente el año con
efecto de La Niña o El Niño.
Figura 8. Diferencia entre datos de CHIRPS y datos estimados en tierra con IDW vs CHIRPS.
Figura 9. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con IDW vs PERSIANN-CCS
Tabla 5. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos estimados en tierra con
IDW vs producto satelital al tener en cuenta todo el periodo de calibración y cada año por separado.
Año Efecto
macroclimático
R2
CHIRPS PERSIANN-CCS
Calibración 0.6689 0.4848
2006 Niño débil 0.6659 0.4002
2007 Niña fuerte 0.6601 0.3154
2008 Niña débil 0.7220 0.4989
2009 Niño moderado 0.6934 0.5529
2010 Niña fuerte 0.6067 0.5670
Finalmente, en la Figura 10 y Figura 11 se puede observar para diferentes resoluciones y datos
originales cómo se comporta el error relativo con respecto a los datos estimados de campos de lluvia
de IDW.
y = -0.7994x + 3.581R² = 0.6689
-70.00
-60.00
-50.00
-40.00
-30.00
-20.00
-10.00
0.00
10.00
20.00
30.00
40.00
0.00 20.00 40.00 60.00
CER
CA
NÍA
TIE
RR
A -
CH
IRPS
[m
m]
CHIRPS [mm]
y = -0.7994x + 3.5808R² = 0.6689
0.00 20.00 40.00 60.00
CHIRPS [mm]
y = -0.7993x + 3.5799R² = 0.6688
0.00 20.00 40.00 60.00
CHIRPS [mm]
0.000
y = -0.7372x + 3.5722R² = 0.4832
-40.00
-30.00
-20.00
-10.00
0.00
10.00
20.00
30.00
40.00
0.00 10.00 20.00 30.00 40.00 50.00
CER
CA
NÍA
TIE
RR
A-P
ER
SIA
NN
CC
S [m
m]
PERSIANN-CCS [mm]
y = -0.7376x + 3.5756R² = 0.4848
0.00 10.00 20.00 30.00 40.00 50.00
PERSIANN-CCS [mm]
y = -0.7375x + 3.5748R² = 0.4847
0.00 10.00 20.00 30.00 40.00 50.00
PERSIANN-CCS [mm]
28
Figura 10. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por IDW.
Figura 11. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en tierra por IDW.
• Polígonos de Thiessen
En la Figura 12 y Figura 13 se pueden observar las gráficas del producto satelital CHIRPS y
PERSIANN-CCS en comparación con las estimaciones de precipitación en tierra por medio de
interpolación con Polígonos de Thiessen. Los puntos verdes corresponden a los valores originales,
los puntos azules a los valores con resolución de datos de tierra de 0.05mm y los puntos naranjas a
los valores con resolución de 0.1mm. Cada punto corresponde a un día en el periodo de calibración,
es decir que cada gráfica tiene 1826 datos. Finalmente, la línea roja corresponde al comportamiento
de los datos si la estimación de los productos satelitales fuera exactamente igual a los datos registrados
en tierra.
-160.00
-140.00
-120.00
-100.00
-80.00
-60.00
-40.00
-20.00
0.00
20.00
0.00 10.00 20.00 30.00 40.00
ER C
HIR
PS
[mm
]
TIERRA-CHIRPS IDW [mm]-80.00
-70.00
-60.00
-50.00
-40.00
-30.00
-20.00
-10.00
0.00
10.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00
TIERRA-CHIRPS IDW [mm]-50.00
-40.00
-30.00
-20.00
-10.00
0.00
10.00
0.00 10.00 20.00 30.00 40.00
TIERRA-CHIRPS IDW [mm]
-120.00
-100.00
-80.00
-60.00
-40.00
-20.00
0.00
20.00
0.00 10.00 20.00 30.00 40.00
ER
PE
RSI
AN
N [
mm
]
TIERRA-CHIRPS IDW [mm]-120.00
-100.00
-80.00
-60.00
-40.00
-20.00
0.00
20.00
0.00 10.00 20.00 30.00 40.00
TIERRA-CHIRPS IDW [mm] -70.00
-60.00
-50.00
-40.00
-30.00
-20.00
-10.00
0.00
10.00
0.00 10.00 20.00 30.00 40.00
TIERRA-CHIRPS IDW [mm]
29
Figura 12. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra estimada con Polígonos
de Thiessen
Figura 13. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en tierra estimada con
Polígonos de Thiessen
En la Figura 14 y Figura 15 se evidencia la diferencia entre datos de los productos satelitales y los
datos de tierra estimados con Polígonos de Thiessen al evaluar varios valores del producto satelital
CHIRPS y PERSIANN-CCS. Los puntos verdes corresponden a los datos originales y los puntos
azules y naranjas a los valores con resolución 0.05mm y 0.1mm respectivamente. Estas gráficas se
elaboraron con todo el periodo de calibración dado que se tenía un comportamiento global mejor que
el comportamiento en cada uno de los años. En este sentido, el 𝑅2 global tuvo un mejor
comportamiento que al observar cada uno de los años al tratar de evaluar si se tenía un efecto mejor
diferenciando cada año con el respectivo evento El Niño o La Niña. Lo anterior se puede evidenciar
en la Tabla 6. Cabe resaltar que la tabla mostrada se construyó con base a los valores de resolución
0.05mm dado que con esta resolución se mejoraban los errores relativos.
Figura 14. Diferencia entre datos de CHIRPS y datos estimados en tierra con Polígonos de Thiessen vs CHIRPS
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
0.00 10.00 20.00 30.00
CHIR
PS
[mm
]
THIESSEN-TIERRA [mm]0.000 5.000 10.000 15.000 20.000 25.000 30.000
THIESSEN-TIERRA [mm]
0.000 5.000 10.000 15.000 20.000 25.000 30.000
THIESSEN-TIERRA [mm]
0.000
5.000
10.000
15.000
20.000
25.000
30.000
35.000
40.000
45.000
0.00 5.00 10.00 15.00 20.00 25.00 30.00
PE
RS
IAN
N-C
CS
[mm
]
THIESSEN-TIERRA [mm]0.000 5.000 10.000 15.000 20.000 25.000 30.000
THIESSEN-TIERRA [mm]0.000 5.000 10.000 15.000 20.000 25.000 30.000
THIESSEN-TIERRA [mm]
y = -0.8157x + 3.3467R² = 0.7066
-70.00
-60.00
-50.00
-40.00
-30.00
-20.00
-10.00
0.00
10.00
20.00
30.00
40.00
0.00 20.00 40.00 60.00
CER
CAN
ÍA T
IER
RA
-CH
IRP
S [m
m]
CHIRPS [mm]
y = -0.8157x + 3.3465R² = 0.7066
0.00 20.00 40.00 60.00
CHIRPS [mm]
y = -0.8156x + 3.3455R² = 0.7065
0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00
CHIRPS [mm]
30
Figura 15. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con Polígonos de Thiessen vs
PERSIANN-CCS
Tabla 6. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos estimados en tierra con
Polígonos de Thiessen vs producto satelital al tener en cuenta todo el periodo de calibración y cada año por separado.
Año Efecto
macroclimático
R2
CHIRPS PERSIANN-CCS
Calibración 0.7066 0.5320
2006 Niño débil 0.7082 0.4585
2007 Niña fuerte 0.6893 0.3534
2008 Niña débil 0.7505 0.5368
2009 Niño moderado 0.7343 0.6036
2010 Niña fuerte 0.6567 0.6166
Finalmente, en la Figura 16 y Figura 17 se puede observar el error relativo con los productos
satelitales CHIRPS y PERSIANN-CSS con respecto a los valores estimados de tierra con Polígonos
de Thiessen donde los valores en verde, azul y naranja corresponden a los datos originales, con
resolución de 0.05mm y 0.1mm respectivamente.
Figura 16. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por Polígonos de
Thiessen.
y = -0.7603x + 3.3446R² = 0.532
-40.00
-30.00
-20.00
-10.00
0.00
10.00
20.00
30.00
40.00
0.000 10.000 20.000 30.000 40.000
CER
CAN
ÍA T
IER
RA
-PER
SIA
NN
CCS
[mm
]
PERSIANN-CCS [mm]
y = -0.7603x + 3.3444R² = 0.532
0.000 10.000 20.000 30.000 40.000
PERSIANN-CCS [mm]
y = -0.7602x + 3.3434R² = 0.5319
0.000 10.000 20.000 30.000 40.000
PERSIANN-CCS [mm]
-850.00
-750.00
-650.00
-550.00
-450.00
-350.00
-250.00
-150.00
-50.00
50.00
0.00 10.00 20.00 30.00
ER C
HIR
PS
[ad
ime
nsi
on
al]
THIESSEN-TIERRA [mm]-80.00
-70.00
-60.00
-50.00
-40.00
-30.00
-20.00
-10.00
0.00
10.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00
THIESSEN-TIERRA [mm] -45.00
-40.00
-35.00
-30.00
-25.00
-20.00
-15.00
-10.00
-5.00
0.00
5.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00
THIESSEN-TIERRA [mm]
31
Figura 17. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en tierra por Polígonos
de Thiessen.
4.1.9 Corrección de valores de productos satelitales de precipitación
Con el fin de modificar los datos de los productos satelitales CHIRPS y PERSSIAN-CCS y analizar
si esta modificación proporciona mejores resultados en las simulaciones de HEC-HMS, se utilizó la
regresión lineal de la gráfica de cercanía vs producto satelital del método de interpolación con el
mejor 𝑅2. En este sentido, se utilizaron las regresiones lineales del método de Polígonos de Thiessen
con resolución 0.05mm dado que, primero, con esta resolución se mejoraban los errores relativos y,
segundo, los 𝑅2 eran más altos con Polígonos de Thiessen en comparación con IDW. Lo anterior
dado que mientras con IDW el 𝑅2era de 0.6689 y 0.4848 con CHIRPS y PERSIANN-CCS, con
Polígonos de Thiessen era de 0.7066 y 0.5320 respectivamente. Adicionalmente se utilizó una
regresión lineal debido a que como se muestra en las gráficas de cercanía, esta regresión se ajusta
adecuadamente a los datos. En la Tabla 7 se muestran las ecuaciones a usar para modificar los datos
de los productos satelitales.
Tabla 7. Regresiones lineales de modificación para los datos de producto satelital CHIRPS y PERSIANN-CCS.
Dato para modificar Polígonos de Thiessen R2
CHIRPS Y = -0.8157X +3.3465 0.7066
PERSIANN-CCS Y = -0.7603X +3.3444 0.5320
De acuerdo con esto, la modificación a realizar corresponde a:
𝑀𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑎𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑖 = 𝐷𝑎𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑖 + 𝑌
Donde,
-4000.00
-3500.00
-3000.00
-2500.00
-2000.00
-1500.00
-1000.00
-500.00
0.00
500.00
0.00 10.00 20.00 30.00 40.00
ER
PE
RS
IAN
N-C
CS [
adim
ensi
on
al]
THIESSEN-TIERRA [mm] -120.00
-100.00
-80.00
-60.00
-40.00
-20.00
0.00
20.00
0.00 10.00 20.00 30.00 40.00
THIESSEN-TIERRA [mm] -30.00
-25.00
-20.00
-15.00
-10.00
-5.00
0.00
5.00
0.00 10.00 20.00 30.00 40.00
THIESSEN-TIERRA [mm]
32
𝑖 = 𝐷í𝑎 1,2,3 … 𝑛
𝑌 = 𝑅𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙 𝑑𝑒 𝑙𝑎 Tabla 7
𝑋 = 𝐷𝑎𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑖
4.2 Uso de HEC HMS
4.2.1 Identificación de los modelos a evaluar
En la Tabla 8 se presentan los modelos evaluados en HEC HMS, los cuales fueron calibrados y
verificados.
Tabla 8. Especificación de los modelos a evaluar a calibrar en HEC HMS.
Modelo Nombre Descripción
1 Precipitación CHIRPS Modelo en el cual se usa datos de lluvia de CHIRPS sin
realizar ninguna modificación
2 Precipitación PERSIANN-CCS Modelo en el cual se usa datos de lluvia de
PERSIANN-CCS sin realizar ninguna modificación
3 Precipitación CHIRPS
modificado Modelo en el cual se usa datos de lluvia de CHIRPS
luego de realizar las modificaciones de la sección 4.1.9
4 Precipitación PERSIANN- CCS
modificado
Modelo en el cual se usa datos de lluvia de
PERSIANN-CCS al realizar las modificaciones de la
sección 4.1.9
5 Precipitación THIESSEN Modelo en el cual se usa datos de campos de lluvia
interpolados con Polígonos de Thiessen
4.2.2 Recolección de información del IDEAM y estimación de
evapotranspiración
En esta etapa se realizó la recolección de datos de precipitación media diaria para el periodo de
validación del 01 de enero de 2011 al 31 de enero de 2020 adicional de 01 de enero de 2010 al 31 de
diciembre de 2010. Esta recolección se hizo mediante la descarga de datos en la plataforma del
IDEAM mencionada en la sección 4.1.3. Luego, se procesaron los datos en Python para obtener la
información de precipitación de las 172 estaciones pluviométricas escogidas en el periodo de
calibración. Es importante aclarar que en el periodo de validación se dispuso de información más
incompleta que para algunos años en las 172 estaciones consideradas en el periodo de calibración.
Lo anterior, dado que la fecha de registro de algunas estaciones es variable por la suspensión de las
mismas e instalación de nuevas estaciones. En el Anexo 1. 2 se incluyen las estaciones utilizadas y
su grado de completitud para cada uno de los años de validación en donde las estaciones con toda la
fila en rojo corresponden a las estaciones que se dejaron de usar en el periodo de validación. Cabe
recalcar que la disminución de estaciones usadas en el periodo de validación no afecta en la ejecución
33
de los Polígonos de Thiessen por ArcMAP en el sentido operacional del código previamente
programado, sino solamente en la cantidad de polígonos de cada día dentro de la cuenca de estudio.
En la Figura 5 se muestra la ubicación de las estaciones utilizadas en el periodo de validación.
Por otro lado, para la estimación de evapotranspiración se usó el programa PETP V2.0.0. En virtud
de ello para su uso y con el fin de estimar la evapotranspiración aproximadamente con 19 métodos
distintos se obtuvo información de temperatura media, máxima y mínima mensual multianual, horas
al sol o brillo solar multianual, precipitación media mensual multianual, radiación solar multianual,
velocidad del viento multianual y humedad relativa media y mínima multianual. En consecuencia,
con base a la información registrada en el IDEAM ésta se descargó como se muestra en la Tabla 9
para luego ser procesada mediante Python y estimar la variable requerida.
Tabla 9. Parámetro descargado en el IDEAM para obtener el parámetro buscado.
Parámetro buscado Parámetro descargado
Temperatura media mensual Temperatura seca a las 700 1300 y 1800
Temperatura máxima mensual Temperatura seca máxima diaria
Temperatura mínima mensual Temperatura seca mínima diaria
Radiación solar Radiación solar global diaria validada
Humedad relativa media Humedad relativa calculada mínima mensual
Humedad relativa mínima Humedad relativa del aire a z metros media mensual
Velocidad del viento Velocidad vectorial del viento media mensual convencional
• Brillo solar mensual multianual
Para la información de brillo solar se usó la información publicada en el Atlas Interactivo (IDEAM,
n.d.) del IDEAM, donde se ubicaron las estaciones registradas en el documento y se eligieron aquellas
que estuviesen dentro de la cuenca de estudio. En este sentido se usaron 7 estaciones para éste
parámetro dentro de la cuenca de estudio y con base a estas estaciones se calculó el promedio entre
sus datos para obtener el estimativo final a usar. En el Anexo 2. 1 se incluyen el nombre de las
estaciones y el periodo de registro de datos de cada una.
• Radiación solar mensual multianual
La información de radiación solar se procesó en Python para obtener la radiación solar media mensual
para cada uno de los meses del año. En ese sentido solo se usó una estación con código 21015030
dado que fue la única que se encontraba dentro de la cuenca de estudio. Así, se descargó la
información para todo el periodo de registro, es decir, aproximadamente para 14 años. En Python se
34
organizó la información para tener la radiación solar de cada mes para cada uno de los años de periodo
de registro y luego se calculó el promedio de la radiación solar de cada mes.
• Velocidad del viento mensual multianual
Solo se utilizó la información de una estacion con código 21015030 dado que era la única de cuatro
estaciones dentro de la cuenca de estudio con más de 10 años de periodo de registro al tener 17 años.
De acuerdo con esto, en Python se procesó los datos para calcular el promedio de cada mes de los
años de registro y así obtener la velocidad del viento media mensual.
• Temperatura media mensual multianual
Se utilizaron 10 estaciones dentro de la cuenca de estudio cada una con todo el periodo de registro
disponible de las cuales 1 se ubica en el departamento del Cauca. En el Anexo 2. 2 se listan las
estaciones utilizadas, así como el periodo de registro y su ubicación. Los datos fueron procesados en
Python para la temperatura media mensual como se establece en el IDEAM mediante la siguiente
fórmula:
𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑖𝑎𝑟𝑖𝑎 =𝑡07+𝑡13+𝑡18
3 (IDEAM, 2018)
Adicionalmente se verificó que efectivamente la última hora de medición fuese a las 18:00 horas,
pero en caso de que la última hora de medición fuese a las 19:00 horas se especificó la siguiente
fórmula:
𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑖𝑎𝑟𝑖𝑎 =𝑡07+𝑡13+2∗𝑡19
4 (IDEAM, 2018)
En este sentido, luego de obtener la temperatura diaria, se calculó la temperatura media mensual para
cada mes y en cada estación. Posteriormente se realizó un promedio de la temperatura media mensual
en cada estación con todos los años de registro. Finalmente se calculó el promedio del valor anterior
con todas las estaciones.
• Humedad relativa mínima mensual multianual
Se utilizaron 11 estaciones de las cuales 2 se encontraban ubicadas en el Cauca. La información se
tomó para todo el periodo de registro de cada estación. En el Anexo 2. 3 se puede encontrar el código
de las estaciones usadas, así como el periodo de registro de cada una y su ubicación. Los datos fueron
procesados en Python en donde se calculó el promedio en cada estación de la humedad relativa
mínima mensual con todos los años de registro y luego se calculó un promedio con todas las
estaciones usadas.
35
• Precipitación media mensual multianual
Mediante Python se procesaron los datos de precipitación media diaria obtenida con los campos de
lluvia y productos satelitales para estimar la precipitación media mensual multianual. De esta manera,
dependiendo del modelo a calibrar se ingresó en el programa PETP V2.0.0 la información de
precipitación correspondiente a cada modelo tal como se especifica en la Tabla 8.
• Temperatura mínima y máxima mensual multianual
Se usaron 10 estaciones de las cuales 1 estuvo ubicada en el Cauca. Los datos se procesaron mediante
Python. Allí se determinó el mínimo y máximo de cada mes en cada año de periodo de registro de
cada estación. Posteriormente en cada estación se calculó el promedio de los mínimos y máximos de
cada mes en cada caño. Luego se promediaron los valores de todas las estaciones para cada mes. En
el Anexo 2. 4 se encuentran las estaciones usadas para calcular la temperatura mínima y máxima
mensual multianual en la cuenca de estudio, así como el periodo de registro de cada una de ellas y su
ubicación.
• Humedad relativa media mensual multianual
Se usaron 5 estaciones ubicadas en la zona de estudio. Se descargaron datos de todo el periodo de
registro de cada estación. Asimismo, se usó Python para procesar los datos de tal manera que se
calculara el promedio mensual de humedad relativa media de todas las estaciones. En el Anexo 2. 5
se incluye el código de las estaciones usadas, así como la ubicación y el periodo de registro de cada
una.
Posteriormente, los datos de los parámetros procesados se ingresaron al programa PETP V2.0.0 con
lo cual se estimaron con aproximadamente 19 métodos distintos la evapotranspiración diaria
promedio multianual para cada uno de los meses. Luego se calculó el promedio de todos los métodos
para cada mes. Después, aquellos valores se multiplicaron por el número de días que tiene cada mes
para obtener la evapotranspiración mensual multianual. Para los modelos 1, 3, 4 y 5 el programa
arrojó los mismos valores de evapotranspiración los cuales se pueden visualizar en la Figura 18,
mientras que para el modelo 2 los valores de evapotranspiración correspondieron a los mostrados en
la Figura 19.
36
Figura 18. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para los modelos 1,3,4 y 5.
Figura 19. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para el modelo 2.
4.2.3 Preparación del modelo en HEC HMS
El modelo en HEC HMS se generó mediante ArcMAP con la extensión de HEC-GeoHMS versión
10.7 y Arc Hydro Tools. En este sentido fue necesario un DEM del modelo digital del terreno (MDT).
Para ello se descargó información satelital del modelo digital de terreno con resolución de 12 metros
en ASF data search consignado en siguiente enlace https://search.asf.alaska.edu/#/. Allí se
descargaron varias capas MDT ubicadas dentro del área de estudio y posteriormente se unieron con
la herramienta Mosaic To New Raster en ArcMAP. Lo anterior se hizo con el fin de tener un MDT
mejor que el generado con las curvas de nivel a escala 1:100.000.
En el ANEXO 3 se incluye el procedimiento ejecutado en HEC-GeoHMS para generar los
componentes de los modelos es decir el modelo de la cuenca, el modelo meteorológico, las
Evapotranspiración
Promedio mm/mes
Enero 111.996
Febrero 102.901
Marzo 105.955
Abril 102.469
Mayo 104.338
Junio 95.861
Julio 94.901
Agosto 100.530
Septiembre 110.704
Octubre 113.268
Noviembre 106.879
Diciembre 110.558
Mes
Evapotranspiración
Promedio mm/mes
Enero 109.923
Febrero 101.513
Marzo 104.965
Abril 102.590
Mayo 105.412
Junio 97.304
Julio 96.084
Agosto 100.976
Septiembre 110.084
Octubre 111.899
Noviembre 105.403
Diciembre 108.617
Mes
37
especificaciones de control y los datos de series de tiempo. En virtud de ello, para el modelo de la
cuenca se trabajó con 10 subcuencas. En la Figura 20 se muestra el modelo de la cuenca generado
para HEC HMS.
Figura 20. Modelo de la cuenca para cada uno de los modelos a evaluar en la Tabla 8.
Por otro lado, en cada pluviómetro de cada subcuenca se ingresó el mismo valor de precipitación
diaria especificado en el correspondiente modelo de la Tabla 8.
4.2.4 Calibración
En cada subcuenca para Canopy, Surface, Loss, Transform y Baseflow se usó el método de Simple
Canopy, Simple Surface, Déficit and Constant, SCS Unit Hydrograph y Recession respectivamente.
En relación con ello, estos métodos fueron escogidos por simplicidad de sus parámetros a calibrar.
Por otro lado, para todos los Reach se usó el método de Muskingum como Routing Method. Cada
uno de los parámetros a calibrar se calibraron mediante Optimization Trials. Esta herramienta en el
programa HEC HMS se utilizó múltiples veces para cada uno de los parámetros con iteraciones de
100, 1000 y 10000 y tolerancia de 0.01. Así mismo, se usaron los valores máximos y mínimos por
defecto para cada uno de los parámetros. Adicionalmente, para cada parámetro se minimizaron el
estadístico de raíz del error cuadrático medio, varianza de los residuos al cuadrado, suma de los
38
residuos al cuadrado y la media del residual al cuadrado. Asimismo, se usó la maximización del
volumen de la descarga y del coeficiente de Nash Sutcliffe.
4.2.5 Validación
La validación para cada uno de los modelos se realizó de manera corrida incluyendo el periodo de
calibración debido a que luego del periodo de calibración no se contaba con datos de información de
caudales. En consecuencia, se realizó una corrida continua incluyendo el periodo de calibración hasta
enero de 2020, tomando como período de verificación de 2017 a enero de 2020, puesto que en éste sí
existen datos de caudal en la estación Paso del Colegio. En esta etapa solamente se cambió en cada
modelo los datos de precipitación y caudal de 2006 hasta enero de 2020.
5. Resultados y análisis de resultados
• Relaciones de corrección de información satelital de precipitación
Lo análisis de comparación entre información de producto satelital y estimación de campos de lluvia
con información de estaciones pluviométricas arrojaron que no siempre hay relación entre lo que
registra el producto satelital y la estimación en tierra mediante Polígonos de Thiessen o IDW como
se puede observar en la Figura 6, Figura 7, Figura 12 y Figura 13. Lo anterior, no solamente puede
deberse a la calidad de los productos satelitales CHIRPS y PERSIANN CCS sino también esto puede
estar influenciado al tipo de interpolación de campos de lluvia y a los parámetros ingresados para su
estimación.
La evaluación de relación entre las cercanías, tierra-satélite, y datos de productos satelitales mejoró
en ambos casos, Polígonos de Thiessen e IDW, para el producto satelital CHIRPS más que para
PERSIANN CCS. Esto puede evidenciarse en la Figura 9, Figura 8, Figura 9, Figura 14 y Figura 15
para todas las resoluciones dado que el coeficiente de determinación siempre fue mayor en las
relaciones con CHIRPS que con PERSIANN CCS. Lo anterior indica que la información de CHIRPS
se acomoda mejor al área de estudio en comparación con PERSIANN CSS. Paralelamente, en la
Tabla 5 y Tabla 6 se puede evidenciar lo anterior al evaluar los datos de cada año por separado. Así
mismo, se puede evidenciar en estas tablas que no existe una clara relación de mejora de los R2 si se
evalúa cada año por separado relacionado con un efecto macroclimático. En este sentido, resulta
mejor evaluar los datos globalmente que en cada año al conseguir un R2 global, para todos los años
de calibración, más alto que en algunos años específicos.
Por otro lado, se consiguieron mejores resultados para las estimaciones de campo de lluvia con
Polígonos de Thiessen que con IDW. Esto se puede evidenciar en la Tabla 5 y Tabla 6 dado que para
todos los años se obtuvo un R2 mejor en los dos productos satelitales cuando se estimó la precipitación
39
en tierra con Polígonos de Thiessen en comparación con IDW. Cabe resaltar que, aunque el método
de Polígonos de Thiessen fue un buen estimativo, el método IDW es más complejo dado que le asigna
un poder al estimativo interpolado el cual entre mayor sea resulta en mayor énfasis a los puntos
cercanos en comparación a los lejanos. De acuerdo con ello, aún es importante seguir evaluando el
método IDW con otros valores de poder y n antes de descartar el método como un mal estimativo.
Por otro lado, por medio las gráficas de cercanía como se muestra en las Figura 8, Figura 9, Figura
14 y Figura 15, así como en las gráficas de error relativo mostradas en la Figura 10, Figura 11, Figura
16 y Figura 17 se puede observar que los valores de satélite sobrestiman los valores estimados con
campos de lluvia en tierra. Lo anterior, implica que las correcciones en la información satelital
podrían ser de utilidad en las estimaciones de precipitación por productos satelitales. Sin embargo,
en la corrección planteada en la Tabla 7 valdría la pena añadir un condicional en el cual se tenga una
precipitación de 0mm cuando el producto satelital y la estimación de campo de lluvia en tierra sea
0mm. Lo anterior, dado que se cae en la falencia de sobreestimar aquellos valores de precipitación de
0mm en la cuenca al intentar mejorar globalmente las estimaciones de información de producto
satelital CHIRPS y PERSIANN CCS.
• Uso de HEC HMS
En la Tabla 10 se presenta el valor del coeficiente de Nash Sutcliffe logrado mediante la calibración
para cada uno de los modelos.
Tabla 10. Valores finales de coeficiente de Nash Sutcliffe en la calibración para los 5 modelos evaluados en HEC HMS
Modelo Nash Sutcliffe Nombre
1 0.351 Precipitación CHIRPS
2 0.135 Precipitación PERSIANN-CCS
3 0.325 Precipitación CHIRPS modificado
4 0.153 Precipitación PERSIANN-CCS modificado
5 0.395 Precipitación THIESSEN
Al evaluar los parámetros se observó que algunos de los parámetros más sensibles del modelo en las
cuencas correspondían al Crop Coefficient en Canopy, Constant rate en Loss e Initial Discharge y
Recession Constant en Baseflow. Adicionalmente en los Reach los parámetros más sensibles
correspondían a Muskingum K y X. En este sentido, estos coeficientes mejoraban o empeoraban más
el coeficiente de Nash Sutcliffe al cambiar tan solo un poco su valor. En el ANEXO 4 se incluyen los
valores calibrados de los modelos evaluados en HEC HMS.
40
Como se puede observar en la Tabla 10 los parámetros calibrados no fueron los más apropiados dado
que los coeficientes de Nash Sutcliffe no fueron altos en todos los casos. Esto se debió a la falta de
un análisis de sensibilidad más robusto para cada uno de los parámetros analizados en las subcuencas.
En consecuencia, es necesario el uso de métodos como el de Monte Carlo para mejorar la calibración
de los modelos ya que en estos métodos según el número de iteraciones se realiza un número de
simulaciones con las cuales se puede identificar los valores óptimos de cada parámetro.
A continuación, se puede observar los coeficientes de Nash Sutcliffe para la validación de cada uno
de los modelos.
Tabla 11. Valores finales de coeficiente de Nash Sutcliffe en la validación para los 5 modelos evaluados en HEC HMS
Modelo Nash Sutcliffe Nombre
1 0.081 Precipitación CHIRPS
2 -0.163 Precipitación PERSIANN-CCS
3 -0.234 Precipitación CHIRPS modificado
4 -0.142 Precipitación PERSIANN-CCS modificado
5 0.160 Precipitación THIESSEN
Como se puede observar en la Tabla 11 los coeficientes de Nash Sutcliffe disminuyeron con respecto
a la calibración. Lo anterior era de esperarse, y el hecho de que tres de estos valores sean negativos
indican una pobre representación de los datos observados de caudal por parte de los modelos. Lo
anterior puede sugerir que se podría evaluar en mayor detalle el comportamiento de los modelos en
los cuales se hizo la corrección de información satelital. En las gráficas siguientes se puede observar
el comportamiento en los caudales a lo largo de los años de análisis tanto para el periodo de
calibración como para el de validación.
41
Modelo 1
Figura 21. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del modelo 1.
Figura 22. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del modelo 1.
La información del producto satelital CHIRPS mostró mejores resultados en comparación con el
producto satelital PERSIANN CCS. Esto se confirma en el comportamiento de los datos en la primera
parte de éste estudio y en la facilidad para mejorar la calibración mediante Optimization Trials hasta
un coeficiente de Nash Sutcliffe de 0.351, como se muestra en la Tabla 10. Así mismo se puede
observar en la Tabla 11 que el comportamiento en la validación de los datos no disminuyó
42
radicalmente, con lo cual, con una mejora en la calibración podría mejorar los estimativos de caudal
a la salida de la cuenca.
Modelo 2
Figura 23. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del modelo 2.
Figura 24. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del modelo 2.
Como se puede ver en la Figura 23 y Figura 24 no se tiene una buena representación del caudal con
el producto satelital PERSIANN CCS lo que concuerda con el coeficiente de Nash Sutcliffe de la
Tabla 10 y Tabla 11. Esto se debe a la falta de una calibración más robusta de los parámetros mediante
métodos en donde se pueda identificar los valores óptimos. En este sentido, es importante investigar
43
sobre la herramienta Uncertainty Anayses de HEC HMS con la cual se buscan los valores óptimos de
los parámetros mediante análisis de Monte Carlo.
Modelo 3
Figura 25. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del modelo 3.
Figura 26. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del modelo 3.
Los resultados obtenidos para la evaluación del modelo con información satelital CHIRPS modificada
mediante regresiones lineales de la Tabla 7 no produjo buenos resultados por deficiencias de
calibración de los parámetros y por la falta del condicional que tuviese en cuenta la comparación entre
44
valores de producto satelital y campos de lluvia con un valor de 0mm. De acuerdo con esto, la falta
de comparación de valores de producto satelital y campos de lluvia de 0mm antes de implementar
una corrección puede generar dificultades en la calibración y su efecto que se observa en la línea
horizontal en los caudales simulados de la Figura 26.
Modelo 4
Figura 27. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del modelo 4.
Figura 28. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del modelo 4.
45
El modelo 4 de producto satelital PERSIANN CCS presenta la misma deficiencia que el modelo
CHIRPS modificado posiblemente debido a la falta de corrección adecuada de los valores de producto
satelital de 0mm que son iguales a los estimados de tierra con campos de lluvia. Adicionalmente,
sería de utilidad no solamente no modificar aquellos valores, sino también, antes de realizar la
modificación con regresiones lineales, verificar si los datos de producto satelital e información de
campo de lluvia son suficientemente parecidos para aplicar la respectiva modificación.
Modelo 5
Figura 29. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del modelo 5.
Figura 30. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del modelo 5.
46
Finalmente, el modelo 5 con información de precipitación de polígonos de Thiessen fue el de mejor
coeficiente de Nash Sutcliffe, obteniéndose con las mejoras de Optimization Trials. Así mismo fue el
modelo que menor disminución de Nash Sutcliffe tuvo en el periodo de validación como se puede
observar en la Tabla 10 y Tabla 11. Aun así, esto no es suficiente para afirmar que se obtienen mejores
estimaciones lluvia escorrentía con Polígonos de Thiessen dado que aún se podría mejorar las
estimaciones con el método IDW mediante un mayor análisis en el parámetro de poder. Asimismo,
las calibraciones con análisis de sensibilidad para cada parámetro podrían ser factores que pueden
cambiar el modelo con mejor coeficiente de Nash Sutcliffe.
6. Conclusiones
A lo largo del estudio se obtuvieron mejores resultados con el producto satelital CHIRPS que con
PERSSIANN CCS. Así mismo, se lograron mejores resultados mediante campos de lluvia generados
con Polígonos de Thiessen que con IDW. Sin embargo, el método IDW puede seguir siendo de interés
al utilizar otras alternativas para sus estimaciones mediante otros valores de poderes no solo para
muestras aleatorias sino para todos los datos de estudio.
Vale la pena seguir estudiando los datos del producto satelital PERSSIANN CSS, a pesar de que los
datos de CHIRPS arrojaron mejores resultados, dado que estos son datos que se obtienen en tiempo
casi real con aproximadamente 1 hora de retraso. Por esto, éste producto satelital sería de bastante
utilidad en el campo de modelos predictivos para alerta temprana de inundaciones.
Las regresiones lineales obtenidas para la modificación de los datos satelitales podrían ser de utilidad,
a pesar de los deficientes resultados de simulación de caudales. Sin embargo, antes de aplicarlas es
necesario confirmar que los datos de producto satelital y campos de lluvia no sean parecidos o de
0mm.
Las estimaciones de evapotranspiración por medio de diferentes fórmulas pueden constituir una
buena aproximación. Sin embargo, sus resultados pueden verse afectados cuando se tienen tan pocas
estaciones para algunos parámetros como velocidad del viento y radiación solar dado que sesgan los
datos en un punto una zona específica para toda la cuenca de estudio. En este sentido, las estimaciones
de evapotranspiración mediante información satelital podrían evaluarse con el fin de analizar si se
mejora el resultado de los 5 modelos.
Es necesario seguir calibrando los 5 modelos con métodos más robustos como el método de Monte
Carlo. En relación con esto, es necesario estudiar el uso de la herramienta Uncertainty Analyses para
encontrar el óptimo de cada parámetro y así lograr mejores coeficientes de Nash Sutcliffe. En
47
consecuencia, se conseguirían mejores modelos potencialmente predictivos para análisis posteriores
para alerta temprana de inundaciones.
7. Recomendaciones
Con el fin de intentar mejorar la calidad de los campos de lluvia de tierra mediante el método IDW
se recomienda realizar un análisis a mayor profundidad con todos los datos de estudio y no solamente
con fechas aleatorias. De acuerdo con esto, sería posible realizar la misma metodología usada en la
sección 4.1.6.1 para definir el comportamiento de todos los datos con distintos poderes y así
seleccionar el poder que menor RSME proporcione con todos los datos de estudio. Adicionalmente,
éste mismo análisis podría realizarse tanto para los datos de CHIRPS como PERSIANN CCS por
separado, en lugar de hacer el análisis como aquí se realizó, pues fue sólo con CHIRPS y se asumió
el mismo valor de poder para los estimativos de PERSIANN CCS. De esta manera se establecería un
mejor estimativo del poder para cada tipo de producto satelital y los datos de interpolación IDW de
tierra podrían mejorar. Es importante tener en cuenta que lo anterior podría realizarse mediante la
programación de ArcMAP con Python y demorarse solo unos días, pero podría mejorar bastante los
resultados de cercanía vs producto satelital y producto satelital vs datos de tierra.
Se recomienda usar un condicional que tenga en cuenta los valores de 0mm correctamente estimados
por la información de productos satelitales CHIRPS y PERSIANN CCS antes de utilizar las
correcciones propuestas en la Tabla 7, de tal manera, que aquellos valores que sean 0mm tanto en el
producto satelital como en las estimaciones de campo de lluvia no se vean afectados por el punto de
corte de las regresiones lineales y en consecuencia no se sobreestimen. En este sentido, debe tenerse
en cuenta la resolución (0.05mm o 0.1mm) a tolerar de las estimaciones en campos de lluvia con el
fin de que valores menores a la resolución se tomen como 0mm. De igual forma, es necesario antes
de realizar las correcciones mediante regresiones lineales, analizar si los puntos de productos satelital
son relativamente parecidos a los valores de estimación con campos de lluvia con el fin de no
modificarlos.
A pesar de que se usó una herramienta robusta con la cual se estimó con varias variables y fórmulas
la evapotranspiración, es importante tener en cuenta la poca cantidad de información con la que se
contó para algunas variables por ejemplo para velocidad del viento y radiación solar. En este aspecto
se tuvo un comportamiento de estos parámetros en la cuenca sesgado por las pocas estaciones (4
estaciones para velocidad del viento y 1 para radiación solar). Con base a lo anterior sería de utilidad
investigar sobre estimaciones de evapotranspiración mediante información satelital.
48
Es recomendable utilizar métodos de sensibilidad más robustos como por ejemplo el método de
Montecarlo para estimar cada uno de los parámetros usados en HEC HMS en el periodo de
calibración. De esta manera, se lograrían mejores calibraciones para los cinco modelos propuestos.
Para ello, es oportuno estudiar la funcionalidad de la herramienta Uncertainty Analyses en HEC HMS
dado que esta herramienta proporciona un análisis de MonteCarlo para cada parámetro o grupo de
parámetros dependiendo del orden que se considere adecuado. Adicionalmente, es necesario tener en
cuenta que esta herramienta requiere de la distribución probabilística de cada parámetro a evaluar y
debido a esto se requieren parámetros adicionales. Por ejemplo, para la distribución gamma es
necesario conocer los inputs mínimum, máximum, shift, shape y scale. Sin embargo, valdría la pena
investigar más sobre aquella funcionalidad en HEC HMS de tal manera que junto con la funcionalidad
de Optimization Trials se puedan calibrar adecuadamente los modelos para obtener coeficientes de
Nash Sutcliffe altos.
49
8. Bibliografía
AUTORIDAD NACIONAL DE LICENCIAS AMBIENTALES. (2018). REPORTE SUBZONAS
HIDROGRÁFICAS CUENCA ALTA DEL RÍO MAGDALENA.
Bateman, A. (2007). Hidrología básica y aplicada. Brazilian Journal of Biology, 71(1), 241–253.
https://www.upct.es/~minaeees/hidrologia.pdf
Chow, V. Te, Maidment, D. R., & Mays, L. W. (1994). Hidrologia aplicada. McGraw-Hill.
CHRS. (2021). Data Portal CHRS. https://chrsdata.eng.uci.edu/
CORMAGDALENA. (2013). Caracterización física, demográfica, social y económica de los
municipios ribereños de la jurisdicción de la Corporación Autónoma Regional del Río Grande
de la Magdalena. In Imprenta Nacional de Colombia.
http://dc02eja.cormagdalena.gov.co/recursos_user/PMA/Caracteriza Río Magdalena.pdf
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., Husak, G., Rowland, J.,
Harrison, L., Hoell, A., & Michaelsen, J. (2015). The climate hazards infrared precipitation with
stations - A new environmental record for monitoring extremes. Scientific Data, 2, 1–21.
https://doi.org/10.1038/sdata.2015.66
Golden Gate Weather Services. (2021). El Niño and La Niña Years and Intensities.
https://ggweather.com/enso/oni.htm
IDEAM. (n.d.-a). CAPITULO 7 MEDIClÓN DE LAS PRECIPITACIONES.
http://documentacion.ideam.gov.co/openbiblio/bvirtual/012406/Cap7.pdf
IDEAM. (n.d.-b). Promedios mensuales de brillo solar para todas las estaciones de Colombia(horas
de sol al dia).
IDEAM. (2016). ADQUISICIÓN, INSTALACIÓN Y PUESTA EN FUNCIONAMIENTO DE SIETE
(7) ESTACIÓN HIDROMETEOROLÓGICAS AUTOMÁTICA EN LA JURISDICCIÓN DEL AO
– 06 CON SEDE EN DUITAMA – ÁREA DE INFLUENCIA LAGO DE TOTA, DE ACUERDO
CON LOS REQUERIMIENTOS TÉCNICOS ESTABLECIDOS POR EL I. 38.
http://www.ideam.gov.co/documents/24277/889227/Anexo+Técnico+01/20a0adb6-9091-
49b6-bada-1a4b962db907?version=1.0
IDEAM. (2018). Metodología De La Operación Estadística Variables Meteorológicas. In Instituto de
Hidrología Meteorología y Estudios Ambientales (p. 112).
http://www.ideam.gov.co/documents/11769/72085840/Documento+metodologico+variables+
50
meteorologicas.pdf/8a71a9b4-7dd7-4af4-b98e-9b1eda3b8744
Krähenmann, S., & Ahrens, B. (2010). On daily interpolation of precipitation backed with secondary
information. Advances in Science and Research, 4(1), 29–35. https://doi.org/10.5194/asr-4-29-
2010
Ly, S., Charles, C., & Degré, A. (2013). Different methods for spatial interpolation of rainfall data
for operational hydrology and hydrological modeling at watershed scale. A review. Base, 17,
392–406. https://popups.uliege.be/1780-
4507/index.php?id=16912&file=1&pid=10003%0Ahttp://popups.ulg.ac.be/1780-
4507/index.php?id=10003
Mosquera, E., Aztaiza, M., Ordoñez, J. J., Gaitan, J. C., Papamija, P., Mosquera Castillo, A. L.,
Amaya Valdivieso, M. T., & Funcionarios del PNN Puracé. (2004). PLAN DE MANEJO
PARQUE NACIONAL NATURAL PURACÉ.
Nguyen, P., Shearer, E. J., Tran, H., Ombadi, M., Hayatbini, N., Palacios, T., Huynh, P., Braithwaite,
D., Updegraff, G., Hsu, K., Kuligowski, B., Logan, W. S., & Sorooshian, S. (2019). The CHRS
data portal, an easily accessible public repository for PERSIANN global satellite precipitation
data. Scientific Data, 6, 1–10. https://doi.org/10.1038/sdata.2018.296
Nguyen, P., Thorstensen, A., Sorooshian, S., Hsu, K., & Aghakouchak, A. (2015). Flood forecasting
and inundation mapping using HiResFlood-UCI and near-real-time satellite precipitation data:
The 2008 Iowa flood. Journal of Hydrometeorology, 16(3), 1171–1183.
https://doi.org/10.1175/JHM-D-14-0212.1
Sluiter, R. (2009). Interpolation methods for climate data literature review. KNMI Intern Rapport, 24.
UNESCO, COMISIÓN EUROPEA, SICA, CEPREDENAC, & MINISTERIO DE EDUCACIÓN
DE PANAMA. (2011). MANUAL SISTEMAS DE ALERTA TEMPRANA 10 Preguntas - 10
Respuestas. http://www.unesco.org/fileadmin/MULTIMEDIA/FIELD/San-Jose/pdf/Panama
MANUAL INFORMATIVO.pdf
UNIVERSIDAD NACIONAL DE COLOMBIA, UNESCO-IHE, & GIREH. (2021). Caja de
Herramientas de Hidrología para POMCAS.
https://sites.google.com/site/hydrotoolbox/herramientas/borrador-herramientas/hec-hms
UNSCH. (2021). PROGRAMA PARA EVALUAR EVAPOTRANSPIRACIÓN ES DESARROLLADO
POR INGENIERO AGRÍCOLA DOCENTE DE LA UNSCH.
51
https://www.unsch.edu.pe/index.php/2020/05/09/programa-para-evaluar-evapotranspiracion-
es-desarrollado-por-ingeniero-agricola-docente-de-la-unsch/
US Army Corps of Engineers. (2021). HEC HMS. https://www.hec.usace.army.mil/software/hec-
hms/
USACE. (2021). HEC-HMS Users Manual.
https://www.hec.usace.army.mil/confluence/hmsdocs/hmsum/4.6/shared-component-
data/time-series-data
USAID, & Climate Hazards Center UC SANTA BARBARA. (2021). CHIRPS: Rainfall Estimates
from Rain Gauge and Satellite Observations. https://www.chc.ucsb.edu/data/chirps
WMO (World Meteorological Organization). (2017). Guía de Instrumentos y Métodos de
Observación Meteorológicos. OMM No. 8.
Xiao, N. (2016). GIS Algorithms: Theory and Applications for Geographic Information Science &
Technology. In GIS Algorithms: Theory and Applications for Geographic Information Science
& Technology (pp. 139–176). https://doi.org/10.4135/9781473921498
52
Anexos
53
ANEXO 1. GRADO DE COMPLETITUD DE LAS ESTACIONES
ESCOGIDAS EN EL PERIODO DE CALIBRACIÓN Y VALIDACIÓN.
Anexo 1. 1. Grado de completitud para las 172 estaciones escogidas en el periodo de calibración
Estación 2006 2007 2008 2009 2010
Estación 2006 2007 2008 2009 2010
21030080 100.0 100.0 100.0 100.0 98.6 25020770 0.0 83.8 100.0 100.0 100.0
21115020 100.0 100.0 100.0 100.0 100.0 46015030 85.5 90.1 69.1 83.6 87.7
21105030 100.0 100.0 100.0 99.7 100.0 46015020 100.0 88.5 94.8 71.8 95.3
21025030 100.0 100.0 91.0 100.0 100.0 44045020 89.3 88.8 100.0 100.0 100.0
21010190 100.0 91.5 74.9 100.0 83.3 26035030 93.4 94.2 99.5 92.9 99.7
21040020 100.0 67.1 100.0 100.0 100.0 26040290 100.0 100.0 100.0 99.7 100.0
21100140 100.0 100.0 100.0 97.0 83.8 21050250 100.0 100.0 100.0 100.0 100.0
21050060 100.0 100.0 100.0 100.0 100.0 26020200 100.0 100.0 100.0 100.0 100.0
21010130 100.0 100.0 100.0 100.0 100.0 21050070 91.5 75.3 66.7 0.0 16.7
21010230 91.8 100.0 100.0 100.0 100.0 52025010 98.1 99.2 100.0 100.0 100.0
21045010 99.5 100.0 100.0 100.0 100.0 26020100 99.7 53.2 100.0 99.7 100.0
21010140 83.3 100.0 100.0 100.0 100.0 26060200 100.0 99.7 100.0 100.0 100.0
21130060 91.8 100.0 100.0 100.0 100.0 26020120 100.0 100.0 100.0 99.7 100.0
21060100 100.0 100.0 100.0 100.0 100.0 26020160 100.0 100.0 100.0 100.0 100.0
21090020 100.0 100.0 100.0 83.3 99.7 44010150 100.0 98.6 99.5 99.7 100.0
21055020 100.0 100.0 97.0 100.0 100.0 26010020 100.0 100.0 100.0 100.0 99.7
21010170 100.0 99.7 100.0 100.0 100.0 26040250 100.0 98.9 100.0 100.0 100.0
21060080 100.0 99.7 100.0 100.0 100.0 44010140 100.0 99.5 99.7 100.0 99.7
21060070 100.0 100.0 100.0 100.0 100.0 26030070 100.0 100.0 100.0 100.0 99.7
21030050 100.0 100.0 100.0 100.0 100.0 21050310 100.0 92.3 91.5 100.0 100.0
21110440 100.0 100.0 100.0 91.5 100.0 52010190 100.0 98.9 99.7 99.5 100.0
21050140 100.0 100.0 100.0 100.0 100.0 26025070 74.2 83.3 91.8 92.3 99.7
21080100 100.0 99.7 100.0 100.0 98.1 26030060 100.0 100.0 100.0 100.0 100.0
21060090 100.0 100.0 100.0 91.5 100.0 52020010 100.0 100.0 100.0 100.0 100.0
21010250 100.0 100.0 100.0 100.0 100.0 52020190 100.0 100.0 99.5 100.0 98.4
21010110 100.0 100.0 100.0 100.0 100.0 26045010 100.0 92.1 100.0 32.9 37.5
21030090 100.0 100.0 100.0 100.0 100.0 26065010 92.3 0.0 97.3 24.7 83.0
21135050 98.6 99.5 99.5 99.2 100.0 21050110 100.0 100.0 100.0 100.0 83.3
21095010 82.5 99.7 99.7 98.9 100.0 26020470 100.0 100.0 100.0 100.0 100.0
21010040 100.0 100.0 91.5 100.0 100.0 52025090 98.1 98.6 97.0 98.4 98.6
21035040 98.9 100.0 100.0 99.7 98.9 26025110 100.0 99.7 100.0 100.0 99.7
21010060 99.7 100.0 100.0 92.3 100.0 52025020 100.0 100.0 100.0 100.0 99.5
21050190 100.0 100.0 100.0 91.2 100.0 26065020 83.3 71.0 99.2 100.0 100.0
21080080 100.0 100.0 100.0 100.0 100.0 26020250 98.6 99.7 99.7 99.7 99.2
21010210 100.0 100.0 100.0 100.0 100.0 26020220 100.0 97.8 90.2 93.2 100.0
21010220 100.0 96.4 100.0 100.0 100.0 26020390 99.5 99.5 100.0 100.0 100.0
21050090 100.0 100.0 100.0 100.0 100.0 52015010 100.0 100.0 100.0 100.0 100.0
21100080 98.1 100.0 99.2 100.0 100.0 52010050 100.0 100.0 100.0 100.0 100.0
54
21040030 100.0 100.0 100.0 100.0 100.0 26020030 100.0 100.0 99.7 95.9 99.7
21130080 100.0 100.0 100.0 100.0 100.0 26040340 100.0 100.0 100.0 99.7 99.2
21050150 100.0 100.0 100.0 100.0 100.0 26020460 99.7 100.0 100.0 100.0 100.0
21010100 100.0 100.0 100.0 91.5 100.0 26017060 0.0 6.8 100.0 98.6 99.7
21090040 100.0 100.0 100.0 100.0 100.0 26010030 100.0 100.0 100.0 100.0 100.0
21120010 58.6 65.2 100.0 100.0 100.0 52020180 99.7 100.0 99.7 100.0 100.0
21015030 100.0 100.0 98.9 100.0 100.0 52010100 100.0 82.7 99.7 97.8 100.0
21060040 100.0 100.0 100.0 100.0 100.0 26030090 83.8 100.0 99.7 100.0 100.0
21105040 100.0 100.0 97.8 91.2 83.0 26040310 100.0 100.0 100.0 100.0 100.0
21120040 100.0 100.0 100.0 100.0 99.7 52020050 99.7 100.0 100.0 99.5 100.0
21130110 100.0 100.0 100.0 100.0 100.0 26020230 100.0 100.0 100.0 100.0 100.0
21040040 99.7 100.0 100.0 100.0 100.0 52010040 100.0 100.0 100.0 99.7 99.7
21020050 98.4 100.0 100.0 98.1 98.4 52010110 99.7 99.7 99.5 98.9 100.0
21060110 99.7 100.0 100.0 100.0 100.0 52010150 99.7 99.7 100.0 99.7 99.2
21105050 100.0 100.0 100.0 100.0 99.7 21050230 83.0 100.0 100.0 100.0 99.7
21030060 100.0 100.0 100.0 100.0 100.0 21050320 100.0 100.0 100.0 100.0 99.7
21030110 100.0 100.0 100.0 100.0 100.0 21050220 58.1 100.0 83.6 100.0 100.0
21010050 91.5 100.0 100.0 100.0 100.0 21055030 100.0 99.7 83.3 98.9 91.0
21080110 91.5 100.0 100.0 100.0 100.0 44010100 100.0 100.0 100.0 100.0 100.0
21130040 91.8 100.0 74.0 89.6 93.7 21050240 100.0 100.0 74.9 99.5 100.0
21085030 74.8 100.0 100.0 100.0 100.0 52020070 100.0 99.7 100.0 100.0 100.0
21050160 100.0 100.0 91.8 100.0 100.0 26020180 99.7 99.7 100.0 96.4 100.0
21100070 100.0 100.0 99.5 100.0 100.0 26020020 92.3 99.5 93.4 99.2 100.0
21090110 91.8 100.0 100.0 100.0 100.0 26050060 99.2 99.7 100.0 100.0 99.7
21125010 100.0 100.0 100.0 100.0 100.0 26030050 100.0 100.0 99.7 100.0 100.0
21080070 100.0 100.0 100.0 100.0 100.0 26020320 91.8 100.0 100.0 100.0 100.0
21015020 97.3 99.5 100.0 97.3 100.0 26040190 100.0 100.0 100.0 100.0 91.8
21010200 100.0 91.5 100.0 100.0 99.5 26040200 100.0 100.0 100.0 100.0 100.0
21010180 100.0 100.0 100.0 100.0 100.0 26040260 100.0 100.0 100.0 100.0 100.0
21040050 100.0 100.0 100.0 100.0 100.0 26020130 100.0 100.0 100.0 100.0 99.5
21085040 99.7 100.0 99.7 100.0 100.0 26025100 99.7 100.0 100.0 100.0 100.0
21050290 97.8 100.0 100.0 100.0 100.0 44015030 91.5 100.0 99.5 100.0 100.0
21120090 100.0 100.0 100.0 91.5 99.7 52020020 99.7 100.0 88.8 75.3 100.0
21040060 100.0 91.5 99.7 100.0 100.0 26025090 99.7 100.0 100.0 100.0 95.6
21010160 100.0 100.0 100.0 91.5 83.3 26060030 100.0 100.0 100.0 100.0 100.0
21020040 100.0 100.0 100.0 100.0 100.0 44010130 100.0 95.9 100.0 99.2 92.6
21120100 83.0 91.5 100.0 100.0 99.2 22020040 97.8 100.0 100.0 100.0 91.5
21080030 100.0 99.7 100.0 100.0 100.0 22020070 99.7 100.0 100.0 100.0 99.7
21050170 100.0 100.0 100.0 100.0 100.0 22010070 58.4 8.5 16.7 0.0 91.5
21065040 100.0 100.0 99.5 100.0 100.0 22020030 100.0 99.7 100.0 83.0 100.0
44035020 100.0 100.0 100.0 100.0 100.0 22010010 100.0 100.0 100.0 91.5 100.0
44040020 100.0 100.0 100.0 100.0 100.0 22055020 99.7 100.0 100.0 99.7 99.7
44030060 100.0 100.0 83.3 100.0 100.0 22050080 100.0 91.8 100.0 100.0 99.7
44035030 74.2 98.4 82.8 100.0 100.0 22020020 74.8 100.0 100.0 100.0 100.0
55
46035010 99.2 100.0 99.7 100.0 99.7 22015020 100.0 100.0 94.8 100.0 100.0
44030080 100.0 100.0 100.0 100.0 91.5 22020060 91.5 99.7 49.5 33.7 100.0
44045030 99.5 100.0 100.0 100.0 100.0 22050070 100.0 100.0 100.0 100.0 100.0
44045010 91.2 91.5 100.0 99.7 100.0 22020050 100.0 100.0 100.0 91.8 99.7
Anexo 1. 2. Grado de completitud para las 172 estaciones escogidas en el periodo de validación.
Estación 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
21030080 100.0 91.8 99.7 98.4 99.7 100.0 100.0 91.2 99.7 100.0
21115020 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0
21105030 99.5 33.1 0.0 47.4 47.4 0.0 0.0 29.9 44.4 0.0
21025030 99.7 83.3 99.7 100.0 100.0 99.2 100.0 99.2 100.0 100.0
21010190 100.0 58.5 99.7 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21040020 100.0 99.7 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0
21100140 100.0 99.7 100.0 100.0 99.2 100.0 100.0 100.0 82.2 100.0
21050060 99.7 99.7 98.9 100.0 99.7 99.2 98.9 97.5 88.8 100.0
21010130 100.0 97.8 98.6 100.0 98.6 99.7 100.0 99.7 99.5 100.0
21010230 99.7 98.9 98.1 99.7 100.0 99.2 97.5 99.7 100.0 100.0
21045010 63.3 100.0 100.0 79.2 100.0 71.9 39.5 77.5 8.5 0.0
21010140 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21130060 100.0 100.0 99.7 100.0 100.0 100.0 100.0 100.0 98.9 96.8
21060100 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 100.0
21090020 100.0 100.0 100.0 100.0 100.0 100.0 100.0 91.2 100.0 100.0
21055020 100.0 98.1 99.5 91.5 100.0 100.0 100.0 98.1 87.9 100.0
21010170 100.0 100.0 99.5 100.0 99.2 99.7 91.8 87.1 73.4 0.0
21060080 100.0 99.2 100.0 99.7 100.0 99.5 100.0 100.0 100.0 100.0
21060070 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21030050 100.0 99.5 97.5 94.5 98.1 88.0 83.6 78.6 83.3 0.0
21110440 100.0 99.7 100.0 99.7 100.0 100.0 100.0 100.0 98.1 100.0
21050140 100.0 99.7 99.2 99.7 91.2 99.7 100.0 100.0 100.0 100.0
21080100 100.0 100.0 100.0 100.0 91.5 99.7 32.6 72.3 95.9 100.0
21060090 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.2 99.5 100.0
21010250 91.5 90.7 90.4 100.0 100.0 100.0 99.7 99.7 88.2 100.0
21010110 100.0 100.0 98.9 99.5 100.0 100.0 99.2 99.7 99.7 100.0
21030090 100.0 99.5 100.0 99.5 100.0 100.0 100.0 100.0 100.0 100.0
21135050 91.5 99.7 99.7 99.7 98.6 98.4 99.5 96.7 79.7 0.0
21095010 99.7 98.9 98.6 98.4 99.2 100.0 98.1 98.4 95.6 0.0
21010040 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21035040 97.3 100.0 96.2 94.2 96.7 97.3 92.9 95.9 93.4 100.0
21010060 99.7 100.0 100.0 99.5 100.0 99.5 100.0 100.0 66.6 0.0
21050190 100.0 98.1 97.8 99.5 100.0 99.5 99.2 96.7 61.4 100.0
21080080 99.7 100.0 100.0 99.7 98.4 100.0 100.0 100.0 99.5 100.0
21010210 99.5 74.9 49.3 75.6 99.7 100.0 100.0 99.2 98.9 96.8
56
21010220 100.0 100.0 83.3 100.0 100.0 91.3 91.5 91.8 82.7 100.0
21050090 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21100080 99.7 99.7 99.7 98.6 99.7 99.7 99.2 91.2 100.0 100.0
21040030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21130080 100.0 91.3 99.5 100.0 98.9 100.0 100.0 83.3 38.1 0.0
21050150 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21010100 100.0 72.4 98.9 98.9 98.9 98.4 99.5 100.0 91.8 96.8
21090040 99.7 99.2 98.4 100.0 97.5 98.6 99.5 97.8 98.9 100.0
21120010 100.0 50.0 100.0 96.2 74.8 100.0 99.2 100.0 58.1 0.0
21015030 100.0 99.2 91.5 100.0 100.0 100.0 97.5 99.7 100.0 100.0
21060040 100.0 100.0 100.0 100.0 100.0 100.0 91.5 100.0 100.0 100.0
21105040 75.1 88.0 62.7 99.7 83.0 16.4 45.2 83.0 15.9 0.0
21120040 99.7 98.9 100.0 98.4 100.0 98.6 90.7 98.6 97.8 100.0
21130110 100.0 100.0 100.0 100.0 100.0 99.7 100.0 90.7 99.5 100.0
21040040 100.0 100.0 38.9 41.9 55.6 99.7 100.0 41.4 0.0 0.0
21020050 100.0 99.5 100.0 100.0 100.0 100.0 99.5 99.2 99.7 100.0
21060110 90.1 96.2 81.9 66.3 99.7 100.0 100.0 99.7 100.0 100.0
21105050 100.0 99.7 55.3 0.0 0.0 8.2 87.1 72.9 97.5 93.5
21030060 100.0 100.0 99.5 100.0 92.3 100.0 87.9 89.6 91.8 100.0
21030110 100.0 100.0 100.0 99.7 99.7 99.7 99.2 99.7 99.5 100.0
21010050 100.0 82.8 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21080110 100.0 100.0 100.0 58.6 74.8 100.0 100.0 100.0 100.0 100.0
21130040 91.0 95.6 95.3 92.9 98.9 95.6 92.1 87.1 87.1 93.5
21085030 100.0 100.0 100.0 99.7 100.0 82.5 47.7 98.4 99.5 100.0
21050160 100.0 100.0 91.0 92.3 99.7 100.0 100.0 98.6 91.5 100.0
21100070 91.8 99.2 83.3 100.0 99.5 96.4 99.5 100.0 100.0 0.0
21090110 100.0 99.5 99.7 100.0 83.3 24.9 91.2 99.7 99.5 100.0
21125010 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21080070 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21015020 100.0 98.4 97.8 100.0 100.0 100.0 100.0 100.0 100.0 0.0
21010200 99.2 97.8 99.7 99.7 100.0 100.0 98.4 91.8 91.5 100.0
21010180 100.0 99.5 100.0 100.0 100.0 100.0 98.9 100.0 99.7 100.0
21040050 100.0 100.0 100.0 99.7 83.3 91.8 98.6 98.9 99.5 100.0
21085040 90.1 90.2 83.0 96.7 99.5 96.4 85.8 83.8 22.2 0.0
21050290 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 99.7 100.0
21120090 100.0 100.0 100.0 100.0 100.0 100.0 98.9 99.2 98.6 100.0
21040060 86.3 98.9 58.9 91.5 100.0 100.0 98.9 99.7 99.5 100.0
21010160 66.6 89.1 97.5 100.0 98.4 100.0 100.0 99.2 98.9 100.0
21020040 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 100.0 100.0
21120100 100.0 100.0 99.7 99.2 100.0 98.9 100.0 97.5 100.0 100.0
21080030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21050170 99.7 100.0 99.5 99.7 99.5 100.0 100.0 99.5 100.0 100.0
21065040 92.3 99.5 99.7 100.0 100.0 100.0 100.0 100.0 92.6 100.0
44035020 100.0 100.0 100.0 100.0 97.3 0.0 0.0 0.0 0.0 0.0
57
44040020 100.0 99.2 99.5 100.0 100.0 0.0 0.0 0.0 0.0 0.0
44030060 100.0 41.5 0.0 33.4 100.0 99.5 0.0 0.0 0.0 0.0
44035030 100.0 100.0 100.0 99.2 99.5 82.2 0.0 0.0 0.0 0.0
46035010 100.0 100.0 100.0 100.0 100.0 90.4 0.0 0.0 0.0 0.0
44030080 91.5 100.0 99.5 100.0 100.0 66.7 0.0 0.0 0.0 0.0
44045030 99.7 91.5 98.9 99.5 87.7 89.1 0.0 0.0 0.0 0.0
44045010 100.0 100.0 89.9 100.0 100.0 99.5 0.0 0.0 0.0 0.0
25020770 100.0 100.0 100.0 91.5 100.0 75.1 0.0 0.0 0.0 0.0
46015030 55.6 7.7 7.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0
46015020 98.1 99.5 95.1 97.3 95.6 94.3 0.0 0.0 0.0 0.0
44045020 100.0 100.0 100.0 100.0 99.2 98.9 0.0 0.0 0.0 0.0
26035030 74.8 100.0 100.0 100.0 92.6 87.7 93.4 81.1 92.1 96.8
26040290 100.0 100.0 100.0 100.0 100.0 100.0 99.5 100.0 100.0 100.0
21050250 100.0 99.5 99.5 99.5 100.0 100.0 99.7 100.0 99.7 100.0
26020200 100.0 100.0 100.0 99.7 100.0 100.0 100.0 100.0 100.0 100.0
21050070 99.7 97.5 99.5 99.2 100.0 99.7 91.2 98.4 83.0 100.0
52025010 99.7 91.8 100.0 99.7 100.0 100.0 100.0 99.7 100.0 100.0
26020100 100.0 100.0 59.7 99.7 100.0 100.0 99.7 100.0 100.0 100.0
26060200 100.0 100.0 75.1 100.0 100.0 99.7 100.0 98.9 100.0 100.0
26020120 100.0 100.0 100.0 99.7 100.0 100.0 100.0 0.0 58.6 100.0
26020160 100.0 100.0 99.7 100.0 100.0 99.7 100.0 100.0 100.0 100.0
44010150 99.7 66.4 100.0 32.9 0.0 0.0 0.0 0.0 0.0 0.0
26010020 100.0 100.0 99.7 100.0 99.2 100.0 100.0 100.0 100.0 100.0
26040250 100.0 100.0 100.0 100.0 100.0 0.0 0.0 0.0 0.0 0.0
44010140 100.0 91.5 100.0 100.0 100.0 91.5 98.9 100.0 91.2 100.0
26030070 100.0 100.0 100.0 100.0 99.7 100.0 99.7 100.0 100.0 96.8
21050310 100.0 100.0 100.0 99.7 100.0 100.0 100.0 99.2 58.1 0.0
52010190 97.8 91.5 100.0 100.0 99.5 82.5 89.0 99.2 92.1 100.0
26025070 99.7 100.0 100.0 98.9 97.5 99.7 100.0 100.0 90.1 100.0
26030060 91.8 98.4 100.0 100.0 100.0 100.0 96.2 99.2 99.5 100.0
52020010 100.0 91.5 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
52020190 99.7 100.0 99.5 91.5 98.4 100.0 99.5 100.0 83.3 61.3
26045010 100.0 100.0 100.0 99.7 91.8 99.5 100.0 100.0 100.0 96.8
26065010 100.0 100.0 75.1 98.1 91.8 100.0 100.0 100.0 100.0 100.0
21050110 99.7 98.9 79.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0
26020470 100.0 100.0 100.0 100.0 100.0 99.7 99.7 100.0 100.0 100.0
52025090 98.6 65.0 91.0 82.2 97.8 58.5 93.7 100.0 91.2 100.0
26025110 100.0 100.0 100.0 100.0 100.0 98.4 100.0 100.0 100.0 100.0
52025020 100.0 66.9 100.0 100.0 100.0 99.7 100.0 100.0 100.0 100.0
26065020 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
26020250 100.0 100.0 98.9 100.0 100.0 100.0 100.0 100.0 98.9 100.0
26020220 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 100.0 100.0
26020390 100.0 100.0 100.0 99.7 98.1 100.0 98.6 100.0 99.7 100.0
52015010 100.0 91.8 100.0 100.0 100.0 100.0 100.0 99.7 98.4 96.8
58
52010050 100.0 100.0 100.0 100.0 99.7 50.0 100.0 100.0 100.0 100.0
26020030 99.5 100.0 100.0 100.0 99.7 100.0 97.8 100.0 100.0 100.0
26040340 49.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
26020460 99.7 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0
26017060 100.0 100.0 100.0 91.0 99.5 99.7 99.7 99.7 32.9 0.0
26010030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
52020180 100.0 83.3 99.7 100.0 82.7 41.5 98.9 100.0 90.1 100.0
52010100 100.0 100.0 99.7 100.0 99.5 100.0 100.0 100.0 99.7 100.0
26030090 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 99.7 100.0
26040310 100.0 100.0 100.0 83.3 100.0 99.5 100.0 100.0 100.0 100.0
52020050 100.0 83.1 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0
26020230 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0
52010040 91.5 82.8 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
52010110 99.7 83.1 98.9 98.1 89.6 99.5 99.7 99.7 99.5 100.0
52010150 99.5 98.6 98.4 99.5 83.0 66.7 0.0 0.0 0.0 0.0
21050230 97.8 91.0 83.3 58.1 100.0 100.0 33.2 91.2 41.4 0.0
21050320 100.0 100.0 100.0 100.0 99.7 100.0 95.9 98.4 100.0 100.0
21050220 100.0 91.8 91.8 91.8 98.6 100.0 100.0 100.0 49.6 0.0
21055030 99.7 99.7 99.5 99.2 99.5 97.8 90.4 99.7 99.7 100.0
44010100 100.0 83.1 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
21050240 100.0 57.1 83.6 100.0 100.0 100.0 100.0 100.0 100.0 100.0
52020070 99.7 91.5 99.2 99.2 99.7 99.5 79.7 98.9 100.0 100.0
26020180 100.0 100.0 100.0 98.6 100.0 98.9 96.4 97.5 83.3 100.0
26020020 100.0 100.0 100.0 100.0 99.2 100.0 99.2 99.7 99.7 100.0
26050060 100.0 100.0 100.0 99.5 100.0 99.7 99.7 100.0 100.0 100.0
26030050 100.0 100.0 95.3 100.0 41.4 0.0 23.0 99.7 100.0 90.3
26020320 100.0 100.0 100.0 100.0 99.7 100.0 100.0 74.8 100.0 100.0
26040190 24.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
26040200 24.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
26040260 99.7 100.0 100.0 100.0 100.0 99.5 100.0 100.0 99.5 100.0
26020130 100.0 99.7 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
26025100 74.8 100.0 99.7 100.0 99.7 91.0 100.0 99.7 97.3 96.8
44015030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 93.7 98.9 100.0
52020020 100.0 91.5 16.7 99.2 99.7 99.5 100.0 99.7 99.7 100.0
26025090 99.7 100.0 100.0 100.0 99.7 99.7 100.0 100.0 100.0 100.0
26060030 100.0 100.0 100.0 100.0 79.5 99.7 100.0 100.0 100.0 100.0
44010130 99.7 83.3 100.0 98.9 99.2 100.0 99.5 100.0 99.7 100.0
22020040 100.0 100.0 99.5 100.0 91.5 99.7 91.5 91.8 83.8 100.0
22020070 100.0 99.7 75.1 45.8 82.7 99.7 74.8 92.3 100.0 100.0
22010070 99.7 100.0 91.8 99.7 90.7 99.5 75.1 100.0 100.0 100.0
22020030 91.5 100.0 100.0 99.7 91.2 99.7 81.4 41.4 59.2 96.8
22010010 91.8 100.0 99.5 100.0 74.5 99.7 100.0 100.0 99.5 100.0
22055020 91.5 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
22050080 100.0 100.0 83.0 74.8 74.2 76.2 48.8 66.6 0.0 0.0
59
22020020 99.7 100.0 99.5 100.0 91.5 99.7 91.5 100.0 100.0 100.0
22015020 100.0 100.0 100.0 99.7 91.5 99.5 97.8 91.8 99.7 100.0
22020060 100.0 49.7 58.6 83.0 75.3 83.1 66.6 100.0 66.6 0.0
22050070 100.0 99.7 99.5 100.0 91.5 99.7 83.3 91.5 83.8 100.0
22020050 100.0 100.0 100.0 99.7 91.5 99.7 100.0 89.6 100.0 96.8
ANEXO 2. CÓDIGO, UBICACIÓN Y PERIODO DE REGISTRO DE
ESTACIONES USADAS PARA ESTIMACIÓN DE
EVAPOTRANSPIRACIÓN CON PETP V2.0.0
Anexo 2. 1. Estaciones usadas para obtener los datos de brillo solar y el periodo de registro de cada una de ellas
Estación Periodo de registro
[años] Departamento
21035020 28 Huila
21025020 16 Huila
21025030 16 Huila
21055020 34 Huila
21015020 33 Huila
21015030 34 Huila
21065040 34 Huila
Anexo 2. 2. Estaciones usadas para obtener los datos de temperatura media y el periodo de registro de cada una de ellas
Estación Periodo de registro
[años] Departamento
21055020 37 Huila
21025030 25 Huila
21045010 34 Huila
21025030 11 Huila
21035040 34 Huila
21015030 37 Huila
21035020 24 Huila
21015020 37 Huila
21065040 37 Huila
21055030 32 Cauca
Anexo 2. 3. Estaciones usadas para obtener los datos de humedad relativa mínima y el periodo de registro de cada una de
ellas
Estación Periodo de registro
[años] Departamento
21035020 21 Huila
21025020 25 Huila
60
21055020 37 Huila
21025030 11 Huila
21045010 34 Huila
21015030 36 Huila
21035040 34 Huila
21015020 37 Huila
21065040 37 Huila
21055030 37 Cauca
21055040 11 Cauca
Anexo 2. 4. Estaciones usadas para obtener los datos de temperatura mínima y máxima y el periodo de registro de cada
una de ellas
Estación Periodo de registro
[años] Departamento
21035020 21 Huila
21025020 25 Huila
21055020 37 Huila
21025030 11 Huila
21045010 33 Huila
21015030 37 Huila
21035040 34 Huila
21015020 37 Huila
21065040 37 Huila
21055030 37 Cauca
Anexo 2. 5. Estaciones usadas para obtener los datos de humedad relativa media y el periodo de registro de cada una de
ellas.
Estación Periodo de registro
[años] Departamento
21015060 15 Huila
21015040 15 Huila
21015050 14 Huila
21055070 14 Cauca
26015030 12 Cauca
ANEXO 3. PROCEDIMIENTO PARA GENERAR LOS COMPONENTES
DEL MODELO EN HEC HMS POR MEDIO DE HECGeo-HMS
1. En Terrain Procesing
1.1 Dem Manipulation
1.1.1 Fill sinks
1.2 Flow Direction
61
1.3 Flow Accumulation
1.4 Stream Definition → guardar valor del área
2. En Stream Segmentation
2.1 Catchment Grid Delineation
2.2 Catchment Polygon Processing
2.3 Drainage Line Processing
2.4 Adjoint Catchment Processing
2.5 Ubicar el punto en donde se quiere generar la cuenca
3. En Watershed Processing
3.1 Batch Watershed Delineation
3.2 Flow Path Tracing
4. En Terrain Processing
4.1 Slope
5. En Project Setup
5.1 Data Managment
5.2 Start New Project → Guardar en un lugar conocido
5.3 Add Project Point
5.4 Generate Project
6. En Basin Processing
6.1 Basin Merge → Se realizó el mismo procedimiento hasta quedar 10 subcuencas
7. En Characteristic
7.1 River Length
7.2 River slope
7.3 Basin slope
7.4 Longest Flow Path
7.5 Basin Centroid
7.6 Centroid Elevation
7.7 Centroidal Longest Flowpath
8. En Parameters
8.1 Select HMS Processes
8.2 River Auto Name
8.3 Basin Auto Name
8.4 Sub Basin Parameters from Raster
9. HMS
62
9.1 Map to HMS Units
9.2 Check Data
9.3 HMS Schematic
9.4 Add Coordinates
9.5 Prepare Data for Model Export
9.6 Background Shapefile
9.7 Basin Model File
9.8 Met Model File
9.9 Create HEC HMS Project
10. Abrir el proyecto en HEC HMS
63
ANEXO 4. PARÁMETROS CALIBRADOS PARA CADA UNA DE LAS
SUBCUENCAS DE LOS MODELOS EVALUADOS EN HEC HMS
Anexo 4. 1. Parámetros calibrados del modelo 1.
Parámetro
Modelo 1: Precipitación CHIRPS
Subcuenca
W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800
Canopy
Initial Storage (%) 0,35073 0,0010097 0,25676 0,28678 0,3875 0,47282 0,336 0,57943 0,52197 0,36698
Max Storage
(MM) 158,89 40,78 11,316 0,0099669 0,26765 0,0139412 1,0501 0,22779 0,10212 0,80038
Crop Coefficient 0,8 0,8 0,9 1 1 1 1 0,0139936 1 1
Evapotranspiration Wet and Dry Periods
Uptake Method Tension Reduction
Surface
Initial Storage (%) 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001
Max Storage
(MM) 13,711 0,0097544 0,0142869 0,97181 0,0652819 0,0873088 1,571 1,4217 0,75793 0,94175
Loss
Initial Deficit
(MM) 1,5612 5,8779 4,4892 0,001 0,001 0,001 0,66666 0,33433 0,001 0,33333
Maximum Deficit
(MM) 15,497 13,466 5,0939 0,0022252 0,0026295 0,0295325 0,96753 0,78769 0,73531 8,5294
Constant Rate
(MM/HR) 0,65929 0,0292308 0,34123 0,19903 0,10655 0,10381 0,0474449 0,0550528 0,0414622 0,91184
Impervious (%) 0 0 0 0 0 0 0 0 0 0
Transform
Graph Type Standard (PRF 484)
Lag Time (MIN) 720,57 264,83 73,087 94,888 90,707 253,08 409,83 1872,1 640,88 223,81
Baseflow
Initial Type Discharge
Initial Discharge
(M3/S) 150,85 33,283 143,2 49,455 3,0782 2,1055 0,51926 0,96627 0,51905 1,4382
Recession
Constant 0,5 0,94973 0,99921 0,99772 0,96318 0,92578 0,86224 0,47717 0,5522 0,57553
Threshold Type Ratio To Peak
Ratio 0,5 0,24713 0,14042 0,1931 0,0237243 0,22485 0,28839 0,40111 0,26141 0,23949
64
Anexo 4. 2. Parámetros calibrados del modelo 2.
Parámetro
Modelo 2: Precipitación PERSIANN-CCS
Subcuenca
W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800
Canopy
Initial Storage (%) 33,296 100 100 99,984 98,196 96,627 87,493 54,611 35,889 36,607
Max Storage (MM) 53,818 0,001 0,0010112 0,82222 0,0011828 0,0041242 0,91577 0,40138 1,0377 1,0936
Crop Coefficient 0,7 0,09 0,6 0,04 1 1 0,8 0,8 1 1
Evapotranspiration Wet and Dry Periods
Uptake Method Tension Reduction
Surface
Initial Storage (%) 37,015 78,234 66,849 69,281 68,55 72,209 100 100 54,667 21,969
Max Storage (MM) 19,323 211,56 0,39962 318,11 0,16262 0,0155002 2,4759 4,9374 1,0459 1,0858
Loss
Initial Deficit (MM) 1,5612 5,8779 4,4892 0,001 0,001 0,001 0,66666 0,33433 0,001 0,33333
Maximum Deficit
(MM) 15,497 13,466 5,0939 0,0022252 0,0026295 0,0295325 0,96753 0,78769 0,73531 8,5294
Constant Rate
(MM/HR) 1,5 0,0011 114,59 0,0015 114,59 0,019 115,21 0,012265 115,21 2
Impervious (%) 0 0 0 0 0 0 0 0 0 0
Transform
Graph Type Standard (PRF 484)
Lag Time (MIN) 718,35 280,85 52,92 65,641 55,222 122,38 132,44 1042,3 220,73 107,97
Baseflow
Initial Type Discharge
Initial Discharge
(M3/S) 98,305 125,81 314,72 0,0149952 0,0144486 0,0129202 0,0132634 0,0118801 0,0118916 0,0119594
Recession Constant 0,93018 0,87436 0,99921 0,99772 0,81376 0,0244558 0,93222 0,0286081 0,0291783 0,0294779
Threshold Type Ratio To Peak
Ratio 0,9385 0,2085 0,14042 0,21817 0,0237243 0,22485 0,28839 0,40111 0,26141 0,23949
65
Anexo 4. 3. Parámetros calibrados del modelo 3.
Parámetro
Modelo 3: Precipitación CHIRPS modificado
Subcuenca
W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800
Canopy
Initial Storage (%) 0,2511 0,58407 1,4078 2,8712 2,4148 30,692 0,21079 1,1093 0,2611 0,31354
Max Storage (MM) 3,1107 80,333 1,7471 3,3062 2,6667 3,8082 61,063 6,6667 1,3333 0,33333
Crop Coefficient 0,8 0,87 0,7 0,8 0,8 0,8 0,9 0,95 0,9 1
Evapotranspiration Wet and Dry Periods
Uptake Method Tension Reduction
Surface
Initial Storage (%) 38,01 0,53333 0,46666 96,746 96 15,829 0,6 0,53333 40,04 67,226
Max Storage (MM) 19,766 80,526 340,8 1226,3 304,93 32,953 19,53 265,97 18,311 29,018
Loss
Initial Deficit (MM) 0,51333 0,33 1,182 0,66867 0,864 0,72 0,0636 0,432 0,288 0,144
Maximum Deficit (MM) 382,7 382,18 1,84 2,1283 382,77 1,1333 0,0880744 382,4 0,43333 3,2
Constant Rate (MM/HR) 0,0698288 0,06 0,07 0,07 0,07 0,06 0,0312837 0,047464 0,06 0,05
Impervious (%) 0 0 0 0 0 0 0 0 0 0
Transform
Graph Type Standard (PRF 484)
Lag Time (MIN) 1675,7 2131 300 600 494,47 400 500 500 250 150
Baseflow
Initial Type Discharge
Initial Discharge (M3/S) 177,4 166,84 50,344 55,202 62,223 0,0114307 0,0181892 0,013602 0,0113878 0,0143218
Recession Constant 0,99999 0,9996 0,9996 0,9459 0,91163 0,43064 0,0281008 0,52816 0,7498 0,0246947
Threshold Type Ratio To Peak
Ratio 0,36386 0,14439 0,32492 0,98305 0,66041 0,39884 0,65816 0,88194 0,98848 0,43097
66
Anexo 4. 4. Parámetros calibrados del modelo 4.
Parámetro
Modelo 4: Precipitación PERSIANN- CCS modificado
Subcuenca
W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800
Canopy
Initial Storage (%) 55,749 100 52,629 74,849 100 59,881 12,853 11,253 4,5838 8,8504
Max Storage (MM) 0,80248 57,991 0,31255 0,0018902 0,024404 3,5621 19,134 23,066 3,7374 1,031
Crop Coefficient 0,7 0,65 0,35 0,5 0,7 0,8 0,8 0,85 0,95 0,7
Evapotranspiration Wet and Dry Periods
Uptake Method Tension Reduction
Surface
Initial Storage (%) 100 3,588 2,0437 90,264 100 0,60675 0,50143 0,65588 0,0010019 0,41396
Max Storage (MM) 14,57 0,0017237 0,82868 4,2131 3,5247 3,3468 0,0010053 0,0010106 0,0010116 10,938
Loss
Initial Deficit (MM) 0,0132169 0,0018447 1,1081 0,10916 0,001 0,265 0,45965 0,0022636 0,14983 0,10549
Maximum Deficit (MM) 2,6723 3,2997 5,0157 4,2065 3,2355 2,6864 1,6467 0,9 0,56666 3,4133
Constant Rate (MM/HR) 0,001 0,001 114,73 0,0012153 0,0042888 0,0011025 0,0197136 0,0208328 0,0137305 114,62
Impervious (%) 0 0 0 0 0 0 0 0 0 0
Transform
Graph Type Standard (PRF 484)
Lag Time (MIN) 30000 5935,4 139,48 589,88 575,19 188,81 203,63 1531,2 1457,3 90,643
Baseflow
Initial Type Discharge
Initial Discharge (M3/S) 214,92 188,3 51,354 0,0137003 0,0119941 0,0168654 0,0152992 0,0174678 0,0141007 0,0191781
Recession Constant 0,99968 0,80902 0,99966 0,48944 0,23301 0,0284939 0,21571 0,020431 0,023797 0,024861
Threshold Type Ratio To Peak
Ratio 0,35529 0,88387 0,27349 0,79444 0,42173 0,53209 0,59014 0,26881 0,27544 0,3535
67
Anexo 4. 5. Parámetros calibrados del modelo 5.
Parámetro
Modelo 5: Precipitación THIESSEN
Subcuenca
W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800
Canopy
Initial Storage (%) 33,296 100 100 98,778 98,196 96,627 87,493 54,611 35,889 36,607
Max Storage (MM) 53,818 0,001 0,0010112 0,19661 0,0011828 0,0041242 0,91577 0,41138 1,0377 1,0936
Crop Coefficient 0,8 0,8 0,9 1 1 1 1 0,0139936 1 1
Evapotranspiration Wet and Dry Periods
Uptake Method Tension Reduction
Surface
Initial Storage (%) 27,761 51,994 50,137 51,976 68,55 72,209 100 100 54,667 21,969
Max Storage (MM) 13,711 0,0097544 0,0142869 0,97181 0,0652819 0,0873088 1,571 1,4217 0,75793 0,94175
Loss
Initial Deficit (MM) 1,5612 5,8779 4,4892 0,001 0,001 0,001 0,66666 0,33433 0,001 0,33333
Maximum Deficit
(MM) 15,497 13,466 5,0939 0,0022252 0,0026295 0,0295325 0,96753 0,78769 0,73531 8,5294
Constant Rate
(MM/HR) 1,0176 0,0010005 0,001 0,001 0,0010868 0,0161081 0,0073411 0,0183465 0,0101139 0,89293
Impervious (%) 0 0 0 0 0 0 0 0 0 0
Transform
Graph Type Standard (PRF 484)
Lag Time (MIN) 720,57 264,83 73,087 94,888 90,707 253,08 409,83 1872,1 640,88 223,81
Baseflow
Initial Type Discharge
Initial Discharge
(M3/S) 150,85 33,283 143,2 49,455 3,0782 2,1055 0,51926 0,96627 0,51905 1,4382
Recession Constant 0,93557 0,94973 0,99921 0,99772 0,96318 0,92578 0,86224 0,47717 0,5522 0,57553
Threshold Type Ratio To Peak
Ratio 0,9385 0,24713 0,14042 0,1931 0,0237243 0,22485 0,28839 0,40111 0,26141 0,23949