Post on 19-Jan-2016
Universidad Central de Venezuela. Facultad de Agronomía. Escuela de Agronomía.
Departamento de Agronomía.
Evaluación del Modelo de Simulación SWAT para la Producción de Agua
en una Cuenca Hidrográfica Prioritaria de la Región Central de
Venezuela. Caso: Cuenca Media del Río Pao.
Óscar Silva Escobar.
Mayo de 2009.
ii
Universidad Central de Venezuela. Facultad de Agronomía. Escuela de Agronomía.
Departamento de Agronomía.
Evaluación del Modelo de Simulación SWAT para la Producción de Agua en una
Cuenca Hidrográfica Prioritaria de la Región Central de Venezuela. Caso: Cuenca
Media del Río Pao.
Óscar Silva Escobar.
Trabajo presentado ante el Consejo de la Facultad de Agronomía de la Universidad
Central de Venezuela para optar a la categoría de Profesor Agregado.
Maracay, Mayo de 2009
iii
Resumen.
Los modelos de simulación son una herramienta valiosa en la gestión de cuencas
hidrográficas, pero la incertidumbre de los resultados simulados puede ser una limitante de
peso para su uso adecuado, por lo cual es conveniente sean calibrados y validados. En este
trabajo, el modelo de simulación hidrológica SWAT (Soil and Water Assessment Tool; Arnold
et al., 1998; Neitsch et al., 2005) se calibró y validó en la cuenca media del río Pao, prioritaria
para la zona central de Venezuela por abastecer de agua a los estados Aragua y Carabobo. La
cuenca se representó en el modelo con 60 Unidades de Respuesta Hidrológica, seis estaciones
climatológicas y combinaciones de cinco tipos de suelo (asociados al relieve) con seis tipos de
uso o cobertura de la tierra. Se contó con registros de precipitación de 1967 a 1992 y de
producción de agua de 1952 a 1983 (sin 1969), lo cual proveyó un período común de sólo seis
años, que se consideró insuficiente para ser fraccionado a los fines de calibrar y validar el
modelo. Dadas tales limitaciones, la producción mensual de agua simulada al emplear los
registros de precipitación de 1977 a 1991 se calibró contra la registrada entre 1952 y 1965,
según la similitud entre los valores asociados a los percentiles 25, 50 y 75 y de los valores
promedio mensuales de ambas series. En la fase de validación, se compararon los valores
mensuales absolutos de la producción de agua simulada con sus pares registrados durante el
período de 1967 a 1983, sin 1969 (72 meses). Con el empleo de índices cuantitativos de error,
diferencia, y regresión se evaluaron las simulaciones efectuadas con diversas combinaciones
de parámetros de agua subterránea. El modelo sin calibración (con estos parámetros iguales a
cero) produjo una notable subestimación de la producción de agua, casi sin simulación de flujo
de base. Al modificar los parámetros de agua subterránea, se obtuvieron simulaciones con
distribuciones de frecuencias similares a la de los valores registrados, aunque con una ligera
sobrestimación generalizada. La mejor simulación produjo diferencias de 2, 16 y 4% en los
percentiles 25, 50 y 75, de 6% en el promedio y 8% en la suma de valores. La validación del
modelo, que se efectuó en condiciones más estrictas que la calibración, resultó satisfactoria,
con Eficiencia de Simulación (EF) de 0,55; Índice de Concordancia (d) de 0,90, Error Medio
Absoluto (EMA) de 7,13 y Coeficiente de Correlación (R) de 0,86. Se mantuvo una ligera
sobrestimación generalizada de los valores mensuales, evidenciada por una recta de regresión
con pendiente (B1) de 1,02 e intercepto (B0) de 4,05 mm. Según se observó en los hidrogramas
registrados y simulados, las sobrestimaciones más evidentes ocurrieron en los meses húmedos,
iv
lo cual significa una sobrestimación de la escorrentía superficial. Ello se atribuyó a una
sobrevaloración de los Números de Curva asignados a cada combinación cobertura-manejo-
suelo, y en menor importancia, a los valores empleados de agua aprovechable y conductividad
hidráulica saturada del suelo. Con fines de establecer el impacto que ocasionaría sobre la
calidad de las simulaciones algunas variaciones en la información de entrada, se modificó el
número de estaciones climatológicas empleadas, se aumentó artificiosamente la cobertura
boscosa para disminuir el Número de Curva, y se incrementaron los valores de agua
aprovechable y conductividad hidráulica del suelo al estimarlos mediante funciones de
pedotransfrencia distintas a la originalmente empleada. La disminución progresiva de número
de estaciones climatológicas en la simulación, afectó negativamente la calidad de estas (EF
disminuyó a 0,46), y además, se observó que la producción de agua promedio aumentó
indistintamente aumentara o disminuyera el valor de la precipitación promedio en la cuenca,
lo que indica que el modelo es sensible a cambios en la distribución espacio-temporal de las
precipitaciones, aún en cuencas relativamente homogéneas en régimen de lluvias. Al aumentar
la cobertura boscosa (y consecuentemente disminuir los valores de Número de Curva), y al
igual que aumentar los valores de los parámetros hidrológicos del suelo, la producción de agua
simulada y la escorrentía superficial tendieron a disminuir, mientras que la transpiración y el
flujo de base, tendieron a aumentar. Se estima que tal como fue calibrado SWAT, puede ser
empleado como apoyo en la gestión de la cuenca medio del río Pao, y que la calibración
efectuada puede servir de referencia para usuarios del modelo en cuencas similares. La
experiencia obtenida en este trabajo, más la recabada en la literatura, permite concluir que una
calibración adecuada para el escenario de línea base es imprescindible para obtener estimados
confiables en órdenes de magnitud y tendencias en los escenarios hipotéticos o alternativos.
v
Tabla de contenido.
Resumen. ....................................................................................................................................iii Índice de cuadros. .....................................................................................................................viii Índice de Figuras. .......................................................................................................................xi 1. Introducción.........................................................................................................................1
2. Planteamiento del problema e hipótesis. .............................................................................3
3. Objetivos..............................................................................................................................3
3.1. General. .......................................................................................................................3
3.2. Específicos...................................................................................................................4
4. Elementos conceptuales.......................................................................................................5
4.1. Generalidades sobre modelos de simulación de cuencas hidrográficas. .....................5
4.2. La incertidumbre asociada al uso de modelos de simulación de cuencas
hidrográficas. ...........................................................................................................................5
4.3. Prácticas para mitigar la incertidumbre en el uso de modelos de simulación. ............7
4.4. Evaluación de modelos de simulación.........................................................................9
4.5. El modelo SWAT. .....................................................................................................14
4.5.1. Descripción general. ..........................................................................................14
4.5.2. Evaluaciones de SWAT.....................................................................................20
4.5.3. Calibración y sensibilidad. ................................................................................24
5. Descripción del área de estudio. ........................................................................................30
5.1. Localización e importancia........................................................................................30
5.2. Hidrografía e hidrología. ...........................................................................................31
5.3. Clima. ........................................................................................................................34
5.4. Geomorfología y suelos.............................................................................................37
5.5. Geología. ...................................................................................................................38
5.6. Vegetación y uso de la tierra. ....................................................................................39
6. Metodología.......................................................................................................................41
6.1. Uso del modelo SWAT. ............................................................................................41
vi
6.1.1. Versión empleada y opciones generales de control de la simulación................41
6.1.2. Inventario de información climática e hidrológica............................................41
6.2. Información empleada en el modelo. ........................................................................45
6.2.1. Clima. ................................................................................................................45
6.2.2. Suelos. ...............................................................................................................50
6.2.3. Cobertura vegetal, uso y manejo de la tierra. ....................................................53
6.2.4. Definición de Unidades de Respuesta Hidrológica. ..........................................55
6.3. Calibración y validación del modelo. ........................................................................57
6.4. Sensibilidad de la producción de agua ante variaciones en el número de
estaciones pluviométricas, extensión de la cobertura boscosa y parámetros hidrológicos
del suelo.................................................................................................................................60
6.4.1. Ajuste de la producción de agua registrada a la superficie de la cuenca
media (abstracción de los aportes de la cuenca alta). ........................................................61
6.4.2. Sensibilidad al número de estaciones pluviométricas. ......................................61
6.4.3. Sensibilidad ante el incremento de la cobertura vegetal en la cuenca...............61
6.4.4. Sensibilidad ante el incremento del agua aprovechable y de la
conductividad hidráulica saturada del suelo......................................................................62
7. Resultados y Discusión......................................................................................................63
7.1. Información de entrada al modelo. ............................................................................63
7.1.1. Representación de la cuenca..............................................................................63
7.1.2. Clima. ................................................................................................................63
7.1.3. Suelos. ...............................................................................................................68
7.1.4. Cobertura y uso de la tierra. ..............................................................................69
7.2. Calibración del modelo..............................................................................................70
7.3. Validación del modelo...............................................................................................77
7.4. Sensibilidad de la producción de agua ante variaciones en el número de
estaciones pluviométricas, extensión de la cobertura boscosa y parámetros hidrológicos
del suelo.................................................................................................................................86
vii
7.4.1. Ajuste de la producción de agua registrada a la superficie de la cuenca
media (abstracción de los aportes de la cuenca alta). ........................................................86
7.4.2. Sensibilidad de la producción de agua ante el número de estaciones
pluviométricas. ..................................................................................................................88
7.4.3. Sensibilidad de la producción de agua ante el incremento de la cobertura
vegetal en la cuenca...........................................................................................................91
7.4.4. Sensibilidad de la producción de agua ante el incremento en los valores de
parámeros hidrológicos del suelo. .....................................................................................94
8. Conclusiones......................................................................................................................98
9. Referencias bibliográficas. ..............................................................................................100
10. Anexos. ............................................................................................................................107
Anexo 1. Gastos registrados (m3 s-1). Río Pao en Paso La Balsa . ..........................................107
Anexo 2. Gastos registrados (mm). Río Pao en Paso La Balsa. ..............................................108
Anexo 3: Clasificación del grupo hidrológico de suelos.........................................................109
viii
Índice de cuadros.
Cuadro 1. Calificación de las simulaciones mensuales según la Eficiencia de Simulación......11
Cuadro 2. Información climática requerida por el modelo SWAT versión 99.2. .......................16
Cuadro 3. Información requerida por capa de suelo por el SWAT versión 99.2........................17
Cuadro 4. Resultados de calibración y validación para producción de agua mensual en
diversos lugares del mundo. ......................................................................................................21
Cuadro 5. Revisión de parámetros de calibración según la variable de interés empleados
por usuarios de SWAT................................................................................................................26
Cuadro 6. Sensibilidad de la producción de agua y sus componentes ante el Número de
Curva. ........................................................................................................................................28
Cuadro 7. Influencia de los parámetros de agua subterránea. ...................................................29
Cuadro 8. Distribución de la superficie de la cuenca media del río Pao según la pendiente. ...38
Cuadro 9. Relación entre las unidades fisiográficas y los suelos. .............................................38
Cuadro 10. Principales formaciones geológicas de la cuenca media del río Pao......................39
Cuadro 11. Distribución de la superficie de la cuenca media del río Pao según los tipos
generalizados de vegetación. .....................................................................................................40
Cuadro 12. Disponibilidad de información pluviométrica (diaria) e hidrométrica
(mensual). ..................................................................................................................................44
Cuadro 13. Estaciones pluviométricas empleadas en las simulaciones.....................................46
Cuadro 14. Valores faltantes o englobados de los registros de precipitación diaria
empleados en la fase de calibración. .........................................................................................46
Cuadro 15. Valores faltantes o englobados de los registros de precipitación diaria
empleados en la fase de validación............................................................................................47
Cuadro 16. Estaciones pluviométricas adicionales empleadas para la transferencia y
desenglobe de datos en la parte alta de la cuenca......................................................................48
Cuadro 17. Promedios de agua aprovechable del suelo estimados mediante las opciones de
SoilPar. ......................................................................................................................................52
ix
Cuadro 18. Simplificación de las clases de cobertura vegetal y uso de la tierra. ......................54
Cuadro 19. Información principal de cobertura vegetal y uso de la tierra. ...............................55
Cuadro 20. Composición del módulo de índices basados en regresión. ...................................58
Cuadro 21. Composición del módulo de índices basados en diferencia. ..................................58
Cuadro 22. Porcentaje de valores diarios perdidos o englobados de los registros
pluviométricos empleados en las simulaciones. ........................................................................65
Cuadro 23. Distribución espacial representada en el modelo de los tipos de fisiográficos y
subgrupos de suelo en la cuenca................................................................................................68
Cuadro 24. Distribución espacial representada en el modelo de los tipos de cobertura y uso
de la tierra. .................................................................................................................................70
Cuadro 25. Distribución espacial representada en el modelo de los valores de Número de
Curva. ........................................................................................................................................70
Cuadro 26. Combinaciones de parámetros de agua subterránea empleadas en la calibración
del modelo. ................................................................................................................................72
Cuadro 27. Valores de los parámetros de agua subterránea obtenidos para la calibración
del modelo por otros autores. ....................................................................................................73
Cuadro 28. Índices de distribución de frecuencias de la producción de agua registrada y la
simulada con diversas combinaciones de parámetros de agua subterránea...............................75
Cuadro 29. Evaluación de las simulaciones para calibración del modelo con diversas
combinaciones de parámetros de agua subterránea...................................................................76
Cuadro 30. Estadísticas básicas de la producción de agua mensual registrada y simulada
con tres combinaciones de parámetros de agua subterránea en la fase de validación..............84
Cuadro 31. Evaluación de las simulaciones para validación del modelo con diversas
combinaciones de parámetros de agua subterránea...................................................................85
Cuadro 32. Variaciones en los promedios de precipitación y producción de agua simulada
al reducir el número de estaciones pluviométricas en la simulación. Período 1967 – 1973. ....89
Cuadro 33. Evaluación de las simulaciones con diverso número de estaciones climáticas.
Período 1967 – 1973..................................................................................................................90
x
Cuadro 34. Variaciones en el promedio anual de producción de agua simulada al aumentar
la superficie bajo bosque. Período 1967 – 1973........................................................................92
Cuadro 35. Producción de agua y componentes del balance hídrico simulados para diversa
superficie bajo cobertura de bosque. Período 1967 – 1973.......................................................93
Cuadro 36. Evaluación de las simulaciones con escenarios progresivos de bosque. Período
1967 – 1973 ...............................................................................................................................94
Cuadro 37. Producción de agua y componentes del balance hídrico simulados con diversas
combinaciones de métodos para estimar el agua aprovechable y conductividad hidráulica
saturada del suelo. Período de 1967 – 1973. .............................................................................96
Cuadro 38. Evaluación de las simulaciones con diversas combinaciones de métodos para estimar
el agua aprovechable y conductividad hidráulica saturada del suelo. Período 1967 – 1973 ................97
xi
Índice de Figuras.
Figura 1. Variación de la producción de agua, flujo base, escurrimiento superficial y
subsuperficial lateral promedio anual con respecto a la variación del Número de Curva.........28
Figura 2. Localización de la cuenca media del río Pao. ............................................................30
Figura 3. Localización de las cuencas alta y media del río Pao. ...............................................31
Figura 4. Cuencas de los principales tributarios del embalse La Balsa.....................................32
Figura 5. Precipitación y gasto promedio anual en la cuenca media del río Pao. .....................32
Figura 6. Gastos anuales promedio en la cuenca media del río Pao..........................................33
Figura 7. Gastos anuales en Cachinche y La Balsa según series seudohistóricas. ....................34
Figura 8. Isoyetas y distribución promedio mensual de la precipitación en la cuenca media
del río Pao..................................................................................................................................35
Figura 9. Temperatura máxima, media y mínima promedio mensual. Estación Pao Oficina. ..36
Figura 10. Isotermas máximas y mínimas anuales en la cuenca media del río Pao. .................36
Figura 11. Fisiografía de la cuenca media del río Pao...............................................................37
Figura 12. Vegetación generalizada de cuenca media del río Pao. ...........................................40
Figura 13. Ubicación de las estaciones pluviométricas e hidrométricas más cercanas.............42
Figura 14. Frecuencias acumuladas del agua aprovechable del suelo estimada según las
diversas opciones del sistema SoilPar.......................................................................................52
Figura 15. Representación de la cuenca en SWAT.....................................................................56
Figura 16. Ejemplo de un módulo de agregación......................................................................59
Figura 17. Ejemplo de un indicador de agregación. ..................................................................60
Figura 18. Frecuencias acumuladas de conductividad hidráulica saturada del suelo
estimada según las diversas opciones del sistema SoilPar........................................................62
Figura 19. Área de influencia de las estaciones pluviométricas................................................64
Figura 20. Proporción y proveniencia de valores empleados para desagregar englobes de
precipitación. Fase de calibración (1977-1991). .......................................................................66
Figura 21. Proporción y proveniencia de valores empleados para desagregar englobes de
precipitación. Fase de validación (1967-1973)..........................................................................67
xii
Figura 22. Producción de agua promedio mensual registrada y simulada con diversas
combinaciones de parámetros de agua subterránea. Fase de calibración. .................................71
Figura 23. Frecuencias acumuladas de la producción de agua promedio mensual registrada
y simulada con diversas combinaciones de parámetros de agua subterránea. Fase de
calibración. ................................................................................................................................74
Figura 24. Producción de agua promedio mensual registrada y simulada con diversas
combinaciones de parámetros de agua subterránea. Fase de validación. ..................................78
Figura 25. Producción de agua mensual registrada y simulada con diferentes
combinaciones de parámetros de agua subterránea. Fase de validación. ..................................79
Figura 26. Precipitación y producción de agua mensual registrada y simulada con la mejor
combinación de parámetros de agua subterránea. Fase de validación. .....................................82
Figura 27. Regresión entre los gastos simulados para la cuenca media individualizada y el
conjunto cuenca media y alta. ...................................................................................................87
Figura 28. Gastos mensuales registrados en el sitio La Balsa (cuenca media y alta) y gastos
ajustados para la cuenca media individualizada. Período 1967 – 1973....................................87
Figura 29. Producción de agua promedio mensual simulada con diverso número de
estaciones pluviométricas. Período 1967 – 1973. .....................................................................88
Figura 30. Producción de agua promedio mensual registrada y simulada diversa superficie
cubierta por bosque. Período1967-1973....................................................................................91
Figura 31. Producción de agua mensual registrada y simulada con 89% de la superficie
cubierta por bosque. Período1967-1973....................................................................................91
Figura 32. Producción de agua promedio mensual registrada y simulada con diversas
combinaciones de métodos para estimar el agua aprovechable y conductividad hidráulica
saturada del suelo. Período 1967 – 1973. ..................................................................................95
Figura 33. Producción de agua mensual registrada y simulada con diversas combinaciones
de métodos para estimar el agua aprovechable y conductividad hidráulica saturada del
suelo. Período 1967 – 1973. ......................................................................................................95
1
1. Introducción.
Los modelos de simulación pueden ser sumamente útiles en la gestión de cuencas
hidrográficas. De manera sistemática permiten obtener estimados acerca de procesos
ambientales relevantes, información que puede ser empleada por planificadores para tomar
decisiones en cuanto al mejor balance entre los impactos positivos y negativos que pudiesen
ocurrir ante escenarios actuales o propuestos de tipos y ordenamientos de usos de la tierra, e
incluso, cambios en el ambiente.
A pesar de los beneficios que los modelos de simulación pueden aportar en el proceso de
planificación, la incertidumbre asociada a sus estimaciones es un factor notablemente limitante
para su empleo. Tal incertidumbre tiene origen en la capacidad del modelo en cuanto a su
formulación para representar procesos y lo adecuada que pueda ser la información disponible
que se empleará en el modelo.
Por lo tanto, siempre es conveniente disponer información acerca de la calidad de las
simulaciones, es decir, en que medida los órdenes de magnitud y tendencias de los estimados
del modelo se corresponden con la realidad y además, el grado en que la información relevante
para el funcionamiento del modelo, pero a su vez, incierta, limitada o deficiente, pueda estar
afectando la calidad de sus salidas. Por ello, existen procedimientos de uso frecuente para
obtener aproximaciones de la calidad de las simulaciones y además, para mejorarlas. Mediante
la calibración, se puede lograr que los valores simulados del proceso de interés se asemejen en
orden de magnitudes y tendencias a los valores medidos o registrados. Posteriormente, la
calidad de las simulaciones es validada o verificada en una condición o período distintos según
las mediciones o registros respectivos. Previamente al proceso de calibración, mediante lo que
se denomina análisis de sensibilidad, es necesario determinar cuales son las variables o
parámetros del modelo más influyentes en las salidas de interés. Con esto, se logra simplificar
la calibración, pues se dedican esfuerzos y tiempo sólo al conocimiento y evaluación de las
variables y parámetros críticos y el efecto e importancia de aquellos de mayor incertidumbre.
Una vez con el modelo de simulación calibrado y validado para una situación o escenario
base, puede procederse con menor grado de incertidumbre a la evaluación de diversos
escenarios hipotéticos, de lo cual, se servirán los planificadores para la toma de decisiones.
Ello muestra la importancia de disponer de modelos de simulación debidamente probados en
2
áreas prioritarias de desarrollo, como lo son las cuencas hidrográficas abastecedoras de
sistemas de distribución de agua.
En este estudio en particular, se calibra y valida el modelo de simulación hidrológica SWAT
(Soil and Water Assessment Tool; Arnold et al., 1998; Neitsch et al., 2005) en la cuenca
media del río Pao, la cual tiene una importancia resaltante en cuanto a su condición de
productora de agua, pues de ella se abastece de agua a sectores considerables de los estados
Aragua y Carabobo, principalmente urbanos, entre muchos otros la ciudad de Maracay.
El lineamiento general de la investigación fue probar al modelo con información disponible, es
decir, con aquella que podrían contar los planificadores sin recurrir a complejos, prolongados
y costosos procedimientos de obtención.
El procedimiento seguido puede dividirse en tres partes: a) la calibración de la producción de
agua simulada por el modelo mediante el ajuste de los parámetros de agua subterránea según
valores hidrométricos registrados para una período dado de registros climatológicos; b) la
verificación o validación de la simulación de la producción de agua para un período distinto de
valores climatológicos y la consecuente calificación de la calidad de estas simulaciones y c) la
evaluación del efecto que ocasionaría sobre la calidad de las simulaciones variaciones en
conjuntos de datos de entrada como el número de estaciones climatológicas, el incremento de
la densidad de la vegetación y el empleo de diversos métodos de estimación de parámetros
hidrológicos del suelo.
Debe tenerse presente, que este trabajo forma parte de un proyecto más amplio de evaluación
y uso de modelos de simulación en la región central de Venezuela, y parte importante de las
decisiones tomadas, como por ejemplo, la selección de variables y parámetros críticos, se basó
en la experiencia ya obtenida.
Se espera, que los resultados del trabajo provean a próximos usuarios del modelo SWAT en la
cuenca media del río Pao, de valores de parámetros críticos para el empleo racional del
modelo. Además, usuarios de modelos de simulación en otras cuencas hidrográficas de
condiciones similares, contarán con valores de partida para los necesarios procedimientos de
análisis de sensibilidad, calibración y validación particulares a sus estudios, así como
referencias sobre el impacto que causaría en sus simulaciones el empleo de diversa calidad y
cantidad de información de entrada como la climática, cobertura vegetal e hidrología del suelo.
3
2. Planteamiento del problema e hipótesis.
Una cuenca prioritaria para la nación, como lo es la cuenca media del río Pao, merece disponer
de un modelo de simulación de producción de agua razonablemente probado para facilitar la
toma de decisiones en cuanto a los impactos que ocasionarían cambios en el clima,
ordenamiento, uso y manejo de la tierra.
El modelo SWAT, de uso relativamente extendido en el mundo, puede ser de utilidad para la
evaluación de procesos hidrológicos en la cuenca media del río Pao, tanto en escenarios
actuales como hipotéticos de ordenamiento, uso, cobertura y condiciones climáticas. No
obstante, por incertidumbres asociadas a la formulación de procesos relevantes de la
producción de agua, así como a cierta información de entrada, se hace necesario someter al
modelo SWAT, en las condiciones de la cuenca, a un procedimiento de calibración, validación
y análisis de sensibilidad ante el origen y calidad de información crítica, que conlleve a la
evaluación, y consecuentemente, al mejoramiento de la calidad de las simulaciones. De ello,
se obtendrían valores adecuados para parámetros críticos e inciertos del modelo, y
apreciaciones del efecto que diverso origen y calidad de información crítica pueda ocasionar
en la calidad de las simulaciones.
3. Objetivos.
3.1. General.
Calibrar y validar el modelo SWAT en cuanto a la simulación de la producción de agua en la
cuenca media del río Pao al emplear información comúnmente disponible y evaluar el impacto
que tendría sobre la calidad de las simulaciones variaciones en algunos conjuntos de
información de entrada de clima, cobertura vegetal y suelos.
4
3.2. Específicos.
Compilar y ajustar la información ambiental y de uso de la tierra de la cuenca media del
río Pao en función a los requerimientos del modelo SWAT.
Programar un escenario de línea base de la cuenca media del río Pao en el modelo SWAT.
Calibrar la producción de agua simulada por el modelo, mediante la modificación de los
parámetros de agua subterránea, según la distribución de frecuencias y promedios
mensuales de un período dado de información hidrométrica.
Evaluar las simulaciones de producción de agua efectuadas con diversas combinaciones de
parámetros de agua subterránea obtenidas en fase de calibración.
Validar la producción de agua simulada por el modelo mediante la evaluación de la calidad
de las simulaciones para un segundo período de información climatológica e hidrométrica,
al emplear las combinaciones de parámetros de agua subterránea que produzcan resultados
más adecuados.
Determinar el efecto que causa la variación del número de estaciones climatológicas, la
extensión de la cobertura vegetal densa y métodos de estimación de propiedades
hidrológicas del suelo sobre la calidad de las simulaciones de producción de agua.
5
4. Elementos conceptuales.
4.1. Generalidades sobre modelos de simulación de cuencas hidrográficas.
El análisis hidrológico de cuencas de miles de kilómetros cuadrados puede ser lento y
costoso. Las estrategias de manejo para el recurso agua en escalas nacionales y regionales, la
toma de decisiones para el abastecimiento sostenible urbano, agrícola e industrial, así como la
protección del ambiente ante los impactos negativos que ocasiona el desarrollo, dependen en
gran medida de dichos análisis hidrológicos. Al respecto, los modelos de simulación
computarizados son valiosas herramientas para tales fines (Jayakrishnan et al., 2005).
En la actualidad, se dispone de numerosos modelos de simulación de cuencas hidrográficas.
Tantos, que frecuentemente es difícil elegir el modelo más adecuado para una cuenca en
particular a los fines de enfrentar problemas particulares de ella y encontrar soluciones.
Muchos de los modelos de simulación empleados son de tipo continuo, útiles para analizar en
largos plazos los efectos de cambios en prácticas de manejo de cuencas, especialmente las
agrícolas (Borah y Bera, 2004). Otra característica deseable, y con la que cuenta gran parte de
los modelos disponibles para cuencas hidrográficas, es la capacidad de tomar en cuenta la
variabilidad espacial de los factores ambientales y de manejo de la tierra. A estos modelos se
les denomina comúnmente en la literatura “distribuidos”, en contraste con los modelos que
consideran el área que se simula como homogénea, denominados “agregados”.
La aplicación de modelos en cuencas hidrográficas incluye áreas tan diversas como: manejo
integrado de cuencas; seguimiento de crecidas; evaluación de la efectividad de medidas en el
control de contaminación dispersa o difusa; estimación de la pérdida de suelo; evaluación del
efecto de cambio de uso de la tierra; análisis de causas de pérdida de nutrientes y evaluación
del impacto de cambio climático (Yang et al., 2008).
4.2. La incertidumbre asociada al uso de modelos de simulación de cuencas hidrográficas.
La complejidad inherente a las cuencas hidrográficas en cuanto a diversidad de factores y la
variabilidad de éstos, obliga a recurrir a simplificaciones en la formulación de los procesos
que simula el modelo y en la información de entrada que se emplea en ellos. Adicionalmente,
6
con frecuencia, parte de la información requerida se desconoce o se carece de elementos para
decidir cual sería el valor más adecuado en algunos parámetros. La incertidumbre en cuanto a
la representación de los procesos, así como en cuanto al valor de los parámetros de entrada, se
traduce en incertidumbres de mayor o menor grado en las simulaciones por parte del modelo.
Yang et al. (2008), hacen referencia a incertidumbres que denominan “estructurales”. El
origen de este tipo de incertidumbre incluye procesos no considerados por el modelo, como
actividades desconocidas en la cuenca, e imprecisiones del modelo debidas a sobre-
simplificación de los procesos. Algunos ejemplos de este tipo de incertidumbres son el efecto
de humedales y reservorios en la hidrología y transporte de compuestos químicos; la
interacción entre el agua superficial y subterránea; la ocurrencia de deslizamientos y grandes
construcciones que podrían producir importantes cantidades de sedimentos; descargas
desconocidas de aguas servidas; aplicaciones de fertilizantes y plaguicidas imprecisamente
caracterizadas; aplicaciones desconocidas de riego, entre muchos otros.
Por otro lado, los modelos de tipo distribuido para cuencas hidrográficas incluyen una gran
cantidad de parámetros con los que se representa la heterogeneidad espacial de los factores y
procesos que ocurren en la cuenca (Bekele y Nicklow, 2007). Debido a su variabilidad
espacial, limitaciones de presupuesto, o dificultades de acceso a algunas partes de la cuenca,
frecuentemente un alto número de parámetros está sujeto a incertidumbre (Lenhart et al.,
2002). La incertidumbre de la información de entrada se relaciona frecuentemente con valores
imprecisos o interpolados espacialmente, como las elevaciones, uso de la tierra, lluvia,
temperaturas y valores iniciales de la mesa de agua. También incertidumbres en el uso de
modelos distribuidos pueden evidenciarse por efecto de de un gran número de parámetros
desconocidos y los errores en los datos empleados para la calibración de parámetros (Yang et
al., 2008). En cuanto a los parámetros, la información disponible puede ser insuficiente para
reducir su incertidumbre (por ejemplo: la asociada a su distribución espacio – temporal, así
como a sus promedios representativos, es decir, la incertidumbre del valor en si mismo)
(Chaponniere et al., 2008)
7
4.3. Prácticas para mitigar la incertidumbre en el uso de modelos de simulación.
La calibración y validación de los modelos son procedimientos claves para reducir la
incertidumbre y aumentar la confianza del usuario en cuanto a sus capacidades de estimación,
lo cual hace efectiva la aplicación de los modelos (White y Chaubey, 2005). Por otro lado, en
el análisis comparativo de escenarios, por ejemplo la introducción de prácticas mejoradas de
manejo, se requiere del establecimiento de la línea de base ambiental. Para ello, se programa el
modelo de tal manera de representar las condiciones actuales. Los valores de los parámetros
para esta representación pueden ser obtenidos según refiere la literatura, estudios previos en el
área y experiencia del analista, o mediante la estimación de valores en un procedimiento de
calibración (Arabi, 2008).
El objetivo de la calibración del modelo, es por lo general, la estimación de parámetros en
función de que las simulaciones y el comportamiento hidrológico de la cuenca se ajusten lo
más posible. Para ello, los registros de producción de agua y de carga sedimentos o nutrientes,
pueden ser empleados como valores de referencia (Bekele y Nicklow, 2007; Sudheer et al.,
2007). En la práctica, significa un proceso reiterado de búsqueda de aquellos valores de
entrada con los que se obtengan valores simulados lo más similarmente posible a los medidos
en la realidad (Warnock et al., 2005).
La validación es una evaluación más estricta del modelo debido a que no permite la
manipulación de parámetros para mejorar el ajuste con respecto a los datos medidos. La
validación evalúa la capacidad de estimación del modelo en períodos o áreas distintos a los
empleados en la calibración (Benaman et al., 2005; White y Chaubey, 2005). La complejidad
de los procesos de calibración y validación aumenta con la distribución de parámetros en los
modelos de cuencas hidrográficas, debido al elevado número de parámetros que requerirían ser
manejados para lograr la calibración, la dificultad asociada a calibrar el modelo a más de una
localidad dentro de la cuenca y a la capacidad de estimar múltiples variables de respuesta en
ella (White and Chaubey, 2005). Esta complejidad también tiene origen en las limitaciones de
los datos de entrada, la complejidad de la representación matemática de los procesos
hidrológicos y el conocimiento incompleto de las características de la cuenca (Immerzeel y
Droogers, 2008).
8
Una validación adecuada depende en gran medida de lo acertado del proceso de calibración.
Por lo tanto, la calibración debe estar basada en registros suficientemente largos que incluyan
años promedio, secos y húmedos (Moriasi et al. 2007). Además, la calibración de un proceso
terminal no garantiza una correcta simulación de procesos intermedios. Por ejemplo, señalan
Chaponniere et al. (2008), que la calibración de la producción de agua mediante la
comparación con valores medidos no garantiza que el flujo de agua subterránea o la fusión de
nieve se representen correctamente.
Ya que la calibración de un componente no garantiza el buen funcionamiento de otros, una
calibración ideal debería tomar en cuenta el balance de agua (escorrentía superficial y de
base), producción de sedimentos y carga de nutrimentos, y aunque raramente se dispone de
conjuntos de datos completos de hidrología, sedimentos y calidad de agua, toda la información
que se disponga en un momento debería emplearse para calibrar (Moriasi et al., 2007).
Los modelos de simulación para cuencas hidrográficas de tipo distribuido (en comparación
con los de tipo agregado), pueden tener un número muy grande de parámetros. Dado que sería
imposible la calibración de todos ellos, se requiere reducir su número, por lo cual la llamada
“especificación de parámetros” es inevitable. Este procedimiento se lleva a cabo mediante “el
análisis de sensibilidad”, el cual consiste en modificar el valor de uno o varios parámetros por
vez y determinar el efecto que tenga sobre la salida de interés (Schuol y Abbaspour, 2006).
Típicamente, la selección de parámetros para la calibración del modelo se basa en el análisis
de sensibilidad del modelo en las salidas de interés. Complementariamente, en el proceso de
especificación de parámetros se identifican los valores aceptables de éstos (Bekele y Nicklow,
2007).
Mediante el análisis de sensibilidad es posible conocer el impacto que producirían errores en
la estimación de cada parámetro sobre los resultados del modelo y además, identificar aquellos
parámetros que deberían ser medidos en la cuenca y los que sería permisible obtener de la
literatura relevante (Massobrio et al., 1998 y Silva, 1996).
El usuario del modelo debe tener un claro entendimiento de los parámetros empleados como
información de entrada y de los procesos representados en el modelo. Parámetros no bien
estudiados podrían ser dejados sin cambios, aunque causen sensibilidad en las salidas, o
cambiados a valores no razonables. Desconocer la sensibilidad que causa un parámetro, puede
resultar en pérdidas de tiempo al tratar de calibrar mediante parámetros que causan poca
9
sensibilidad. Enfocarse en parámetros que causan sensibilidad puede conducir a un mejor
entendimiento y estimación de valores, y por tanto, a una reducción de la incertidumbre
(Lenhart et al., 2002).
4.4. Evaluación de modelos de simulación.
La evaluación de modelos de simulación comprende dos tipos de análisis: a) el científico, lo
consistente que sea el modelo con respecto a la teoría científica prevaleciente y b) el
operacional, lo relativo a la evaluación de la exactitud1 (cuánto se aproximan las estimaciones
del modelo a sus correspondientes valores reales) y de la consistencia (el grado en que los
valores estimados se aproximan a una función lineal de los valores reales). Una evaluación
exitosa de modelos debe comprender ambos análisis (tanto el científico como el operacional),
aunque con frecuencia, el análisis de la exactitud y consistencia aporta los medios más
tangibles de establecer la “credibilidad”del modelo (Willmott et al., 1985).
Existen una serie de medios para establecer la calidad operacional de las simulaciones durante
los procedimientos de calibración y validación. En general son de tipo gráfico o cuantitativo, y
su fin es evaluar la semejanza (exactitud y consistencia) entre los valores medidos y
simulados en una condición dada.
Los métodos gráficos proveen una comparación visual de los valores estimados y medidos, lo
que constituye la primera aproximación al funcionamiento del modelo. Los gráficos de mayor
uso, y que tienen especial valor en la evaluación de modelos, son los hidrogramas y las
frecuencias acumuladas. En los hidrogramas se representa a los largo del tiempo los valores
medidos y simulados para los períodos de calibración y validación. Ayudan a identificar las
desviaciones en que incurre el modelo y las diferencias entre los tiempos de ocurrencia de los
máximos, así como la forma de la curva de recesión. Los gráficos de frecuencias acumuladas
permiten aproximarse a cuan bien el modelo reproduce la distribución de frecuencias de los
valores medidos. Se asume un buen funcionamiento del modelo si las distribuciones de los
valores medidos y simulados son similares (Moriasi et al., 2007).
1 Exactitud y consistencia se tradujeron de los términos en inglés accuracy y precision, las cuales en español,
tienen significados similares (exactitud y precisión pueden ser sinónimos).
10
Los métodos cuantitativos se basan en el empleo de índices estadísticos de diverso origen. Fila
et al. (2001 y 2003) clasifican estos índices en: a) estadísticas basadas en diferencia (simple,
cuadrática y absoluta), b) estadísticas basadas en regresión y c) índices agregados que
combinan a varios índices estadísticos. Moriasi et al. (2007) en vez de referirse a índices
basados en diferencia, se refieren a índices adimensionales e índices de error.
Existe una cantidad relativamente grande de índices cuantitativos para la evaluación de
simulaciones. En los trabajos de Fila et al, (2001 y 2003) y Moriasi (2007) se compila gran
parte de ellos. Los más empleados en trabajos de calibración o validación de modelos son los
siguientes:
Índices adimensionales basados en diferencia:
El índice más empleado en simulación hidrológica es el denominado Eficiencia de Simulación
(EF) (Nash y Sutcliffe, 1970) el cual es de forma cuadrática, y por lo tanto, sensible a los
valores extremos o atípicos2. Es un índice normalizado que determina la relación de la
magnitud de la varianza residual o “ruido” con respecto al valor de la varianza de los datos
medidos o “información”. Su expresión es:
( )
( )∑
∑
=
=
−
−−= n
i
n
i
MMi
EiMiEF
1
2
1
2
1 Ecuación 1.
Donde:
M: valor medido.
E: valor estimado o simulado.
Varía entre el infinito negativo y uno. Por lo general, se considera que valores superiores a
cero son aceptables, y que valores inferiores indican que la media de los valores medidos es
mejor estimador que los valores simulados, y por lo tanto, se consideran inaceptables.
2 Referidos en la literatura como outliers.
11
Moriasi et al. (2007) proponen los siguientes criterios para calificación de las simulaciones
mensuales según la Eficiencia de Simulación:
Cuadro 1. Calificación de las simulaciones mensuales según la
Eficiencia de Simulación.
Eficiencia de la
Simulación
Calificación del funcionamiento del
modelo o de la calidad de la simulación
Menos de 0,5 Insatisfactoria
0,5 – 0,65 Satisfactoria
0,65 – 0,75 Buena
0,75 – 1,00 Muy buena
Fuente: Moriasi et al. (2007).
El Índice de Concordancia (d) (Wilmott et al, 1985), también es un índice normalizado basado
en diferencias cuadráticas, sensible a los valores extremos o atípicos. Se desarrolló para ser
empleado en la evaluación de modelos geofísicos, en especial, cuando se estiman elementos
climáticos o procesos asociados al clima. Se emplea con frecuencia en la evaluación de
modelos hidrológicos y de calidad de aguas. Aunque es aparentemente similar al coeficiente
de regresión, el Índice de Concordancia estima el grado en que la simulación está libre de
errores (Harmel y Smith, 2007). Varía entre cero, o ninguna concordancia, y uno, total
concordancia. Indica la relación entre el error medio cuadrado y el denominado “error
potencial” (el denominador de la expresión):
( )
( )∑
∑
=
=
−+−
−−= n
i
n
i
MMiMEi
MiEid
1
21
2
1 Ecuación 2
La Desviación Porcentual (PBIAS, Percent Bias; Gupta et al., 1999; citados por Moriasi et al.,
2007), es un índice basado en diferencias simples, menos sensible a los valores extremos o
atípicos que los basados en diferencias cuadradas. Indica la tendencia promedio, expresada en
porcentaje, de los valores simulados a subestimar o sobrestimar los correspondientes valores
12
medidos. El valor óptimo es cero. Valores negativos indican tendencia a la sobrestimación y
positivos a la subestimación.
( )
( )∑
∑
=
=
−= n
i
n
i
Mi
EiMiPBIAS
1
1100 Ecuación 3
Índices de error.
Los índices de error más empleados son el Error Medio Absoluto (EMA) y la Raíz del Error
Medio Cuadrado 3 (REMC). Hacen referencia al error expresado en las unidades del elemento
simulado de interés. Singh et al. (2004) para la evaluación de modelos hidrológicos,
consideran como bajos los valores del Error Medio Absoluto y de la Raíz del Error Medio
Cuadrado cuando son menores que la mitad de la desviación estándar de los valores medidos.
El uso del Error Medio Absoluto es más adecuado, no sólo por su interpretación más natural e
intuitiva, si no porque la Raíz del Error Medio Cuadrado depende de otros factores aparte del
error en si mismo, como la variabilidad dentro de las magnitudes del error, la raíz cuadrada del
número de errores y el valor del Error Medio Absoluto, lo cual hace que su empleo pueda ser
inapropiado (Willmott y Matsuura, 2005).
∑=
−=
n
i
ii
nME
EMA1
Ecuación 4.
Donde:
n: número de pares de datos.
n
MEREMC
n
iii∑
=
−= 1
2)( Ecuación 5.
3 En numerosas publicaciones en español se le conoce simplemente como Error Medio Cuadrado, lo cual es razón
de frecuentes confusiones.
13
Índices basados en regresión.
El Coeficiente de Correlación (R) y el Coeficiente de Determinación (R2) se emplean, si no en
todos, en la gran mayoría de los trabajos de evaluación de modelos. Describen el grado de
linealidad conjunta que existe entre los valores medidos y simulados. El Coeficiente de
Correlación indica el grado de relación lineal, y el Coeficiente de Determinación, la
proporción de la varianza de los valores medidos explicada por el modelo.
A pesar de su amplio uso en la evaluación de modelos, presentan la limitación de ser muy
sensibles a valores extremos o atípicos, e insensibles a las diferencias aditivas y
proporcionales entre los valores simulados y medidos. Por lo tanto, al ser empleados en
evaluación de modelos, puede concluirse que el modelo es buen estimador, cuando podría no
serlo (Legates y McCabe, 1999; Willmott, 1982). Además, el valor de estos coeficientes no se
relaciona con la correspondencia de magnitudes entre los valores medidos y simulados
(Willmott, 1982; y Willmott et al., 1985). Esto puede ser ilustrado con dos casos extremos:
por un lado, es posible obtener valores altos de ambos coeficientes a pesar de que los valores
medidos y simulados sean totalmente distintos en magnitud; y por otro lado, es posible que el
Coeficiente de Correlación sea muy pequeño o negativo y al mismo tiempo, las diferencias
entre los valores medidos y simulados sean también muy pequeñas (Willmott, 1984).
Otros índices basados en regresión, y que es conveniente emplear para complementar el uso de
los Coeficientes de Correlación y de Determinación son la pendiente (B1) y el intercepto (B0)
de la ecuación de regresión entre los valores medidos y simulados. La pendiente indica la
relación entre los valores medidos y simulados. El intercepto indica la presencia de
desviaciones por exceso o defecto entre los valores medidos y simulados, o que ellos no están
perfectamente alineados. Una pendiente de uno y un intercepto de cero indica que existe
perfecta correspondencia entre los valores medidos y simulados. Estos índices se estiman y
emplean bajo el supuesto de que los valores medidos y simulados se asocian de manera lineal,
lo cual implica que todo el error de la varianza se debe a los valores simulados, y que los
medidos están libres de error, lo cual no es necesariamente cierto (Willmott, 1981; citado por
Moriasi, 2007). Por lo tanto, con estos índices puede sub-valuarse la calidad de las
simulaciones pues, en realidad, los valores registrados también están sujetos a incertidumbre,
lo cual, obviamente, no es considerado por el modelo.
14
4.5. El modelo SWAT.
4.5.1. Descripción general.
SWAT (Soil and Water Assessment Tool; Arnold et al,. 1998; Neitsch et al., 2005), es un
modelo de simulación de cuencas hidrográficas, de funcionamiento continuo a lo largo de una
serie de registros climatológicos y que permite desagregar la cuenca en unidades relativamente
homogéneas. Se considera una útil herramienta para la investigación de estrategias alternativas
de manejo de cuencas hidrográficas en cuanto a los efectos sobre la hidrología y calidad del
agua (White y Chaubey, 2005). Ha sido exitosamente empleado en numerosas ocasiones para
simulaciones de largo plazo de flujo, erosión y transporte de sedimentos y nutrientes en
cuencas de diferente tamaño y condiciones hidrológicas, climáticas y geológicas (Borah y
Bera, 2004; Bekiarisi et al., 2005; Schuol y Abbaspour, 2006).
SWAT se encuentra totalmente documentado en cuanto a su formulación (ver Neitsch et al.,
2005) 4. Es un modelo de tipo funcional, es decir, dentro de un marco de base física y
conceptual, considera los procesos relevantes que ocurren en el sistema hidrológico y describe
las relaciones o interacciones entre sus factores o elementos de manera más física o más
empírica, según se disponga de más o menos conocimiento al respecto.
El modelo SWAT fue desarrollado para evaluar el impacto del uso y manejo de la tierra sobre
la producción y calidad de agua y sedimentos en cuencas hidrográficas. Le integran los
siguientes componentes: hidrología, clima, sedimentación, temperatura del suelo, crecimiento
del cultivo, nutrientes, manejo agrícola y plaguicidas. Las salidas de uso más frecuente son
producción de agua y sus componentes (principalmente escorrentía superficial y flujo de
base), producción de sedimentos y carga de nutrientes y biocidas. Las simulaciones se
efectúan sobre base diaria, y pueden alcanzar decenas de años, haciendo uso de valores
climáticos leídos de registros, generados por el modelo o una combinación de ambas opciones.
Con SWAT, la cuenca en estudio se puede dividir en sectores o subcuencas, y a cada una,
asignar información particular de suelos, topografía, uso y manejo de la tierra e hidrología. No
obstante, aunque puede considerar la variabilidad espacial de los factores ambientales y de
4 Este documento incluye la formulación detallada del modelo. Disponible en Internet:
http://www.brc.tamus.edu/swat/downloads/doc/swat2005/SWAT%202005%20theory%20final.pdf
15
manejo sobre la cuenca, el usuario debe definir sectores homogéneos, es decir, considerar que
las condiciones ambientales y de manejo no varían dentro de cada sector. A estos sectores
homogéneos se les denomina “Unidad de Respuesta Hidrológica”, los cuales pueden ser
subcuencas en si mismas o subdivisiones de ellas según el suelo, la topografía y el uso de la
tierra.
SWAT es capaz de transitar el agua, los sedimentos, los nutrientes y los plaguicidas de un
sector a otro, según lo indique el sentido del flujo, y estimar estas variables para la salida de la
cuenca.
El modelo emplea información climatológica diaria. Puede leer la precipitación y la
temperatura de registros, u opcionalmente, generarlas según estadísticas mensuales calculadas
sobre base diaria. La precipitación se genera en dos fases: la ocurrencia, según una cadena de
Markov de primer orden, y la lámina, según una distribución normal sesgada. La temperatura
se genera según una distribución normal. Hasta la versión 99.2, la radiación siempre se genera
por el modelo a partir de los promedios mensuales, siguiendo una distribución normal. En
versiones posteriores, la radiación puede ser leída de registros. Información de punto de rocío
y velocidad del viento son imprescindibles si la evapotranspiración se estima mediante la
opción Penman-Monteith, e igualmente, se generan a partir de los promedios mensuales. Las
opciones para estimar la evapotranspiración de Priestley-Taylor y de Hargreaves, sólo
requieren de temperatura y radiación. En el Cuadro 2 se muestran los parámetros de
generación climática requeridos por el modelo.
16
Cuadro 2. Información climática requerida por el modelo SWAT versión 99.2.
Elemento Dato requerido Importancia.
Lámina Diaria (mm) Opcional pero recomendable
Número de días lluviosos promedio desviacion, sesgo. PWW y PWD diarios para cada mes.
Imprescindible.
Lámina máxima mensual de precipitación en 30 min (mm). Opcional pero recomendable.
Precipitación
Láminas máxima de 0,5 y 6 horas para 10 años de retorno Imprescindible
Diario Opcional pero recomendable. T max T min (ºC) Promedio y desviación mensual Imprescindible.
Radiación (Cal/cm2)
Promedio mensual Imprescindible.
Velocidad del viento (m s-1)
Promedio mensual
Punto de rocío (ºC)
Promedio mensual
Opcional. Imprescindible si se emplea la ecuación de Penman-Monteith para simular evapotranspiración
Fuente: Silva y Puche (2008). Información personal.5
5 Oscar Silva y Marelia Puche. Curso Modular Integrado de Modelos Agronómicos e Hidrológicos. Postgrado en
Agronomía. Universidad Central de Venezuela.
17
El suelo puede ser descrito con hasta cuatro horizontes, con información que se muestra en el
Cuadro 3.
Cuadro 3. Información requerida por capa de suelo por el SWAT versión 99.2.
Característica. Unidad Importancia Profundidad del límite inferior de cada horizonte mm Imprescindible. Densidad aparente Mg m-3 Imprescindible. Agua aprovechable mm mm-1 Imprescindible. Contenido de arena % Imprescindible. Contenido de limo % Imprescindible. Contenido de arcilla % Imprescindible. Fragmentos gruesos % volumétrico Opcional pero recomendble Carbono orgánico % Imprescindible Salinidad Opcional Concentración inicial de nitratos g Mg-1 Opcional Conductividad hidráulica saturada mm h-1 Imprescindible. Albedo (húmedo y seco)* Opcional Factor K de la Usle* Opcional, pero imprescindible
para estimar erosión. * Sólo para el primer horizonte. Fuente: Silva y Puche (2008). Información personal.6
SWAT estima la escorrentía diariamente mediante modificaciones de la metodología de
Número de Curva, con ajustes según pendiente y humedad del suelo. La infiltración se estima
como la diferencia entre la precipitación y la escorrentía. El modelo permite la opción de
estimar la escorrentía e infiltración mediante el método de Green – Ampt desagregando la
lluvia diaria en intervalos homogéneos de intensidad. Para ello requiere información adicional
sobre el patrón de la lluvia.
Una vez el agua infiltra, puede ser evaporada del suelo, consumida por las plantas, ser retenida
en el suelo o acuíferos y fluir subsuperficialmente en diversas formas.
6 Oscar Silva y Marelia Puche. Curso Modular Integrado de Modelos Agronómicos e Hidrológicos. Postgrado en
Agronomía. Universidad Central de Venezuela.
18
Ocurre movimiento de agua en el suelo cuando el contenido de agua en un momento dado
supera la capacidad de campo. De este excedente de agua, se calcula la fracción que se
desplaza al horizonte siguiente durante el día, como una función de la conductividad
hidráulica.
El flujo de agua subterránea se rige por una serie de parámetros. Estos parámetros influyen las
tasas con las que el agua infiltrada al suelo puede a) evaporarse hacia la superficie, b) fluir
desde el perfil humedecido del suelo hacia el acuífero superficial, c) evaporarse desde el
acuífero superficial hacia los estratos suprayacentes en un proceso denominado revap, d) fluir
desde el acuífero superficial hacia el cauce como flujo de base y e) infiltrar profundamente y
perderse hacia el acuífero profundo.
Los parámetros de agua subterránea son particularmente importantes pues se emplean como
factores de calibración. A continuación se indican estos parámetros:
a) Altura inicial de la mesa de agua.
b) Contribución inicial de la mesa de agua al flujo del río.
c) Factor alfa: Constante de recesión del flujo base. Índice directo de las respuesta del
flujo base ante la recarga de agua en el acuífero superficial. Puede estimarse según
los registros de producción de agua en las épocas en que no hay recarga en la
cuenca.
d) Rendimiento específico del acuífero superficial: Relación entre el agua drenada por
gravedad desde el suelo saturado y el cambio de recarga en el acuífero superficial.
e) Retardo del agua subterránea: Tiempo que tarda el agua en fluir del suelo hasta el
acuífero superficial. No puede ser medido directamente. Se estima modificando su
valor y comparando la recarga del acuífero simulada con valores medidos. Tipos
geológicos similares pueden tener similar valor de retardo.
f) Coeficiente revap: Relación entre la cantidad máxima de agua subsuperficial que
puede evaporarse a estratos superiores (lo que se conoce como revap) y la
evapotranspiración.
g) Coeficiente de percolación al acuífero profundo: Relación entre el agua que entra al
acuífero en un día y la cantidad máxima de agua que puede infiltrar al acuífero
profundo.
19
h) Almacenamiento umbral revap: Umbral de agua en el acuífero superficial para que
ocurra evaporación a los estratos superiores (o revap) o que infiltre al acuífero
profundo.
i) Almacenamiento inicial del acuífero profundo.
La producción de sedimentos se estima mediante la Ecuación Universal de Pérdidas de Suelo
Modificada (MUSLE). Con este fin, se emplea el volumen de escorrentía estimado mediante
Número de Curva, y el gasto pico se obtiene mediante una modificación de la fórmula
racional, donde la intensidad de las lluvias se sustituye por la lluvia que ocurre dentro del
tiempo de concentración, según la relación entre la lluvia máxima de media hora y la lluvia
total diaria. Los factores topográficos se derivan de información aportada por el usuario (o del
modelo digital de elevación si se emplea una interfaz para sistemas de información
geográfica). La erosionabilidad y el factor de prácticas de conservación del suelo los aporta el
usuario directamente. El factor de cobertura del uso y manejo de la tierra se estima según la
biomasa sobre el suelo, la cual simulada por el componente de crecimiento de cultivo.
El componente de cultivo provee información de cobertura para estimar erosión y el consumo
de agua por parte de las plantas a los fines de balance hídrico. La escorrentía es afectada poco,
e indirectamente, por el cultivo, ya que el valor de Número de Curva es ajustado sólo por la
humedad de suelo y es independiente de la cobertura. No obstante, el usuario puede indicar el
valor de Número de Curva para las labores. El cultivo se simula según la biomasa potencial
que puede acumularse según la radiación solar de cada día. El modelo aplica restricciones por
déficits de agua, nitrógeno, fósforo y temperatura. Los cambios en las tasas de crecimiento
ocurren según los grados días acumulados. Los parámetros de crecimiento y cobertura del
cultivo (o formación vegetal) se encuentran en la base de datos del modelo. El usuario puede
indicar la secuencia, fecha y tipo de las operaciones o labores de cultivo, así como los valores
esperables (o valores meta) de biomasa. El modelo cuenta con bases de datos de fertilizantes,
implementos y biocidas.
Entre los factores topográficos más relevantes para cada unidad de respuesta hidrológica (p.e
subcuenca), el usuario debe indicar la pendiente y longitud de las laderas; longitud, pendiente
y ancho del cauce y la fracción de la superficie total de la cuenca que ocupa cada sector.
20
Si lo considera conveniente, el usuario puede indicar información sobre el uso del agua, en
cuanto a volúmenes empleados de agua del cauce o de los acuíferos. El modelo es capaz de
simular dinámica de embalse y de hidráulica, degradación y sedimentación del cauce, para lo
cual se debe introducir gran cantidad de información adicional.
4.5.2. Evaluaciones de SWAT.
Borah y Bera (2004), al revisar una serie de evaluaciones de SWAT, concluyen que el modelo
ha sido adecuado para la estimación anual de flujos y carga de sedimentos y nutrientes; las
simulaciones mensuales han sido generalmente buenas, excepto para meses con tormentas y
condiciones hidrológicas extremas; y las simulaciones diarias en su mayoría, en los pocos
casos documentados, fueron de regulares a pobres.
Gassman et al (2007), en otra extensa revisión sobre aplicaciones de SWAT que incluyeron la
calibración y validación del modelo, señalan que, si se asume como umbral aceptable un valor
de 0,5 del índice de Eficiencia de Simulación (EF), en la mayoría de los casos revisados las
simulaciones de producción de agua mensuales y anuales pueden considerarse adecuadas, no
así las diarias y las simulaciones de contaminantes. Indican que los resultados más débiles
pueden ser atribuidos a: a) una representación deficiente de las lluvias, en razón de estaciones
pluviométricas insuficientes o mal distribuidas, b) empleo no calibrado del modelo, c)
imprecisiones en la medición de los gastos y d) periodos demasiado cortos para calibración y
validación.
En el Cuadro 4 se muestran los resultados de calibración y validación de SWAT en diversos
trabajos en variadas regiones del mundo. Se hace notar que en la totalidad de los trabajos
revisados, se empleó el coeficiente de regresión (R) o el de determinación (R2) y la gran
mayoría empleó la Eficiencia de Simulación. Se observa una tendencia similar a la señalada
por Gassman et al. (2007). Casi la totalidad de autores obtienen valores de Eficiencia de
Simulación superiores a 0,5, es decir, simulaciones que califican por lo menos de
satisfactorias, con una importante proporción de evaluaciones que califican de buenas (con
valores de Eficiencia de Simulación entre 0,65 y 0,75).
21
Cuadro 4. Resultados de calibración y validación para producción de agua mensual en
diversos lugares del mundo.
Fuente Localidad, país. Superficie (km2) Calibración Validación
Torres Benites et al., 2000. Atlacomulco, México. R: 0,92 B1: 0,82
Fohrer et al., 2001. Hesse, Alemania 59,8 - 81,8 R: 0,92 EF: 0,74
R: 0,71 - 0,85 EF: 0,53 - 0,79
Pikounis et al., 2003. Llanura de Thessaly, Grecia.
2976 R: 0,90 EF: 0,80
Singh et al, 2004 Illinois, EE.UU. 3440 R: 0,94 EF: 0,89 EMA: 0,21
R: 0,92 EF: 0,83 EMA: 0,38
Tiruneh, 2004. Lago Naivasha, Kenya 3200 R: 0,70 EF: 0,49
Benaman et al, 2005 New York, EE.UU 1178 R: 0,84 EF: 0,63 – 0,78
EF: 0,60 – 0,74
Bekiarisi et al. 2005. Ronnea, Suecia. 36 - 535 EF: 0,41 – 0,67 EF: 0,19 – 0,65 White y Chaubey, 2005 Arkansas, EE.UU 3100 R: 0,64 – 0,95
EF: 0,50 – 0,89
Bracmort et al., 2006. Indiana, EE.UU. 6,23 - 7,30 R: 0,93 - 0,96 EF: 0,73 - 0,84
R: 0,90 EF: 0,63 - 0,73
Nedkov y Nikolova, 2006 Norte de Bulgaria 1000 - 6000 R: 0,78 – 0,86
Santhi et al, 2005. Texas, EE.UU. 4554 R: 0,90 EF: 0,72
Schuol y Abbaspour, 2006. Oeste de África (13 países)
42000 - 1000000
EF: -1.16 – 0,82 EF: -0,63 – 0,54
Migliaccio et al., 2007. Arkansas. EE.UU 681 R: 0,81 – 0,95 EF: 0,81 – 0,89
R: 0,87 – 0,90 EF: 0,72 – 0,73
Stehr et al., 2008. Zona Central, Chile 439 - 1642 R: 0,84 – 0,98 EF: 0,54 – 0,93
R: 0,89 – 0,96 EF: 0,75 – 0,93
Los peores resultados mostrados en el Cuadro 4 se obtuvieron en África (Schuol y Abbaspour,
2006), en donde la superficie simulada y número de sub-cuencas fueron los más altos (con 292
subcuencas de un tamaño mínimo de 10000 km2 y 64 estaciones de aforo). Los autores
indican que los ajustes menos satisfactorios se debieron a la deficiente calidad de datos
climáticos y en especial, a factores inciertos de determinar, o no bien considerados por el
modelo, como el uso del agua en las cuencas, la presencia de un gran humedal (el delta
continental del río Níger) y numerosos diques a lo largo de los cauces, que retardan el flujo del
22
río y aumentan la evaporación. Así mismo, indican, que las mejores simulaciones se
obtuvieron en la región de cuencas más pequeñas.
Stehr et al. (2008), en una cuenca en Chile de 4265 km2, subdividida según cuatro estaciones
de aforo, obtienen simulaciones que varían entre satisfactorias y buenas en toda el área.
Indican que la peor simulación ocurrió en la subcuenca con mayor proporción sobre la
montañas andinas, con una representación menos adecuada de la orografía y además, donde la
información climática es más pobre. Contradictoriamente obtienen una mejor simulación en la
fase de validación que en la calibración, lo cual explican por la existencia de grandes crecidas
durante este período, las cuales no fueron representadas acertadamente por el modelo.
Concluyen que SWAT es una herramienta útil para evaluar el impacto que ocasionen cambios
en el uso y en el clima sobre la hidrología de la cuenca. Señalan la necesidad de profundizar en
lo relacionado con la distribución espacial de las lluvias y la variación temporal de los valores
de Número de Curva, así como en la creación de una base de datos nacional de este parámetro
según los tipos de uso y coberturas vegetales locales.
Bekiarisi et al. (2005), en una cuenca de 1800 km2, ubicada en el suroeste de Suecia,
subdividida en siete subcuencas, calibradas independientemente con información de estaciones
de aforo, obtienen simulaciones durante la fase de calibración que califican de buenas, pero
que desmejoran en la fase de validación. Suponen que esto pueda deberse a deficiencias en la
calibración y a la falta de representatividad de la información climática. También hacen
referencia a la similitud de los valores calibrados para los parámetros de agua subterránea, e
indican que esta poca variación se debe a las condiciones geológicas uniformes entre las
subcuencas. Concluyen que SWAT es un modelo flexible, adaptable a diversas condiciones
hidrometeorológicas, de suelo y de uso de la tierra.
Torres Benites et al. (2000), al calibrar SWAT en una cuenca de Atlacomulco, México,
obtienen buen ajuste gráfico y consideran aceptables el Coeficiente de Determinación (0,84) y
la pendiente de la línea de regresión (0,82). Señalan que el modelo sobrestimó la producción
de agua en los meses de las últimas lluvias, lo cual atribuyen a la humedad residual del suelo,
no bien interpretada por el modelo. Posteriormente, en otra cuenca mexicana, en Guanajuato,
Torres Benites et al. (2005), al evaluar SWAT sin proceder a ningún ajuste de parámetros,
obtienen que el modelo subestimó en aproximadamente 50% a los valores anuales medidos de
producción de agua. Posteriormente a la calibración de parámetros, la pendiente de regresión
23
entre los valores anuales medidos y simulados aumentó de 0,50 a 0,99, y el Coeficiente de
Determinación de 0,82 a 0,97. De ello, concluyen que el empleo de modelos de simulación
sin previa calibración puede conducir a importantes errores de estimación. Resaltan la
conveniencia de que los modelos hidrológicos se calibren y validen antes de su aplicación,
aunque su naturaleza le permita ser empleados en cuencas sin aforos.
Nedkov y Nikolova (2006) en una cuenca de 7000 km2 del norte de Bulgaria, calibrada según
tres estaciones de aforo, indican que las simulaciones menos satisfactorias se obtuvieron en el
área de mayor tamaño, que además, tuvo la mayor variedad de paisajes y careció de una
estación climatológica que representara adecuadamente la extensa área de montañas. A pesar
de estas limitaciones, y de haber empleado la información mínima requerida por el modelo,
consideran la evaluación satisfactoria para toda la cuenca.
Singh et al. (2004), en una cuenca de 3440 km2, en Illinois, EE.UU, obtienen simulaciones de
calibración y validación que califican como muy buenas (Eficiencia de Simulación mayores a
0,80). A pesar de ello, señalan que los flujos más bajos fueron pobremente simulados, lo cual
podría deberse, según los autores, a una representación inadecuada en el modelo del
almacenamiento sub-superficial y la consecuente liberación de agua como flujo base.
Simplificaciones en la descripción del flujo subsuperficial y de las pérdidas de transmisión en
el cauce pueden ser causas adicionales en las discrepancias de los valores simulados. Añaden
que la simulación de los flujos de agua más bajos puede ser mejorada mediante la calibración
de los parámetros de recesión de flujo de base y de retardo de agua subterránea.
Benaman et al. (2005), al evaluar SWAT en una cuenca de 1178 km2, obtienen simulaciones
de satisfactorias a buenas, tanto en las subcuencas comparativamente pequeñas como en las
grandes. Señalan que la peor simulación se obtuvo en la subcuenca más pequeña (35 km2),
donde el flujo de agua era considerablemente menor, por lo que pequeñas fluctuaciones en los
valores simulados, causaron mayor variación en las estadísticas de evaluación. Según los
autores, esto puede ser muestra de la debilidad de SWAT al simular cuencas pequeñas cuando
éstas se integran en la simulación de una cuenca mayor.
White y Chaubey (2005), en Arkansas, EE.UU, al calibrar y validar SWAT en una cuenca de
3500 km2, para las diversas subcuencas obtienen simulaciones entre satisfactorias y muy
buenas. Los resultados más pobres los atribuyen a la mayor incertidumbre de la información
24
climática y a al creciente urbanismo, lo cual no fue considerado en la información de entrada
al modelo.
En Venezuela se cuenta con pocas evaluaciones documentadas de SWAT. Silva (2004), en una
cuenca de 1,25 km2, ubicada en el pie de monte de la Serranía del Interior, al evaluar la
producción de agua diaria obtiene sobrestimaciones apreciables (con una pendiente de
regresión de 3,45 y Eficiencia de Simulación de -10). Debido a que se sobrestimaron los
valores de escorrentía durante los días de lluvias, pero se observó una subestimación
generalizada de los valores de flujo de base, señala la necesidad de ajustar simultáneamente
los valores de Número de Curva y de los parámetros de agua subterránea. Indica que los
requerimientos de información de SWAT pueden ser satisfechos con dificultades sorteables,
aunque prevé necesario el ajuste de bases de datos y de parámetros de calibración.
Posteriormente, en la misma cuenca, Carmona (2007), luego de calibrar con la ayuda de
registros adicionales los parámetros de agua subterránea y disminuir el valor de Número de
Curva según la profundidad del suelo y la presencia de horizontes fracturados de roca, obtiene
simulaciones diarias que califican de muy buenas y buenas en las fases de calibración y
validación respectivamente (con Eficiencias de Simulación de 0,91 y 0,60). No obstante, en la
fase de validación se obtiene una subestimación persistente de los valores (pendiente de
regresión de 0,56). Concluye la autora sobre la necesidad de ajustar los parámetros de agua
subterránea cuando existe flujo base en la cuenca, para lo cual es imprescindible contar con
registros que comprendan la estacionalidad del área de estudio, y así evaluar al modelo bajo
los diversos regímenes de humedad.
En la cuenca del río Chama (Andes Venezolanos), de 1118 Km2, Urribarri (2005), obtiene una
calibración calificada como muy buena (con Eficiencia de Simulación mayores a 0,98 y
coeficientes de correlación de 0,77, 0,82 y 0,60 para las simulaciones anual, mensual y diaria),
con lo cual concluye sobre lo adecuado del uso de SWAT en tales condiciones de trabajo.
4.5.3. Calibración y sensibilidad.
En el manual del usuario de SWAT, Neischt et al. (2002), recomiendan que la calibración se
cumpla en el siguiente orden: a) balance de agua y producción de agua; b) sedimentos y c)
nutrientes. Es conveniente que primero se calibre la producción de agua para valores anuales y
luego se afine la calibración para valores mensuales y diarios. Indican los autores, que en caso
25
de disponer información de varias estaciones de aforo, calibrar cada subcuenca en sentido
aguas abajo.
El procedimiento indicado se compone de los pasos siguientes:
Calibración de la escorrentía superficial: se ajusta el valor de Número de Curva
dentro de intervalos explicables. Luego, si aún la escorrentía superficial no se simula
de manera adecuada, recomiendan modificar los valores de agua aprovechable del
suelo (en ±0,04) y del factor de compensación de la evaporación de suelo.
Calibración del flujo de agua subterránea: para ajustar las magnitudes, se modifica
el coeficiente revap, la lámina umbral del acuífero superficial para que ocurra revap (o
almacenamiento umbral revap) y el umbral de lámina del acuífero superficial para que
ocurra flujo de base. Para ajustar la forma de los hidrogramas (distribución temporal
del flujo) se modifica la conductividad del cauce y el factor alfa de agua subterránea.
La selección de parámetros que deben ser calibrados varía según las condiciones del estudio y
de las salidas de interés en las simulaciones. No obstante, los parámetros o variables que se
señalan como de mayor influencia en la producción de agua son el Número de Curva, la
humedad aprovechable del suelo, el factor de compensación de la evaporación del suelo, el
coeficiente revap, el almacenamiento umbral revap y el factor alfa de agua subterránea.
White y Chaubey (2005), al hacer una revisión sobre los parámetros empleados en la
calibración de SWAT en diversos trabajos, resumen lo siguiente:
26
Cuadro 5. Revisión de parámetros de calibración según la variable de interés empleados por
usuarios de SWAT.
Variable de salida Parámetros empleados en la calibración
Flujo
Capacidad de almacenamiento en la canopia. Factor de compensación de la evaporación del suelo Propiedades del suelo Parámetros de agua subterránea
Rutina de de crecimiento del cultivo Coeficientes revap. Agua aprovechable del suelo
Número de Curva Densidad aparente del suelo. Factor de compensación del consumo de la planta. Conductividad hidráulica del suelo.
Sedimentos
Factor de ajuste del caudal pico. Coeficiente de rugosidad de Manning para el canal principal. Longitud promedio de la pendiente Erosionabilidad del suelo.
Cobertura del canal Parámetros de la USLE. Parámetro lineal para calcular la cantidad máxima de sedimentos que puede ser re-entrado durante el trásito de sedimentos. Pendiente de las laderas.
Erosión del canal. Factor de ajuste del gasto máximo para la producción de sedimentos. Parámetro exponencial para calcular la cantidad máxima de sedimentos que puede ser re-entrado durante el trásito de sedimentos. Coeficiente de rugosidad de Manning para los canales tributarios.
Transporte de fósforo
Fracción de la porosidad para excluir aniones. Coeficiente de percolación del fósforo. Parámetro de distribución de consumo de fósforo.
Fracción de enriquecimiento de fósforo en los sedimentos. Índice de disponibilidad de fósforo. Coeficiente de partición de fósforo en el suelo.
Concetración inicial de fósforo en el suelo. Densidad aparente.
Transporte de nitrógeno
Factor de mineralización del humus.
Concentración inicial de nitrógeno en el suelo.
Coeficiente de percolación del nitrógeno.
Fuente: White y Chaubey (2005)
En el mismo trabajo, los autores efectúan un análisis de sensibilidad automatizado en dos
cuencas del noroeste de Arkansas, EE.UU, y obtienen que no todos los parámetros que
causaron sensibilidad en el modelo fueron seleccionados por la rutina de calibración, y,
complementariamente, tuvieron que recurrir a algunos parámetros no incluidos en la lista de
los que causan alta sensibilidad para mejorar el ajuste entre valores medidos y simulados. De
los parámetros identificados como causantes de alta sensibilidad en la producción de agua,
sólo emplean en la calibración en Número de Curva y el parámetro de compensación de
27
evaporación del suelo. Aunque no fueron identificados como críticos, los autores emplean el
factor alfa de agua subterránea y el coeficiente de retardo de la escorrentía superficial.
Lenhart et al. (2002), en una cuenca experimental en Alemania, identifican como parámetros
que causan alta sensibilidad en la hidrología el agua aprovechable, la conductividad hidráulica
saturada y la densidad aparente del suelo. Señalan también como importantes, aunque menos
críticos que los anteriores, parámetros de la planta (índice máximo de área foliar, conductancia
máxima estomatal), y el gradiente de la pendiente. Advierten que la alta sensibilidad obtenida
ante los parámetros de suelo y vegetación pueda deberse a la pequeña superficie de la cuenca,
y que ésta se parametrizó con sólo dos tipos de suelo y un tipo de cobertura vegetal,
disminuyendo así la posibilidad de compensación del efecto sobre el espacio que ocurriría con
una mayor heterogeneidad de condiciones.
Govender y Everson (2005), en dos cuencas pequeñas en Sur África, identifican como
parámetros que causan mayor sensibilidad en la producción de agua al Número de Curva, la
conductividad hidráulica saturada del suelo y los parámetros de retardo, liberación y revap de
agua subterránea. Señalan que para disminuir los valores simulados y mejorar la calibración
del modelo, recurrieron a disminuir el Número de Curva con respecto a indicado en las tablas
típicas y aumentar el valor de la conductividad hidráulica saturada.
Torres Benites et al. (2000); en Atlacomulco, México, obtuvieron que el Número de Curva, el
factor de compensación de evaporación del suelo y el agua aprovechable del suelo, tuvieron
alta influencia sobre la escorrentía superficial. En cuanto a flujo de agua subterránea,
identifican al coeficiente revap y almacenamiento revap como parámetros más críticos. La
mayor sensibilidad de la erosión la atribuyen a los factores C y P de la Ecuación Universal de
Pérdida de Suelo y a la longitud y gradiente de la pendiente.
Stehr et al. (2008), en una cuenca en Chile, identifican como parámetros que causaron más
sensibilidad en la producción de agua al Número de Curva, la lámina umbral del acuífero
superficial para aportar al flujo de base, el agua aprovechable del suelo y la fracción de
percolación al acuífero profundo.
En un trabajo en una cuenca del pie de monte de la Serranía del Interior de Venezuela, Silva
(2004) destaca la importante sensibilidad que causa la radiación solar sobre la producción de
agua, pues este elemento climático modifica sensiblemente a la evaporación y consumo de
agua por parte de las plantas. Este es un factor de relativamente alta incertidumbre en las
28
versiones de SWAT en que la radiación debe ser generada por el modelo sin posibilidad de ser
leída directamente de registros.
Carmona (2007), al evaluar SWAT en la misma zona, con fines de establecer elementos para la
selección y ajuste de parámetros para calibrar al modelo, obtuvo diversos intervalos de
sensibilidad de la producción de agua y sus componentes ante el Número de Curva (Cuadro 6).
Indica que todos los componentes de la producción de agua son sensibles al valor del Número
de Curva, aunque en diversos umbrales e intervalos de éste. La producción de agua resultó
apreciablemente sensible con valores de Número de Curva mayores a 69, mientra que los
flujos que la componen resultaron sensibles ante un intervalo mayor, desde un umbral de 41.
Ello indica, que con valores de Número de Curva menores a 69, la magnitud de los flujos
superficial y subsuperficiales se compensa entre si, con lo que se afecta poco la producción de
agua. Por encima de este umbral, los flujos dejan de compensarse, con incrementos de la
escorrentía superficial y disminución del flujo subsuperficial (Figura 1).
Cuadro 6. Sensibilidad de la producción de agua y sus componentes ante el Número de Curva.
Sensibilidad
Alta Baja Producción de agua 69 – 95 15 – 69 Escorrentía superficial 41 – 95 15 – 35 Flujo base 41 – 90 15 – 35 Escurrimiento subsuperficial lateral 48 – 95 15 – 48
Fuente: Carmona (2007).
0
200
400
600
800
15 25 35 45 55 65 75 85 95Número de Curva
mm
Producción de agua Flujo baseEsc. superficial Esc. Subsuperficial lateral
Fuente: Carmona (2007).
Figura 1. Variación de la producción de agua, flujo base, escurrimiento superficial y
subsuperficial lateral promedio anual con respecto a la variación del Número de Curva.
29
En el mismo estudio, se indica el efecto de los parámetros de agua subterránea sobre el flujo
de base (Cuadro 7). La autora destaca que la variación en el valor de algunos parámetros de
agua subterránea solamente tiene efecto en el flujo de base en dependencia con el valor que se
confiera a otro parámetro, como el coeficiente revap y de percolación al acuífero profundo
que dependen del valor de almacenamiento umbral revap. Los únicos parámetros de agua
subterránea que causan efecto por si solos son el factor alfa y el tiempo de retardo del agua
subterránea. Además, indica que en algunos parámetros, el efecto sobre el flujo de base se
expresa un umbrales (valores críticos) de magnitud muy pequeña, por lo que frecuentemente
tal sensibilidad puede pasar desapercibida si los análisis se efectúan en intervalos no lo
suficientemente pequeños.
Cuadro 7. Influencia de los parámetros de agua subterránea.
Parámetro de agua subterránea Sentido del efecto Dependencia Valores críticos Altura inicial del flujo de agua subterránea (m) No causó efecto - -
Contribución inicial del flujo de agua subterránea al flujo del canal (mm.día-1) No causó efecto - -
Factor alfa del agua subterránea Directo Ninguna 0 - 0.002 Rendimiento específico No causó efecto - -
Retardo del agua subterránea (días) Inverso Ninguna
Más de 50 afecta magnitud anual Menos de 50 afecta distribución mensual
Coeficiente revap Inverso Almacenamiento umbral revap 0.04 – 0.2
Coeficiente de percolación del acuífero profundo Inverso Almacenamiento
umbral revap 0 – 0.5
Almacenamiento umbral revap (mm) Directo Coeficiente revap 0 – 1 Almacenamiento inicial del acuífero profundo (mm) No causó efecto - -
Fuente: Carmona, 2007.
30
5. Descripción del área de estudio.
5.1. Localización e importancia.
El estudio se efectuó en la cuenca media del río Pao. Tiene una superficie de 1522 km2, y su
mayor parte se ubica en el noreste del estado Cojedes (municipio Pao de San Juan Bautista), y
una porción, el área más alta, en el suroeste del estado Carabobo (municipio Valencia). Al
este, colinda con el estado Guárico (Figura 2) (MARNR, 1989, Escalona y Estrada, 1997;
Guillén, 2001).
Fuentes: límites de la cuenca MARNR (1989), base cartográfica MARNR (1994).
Figura 2. Localización de la cuenca media del río Pao.
En la cuenca media del río Pao, se localiza el embalse La Balsa, el cual, a través del Sistema
Regional del Centro, surte de agua para consumo doméstico e industrial a casi todo el estado
Aragua, (incluidas las poblaciones de Maracay, Palo Negro, Cagua, Turmero y Villa de Cura)
y parte de Carabobo (poblaciones de Güigüe, Yuma, Magdaleno, Boquerón, Central
Tacarigua, Los Guayos, Guacara y San Joaquín). Se estima que mediante este sistema de
aducción, se transmiten 5,6 m3 s-1 a las poblaciones mencionadas (Hidrocentro, 2006).
31
5.2. Hidrografía e hidrología.
El área aportante al embalse La Balsa se ha denominado “cuenca alta y media del río Pao”,
con una superficie 2684 km2 (Figura 3). La cuenca media del río Pao ocupa el 56,7% de esta
área. La cuenca alta surte de agua al embalse Cachinche, ubicado en la transición fisiográfica
hacia la cuenca media. Este embalse, restringe en gran medida el flujo de agua hacia la cuenca
media, por lo que el embalse La Balsa sólo recibe el agua producida en ésta. Aguas abajo de
este embalse, se considera la cuenca baja, hasta que el río Pao desemboca en el río Portuguesa.
Fuentes: límites de la cuenca MARNR (1989), base cartográfica MARNR (1994).
Figura 3. Localización de las cuencas alta y media del río Pao.
El río Mucaria, cuya cuenca tiene una superficie de 950 km2, es el principal tributario del
embalse La Balsa. A su vez, cuenta como tributarios a los ríos Aragüita, Pacaragua, Prepo y
Quebrada Gamelotal. El resto del área se compone de tributarios cuyas cuencas, en promedio,
tienen 100 km2 (cálculos propios) (Figura 4).
32
Fuente: MARNR (1989).
Figura 4. Cuencas de los principales tributarios del embalse La Balsa.
La cuenca media del río Pao, en el sitio del embalse La Balsa, es de flujo permanente, aunque
marcadamente estacional. Antes de la construcción del embalse de Cachinche, el caudal de
estiaje (flujo de base en la época seca) en promedio presentaba valores alrededor de 3,74 m3 s-1
(3,62 mm), y un promedio en los meses más lluviosos de 40,63 m3 s-1 (39,24 mm). El retardo
de la producción de agua con respecto a la precipitación es aproximadamente de un mes
(Figura 5).
0
50
100
150
200
250
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Meses
Gas
to p
rom
edio
(m3
s-1)
0
10
20
30
40
50
60
Prec
ipita
ción
pro
med
io y
gas
to
prom
edio
(mm
) Precipitación promedio de lacuenca (mm)
Gasto promedio (mm)
Gasto promedio (m3 s-1)
Fuente: Registros MARNR-SINAIHME: Gastos: 1952 – 1973; Precipitación: 1967 – 1992. Cálculos propios.
Figura 5. Precipitación y gasto promedio anual en la cuenca media del río Pao.
33
Antes de la construcción del embalse Cachinche, el gasto promedio anual era de 22,2 m3 s-1.
No es posible determinar a partir de registros el valor de los gastos posteriores a la
construcción de dicho embalse, pues la estación hidrométrica de la cuenca media (Paso La
Balsa) está afectada por la construcción del embalse La Balsa, a poca distancia aguas arriba de
ella. A manera de referencia general, pues el lapso registrado es muy corto, en la Figura 6 se
muestra como el gasto disminuyó alrededor de 9 m3 s-1 en promedio durante los tres años entre
la construcción de los embalses Cachinche y La Balsa. Posteriormente, el gasto saliente de la
cuenca media hacia la cuenca baja fue de 15,87 m3 s-1.
0
5
10
15
20
25
30
35
40
45
1950 1955 1960 1965 1970 1975 1980 1985
Fecha
Gas
to p
rom
edio
anu
al (m
3 s-1
)
Promedio anualPromedio del período
CachincheLa Balsa
1969 no disponible en registros.
Fuente: Registros MARNR-SINAIHME. Cálculos propios. Figura 6. Gastos anuales promedio en la cuenca media del río Pao.
Con el fin de obtener estimados relativamente precisos de la producción de agua en la cuenca
del río Pao, INOS-GGR Ingeniería (1991) recurren al empleo de ecuaciones de regresión que
asocian mensualmente el gasto en Cachinche con el de La Balsa y del modelo de simulación
del National Weather Service River Forecasting System (NWSRFS; Burnash, et al., 1973)
calibrado con los periodos de registro antes de la construcción de los embalses. Con ello,
obtienen lo que denominan “series seudohistóricas” de 32 años de registro para ambas partes
de la cuenca y el mismo lapso de tiempo (1952 – 1983) sin el efecto que ocasionó la
construcción de los embalses en las estaciones hidrométricas, y la consecuente distorsión en
los registros.
34
En dicho trabajo, se justifica la extensión de la serie de datos como medio de evidenciar la
presencia de lo que denominan “secuencias de años húmedos y secos” según observaron en los
registros de precipitación, lo cual, a su entender, se reflejó en los valores de gasto. Los autores
señalan que la primera parte de la serie se corresponde con los años húmedos y la final con los
años secos (Figura 7), con una variación en el promedio de 23,25 m3 s-1 a 18,09 m3 s-1
(cálculos propios).
05
1015202530354045
Año
s
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
Años
Gas
to (m
3 s-1
)
La BalsaCachinchePromedio (La Balsa)
Fuente: INOS-GGR Ingeniería (1991), con modificaciones.
Figura 7. Gastos anuales en Cachinche y La Balsa según series seudohistóricas.
5.3. Clima.
La precipitación promedio anual en la cuenca media varía entre 1250 mm, en las zonas más
secas al noroeste, y 1500 mm, en el centro norte. En la mayoría del área la precipitación varía
entre 1300 y 1400 mm promedio al año. En toda la cuenca media la precipitación es
estacional. (Figura 8).
35
Fuentes:Isoyetas: MARNR, 1989.Promedios de precipitación: Registros MARNR - SINAIHME 1968 – 1992.
Figura 8. Isoyetas y distribución promedio mensual de la precipitación en la cuenca media del
río Pao.
Predomina la zona de vida de Bosque Seco Tropical, aunque en las áreas más altas, sin que
existan cambios muy apreciables en la precipitación, se encuentra la zona de vida Bosque
Húmedo Premontano. Una pequeña fracción, hacia el centro norte de la cuenca, podría
clasificar como Bosque Muy Húmedo Premontano.
En la cuenca sólo existe una estación con registro de temperaturas (Pao Oficina), ubicada casi
en el extremo sur (más bajo de la cuenca). En este lugar, la temperatura promedio anual es de
26,9 oC, la máxima de 33,4 oC y la mínima de 20,5 oC. El mes más cálido es marzo, con una
temperatura máxima de 36,3 oC y mínima de 20,6 oC; y el más frío enero, con una temperatura
máxima de 34,6 oC y mínima de 18,8 oC (Figura 9).
36
0
5
10
15
20
25
30
35
40
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov DicMeses
Tem
pera
tura
(oC
)
MáximaPromedioMínima
Fuente: MARNR-SINAIHME. Registros: 1968 – 1983.
Figura 9. Temperatura máxima, media y mínima promedio mensual. Estación Pao Oficina.
En promedio anual, la mayor parte de la cuenca presenta una temperatura máxima de 32 oC,
aunque en el sector noreste puede ser un tanto más baja, de 30 oC. En cuanto a la distribución
espacial de la temperatura mínima promedio anual, casi toda la cuenca presenta un valor de
20 oC, con excepción de una pequeña zona, al noroeste, con un valor de 16 oC (Figura 10).
Temperatura máxima anual promedio (oC) Temperatura mínima anual promedio (oC)
Fuente: MARN – IGVSB, 2003
Figura 10. Isotermas máximas y mínimas anuales en la cuenca media del río Pao.
37
5.4. Geomorfología y suelos.
La cuenca media del río Pao se ubica en la región fisiográfica de la Serranía del Interior. El
paisaje es predominantemente de colinas de variada altitud, con montañas bajas hacia el
noreste y áreas de valle relativamente planas hacia el sur, en las cercanías del embalse (Figura
11). En el extremo sur, límite entre las cuencas media y baja, se ubican las Galeras del Pao.
Fuente: MARNR (1989).
Figura 11. Fisiografía de la cuenca media del río Pao.
El 74% de la cuenca media tiene altitudes inferiores a 500 m (piso basal) y el resto no
sobrepasa los 1300 m (piso premontano). En general, las pendientes varían entre 15 y 55% en
las áreas de colinas y montañas, y entre 1 y 6% en el área de valles (Guillén, 2001). En el
Cuadro 8 se muestra la distribución de las pendientes según la superficie de la cuenca media.
38
Cuadro 8. Distribución de la superficie de la cuenca media del río Pao según la pendiente.
Pendiente (%) Clase Superficie (%) 0 - 2 Muy baja 25,15 2 - 6 Moderadamente baja 9,94 6 - 13 Moderadamente alta 11,85 13 - 25 Alta 18,64 25 - 55 Muy alta 22,38
Más de 55 Extremadamente alta 8,37 Fuente: Guillén (2001).
Los suelos, en general, son de texturas medias, en especial, francoarenosos, con moderadas
limitaciones de fertilidad, riesgo de erosión, pendiente, profundidad y drenaje. En el Cuadro 9
se muestra una relación generalizada entre las unidades fisiográficas geomorfología y el suelo.
Cuadro 9. Relación entre las unidades fisiográficas y los suelos.
Unidad fisiográfica Dominantes Menor proporción Montañas bajas. Inceptisoles, Ultisoles. Alfisoles, Entisoles.
Colinas altas. Tropepts, Ustalfs Ustults, Aquepts, Usterts.
Colinas medias. Orthents, Ustults, Aquepts, Ustalf, Usterts.
Tropepts, Psamments, Fluvents.
Colinas bajas Ustalfs, Tropepts, Aqualfs. Aquepts, Usterts, Ustults.
Valles Tropepts, Ustolls, Aquepts, Fluvents, Usterts.
Ustult, Ustalfs, Aqualfs.
Fuente: MARNR (1989).
5.5. Geología.
En la cuenca media del río Pao predominan formaciones geológicas pertenecientes a edades
entre el Paleozoico y el Cuaternario, con litología de gneis, esquistos, filitas y lutitas (Cuadro
10).
39
Cuadro 10. Principales formaciones geológicas de la cuenca media del río Pao.
Formación Edad Localización Litología
Complejo El Tinaco Paleozoico inferior Parte media de la cuenca.
Gneis -Esquistos
Aragüita Mesozoico, Cretáceo Medio.
Parte inferior de la cuenca, sureste del embalse La Balsa.
Esquistos, filitas, tobas volcánicas.
Mucaria Mesozoico, Cretáceo Superior
Sur-oeste de la cuenca.
Filitas, afloramientos intercalados con lutitas.
Grupo Villa de Cura Cenozoico Inferior - Paleoceno
Noreste de la cuenca. Metatobas, filitas, esquistos.
Quebradón. Oligoceno tardío a Mioceno medio.
Sur de la cuenca (Galeras del Pao)
Areniscas, lutitas.
Rellenos fluviotorrenciales.
Cuaternario Altiplanicies y valles del norte y sur de la cuenca.
Fuentes: MARNR (1989); MMH (1976).
5.6. Vegetación y uso de la tierra.
La vegetación predominante es de matorrales (con tipos que incluyen asociación con bosques,
pastizales y estrato herbáceo degradado), seguido de pastizal natural pastoreado y bosque
claro. Una pequeña fracción de la superficie se destina a cultivos anuales, en sistemas de
subsistencia (conucos abiertos y asociados con matorrales) y comerciales (MARNR, 1989)
(Figura 12 y Cuadro 11).
40
Fuente: MARNR (1989); con modificaciones.
Figura 12. Vegetación generalizada de cuenca media del río Pao.
Cuadro 11. Distribución de la superficie de la cuenca media del río Pao según los tipos
generalizados de vegetación.
Tipo de vegetación Superficie (%) Cultivos anuales de ciclo corto 1,39 Cultivos anuales en matorrales 2,92 Bosque claro 17,20 Matorrales 46,33 Pastizal natural pastoreado 27,01 Conucos 5,16
Fuente: MARNR (1989), con modificaciones. Cálculos propios.
41
6. Metodología.
6.1. Uso del modelo SWAT.
6.1.1. Versión empleada y opciones generales de control de la simulación.
Se empleó la versión SWAT 99.2 para Windows, en la cual es posible dividir la cuenca hasta
en 60 unidades de respuesta hidrológica. En todas las simulaciones la precipitación fue leída
de registros diarios, mientras que se generaron los valores de temperatura y radiación global
(esta versión no lee valores diarios de este último elemento). La evapotranspiración se estimó
mediante la opción Priestley-Taylor. La escorrentía e infiltración se simularon mediante la
opción de Número de Curva. Los valores diarios de producción de agua simulada se
acumularon en totales mensuales.
6.1.2. Inventario de información climática e hidrológica.
La cuenca del río Pao cuenta con registros de una estación hidrométrica (Paso La Balsa),
actualmente en desuso, ubicada en la transición fisiográfica entre la cuenca media y cuenca
baja, a poca distancia aguas abajo del embalse La Balsa. Dentro de la cuenca media o a menos
de cinco kilómetros de distancia de sus límites, se encuentran seis estaciones pluviométricas
(Figura 13). Una estación climatológica (Pao Oficina) dispone registros mensuales de
temperatura y radiación. No existen estaciones que registren radiación, humedad y viento, las
más cercanas, se ubican en la ciudad de San Carlos, estado Cojedes y en Samán Mocho,
estado Carabobo, a 62 y 45km, respectivamente, del centro de la cuenca media.
42
Agua BlancaCaruto Belén
Figura 13. Ubicación de las estaciones pluviométricas e hidrométricas más cercanas.
Aunque se dispone de información hidrométrica mensual de la estación Paso La Balsa desde
1952 hasta 1986 (Anexo 1, Anexo 2) debido a la construcción del embalse Cachinche, en
1973, no se consideró conveniente emplear los registros a partir de esta fecha debido al efecto
sobre las mediciones de producción de agua aguas abajo. De igual manera procedieron INOS-
CGR Ingeniería (1991) al calibrar y aplicar un modelo de lluvia - escorrentía en esta misma
área.
Con ello, la coincidencia de información pluviométrica diaria de las estaciones más cercanas a
cuenca media del río Pao y de su estación hidrométrica, se redujo a seis años, de 1967 a 1973,
sin incluir a 1969 (por falta de registros) (Cuadro 12). Por tanto, este breve período es el único
donde es posible obtener pares de valores registrados y simulados de producción de agua, el
cual resulta demasiado corto para emplear una parte en calibración y otra en validación.
Aunque en su trabajo INOS-CGR Ingeniería (1991) estiman los gastos de este año con un
43
modelo calibrado (con coeficiente de correlación de 0,96 y diferencia relativa de 3%), no se
consideró conveniente emplear esta información para la calibración de SWAT para mantener la
relación de distribuciones entre los valores registrados y simulados.
Como se observa en el Cuadro 12, 15 años de registros hidrométricos (1952 – 1966) carecen
de contraparte pluviométrica y 19 años (1974 – 1992) de información pluviométrica en casi
todas las estaciones, carecen de contraparte hidrométrica utilizable (por construcción de los
embalses). Por tal razón, como ya se adelantó, se efectuó la calibración del modelo según la
distribución de frecuencias y valores promedio mensuales de producción de agua simulada
para el período 1977- 1991 contra la registrada en el período 1952 - 1966, ambos de 15 años.
La simulación se inició en 1976, con el fin de poder desechar el primer año de simulación
debido a que el modelo partiría de una condición inicial de humedad inciertamente seca, con
problemas consiguientes en el balance de flujos y retención de humedad en la cuenca. En la
literatura hidrológica, se denomina a este tiempo como período de “calentamiento” o
“inicialización” (Lenhart et al., 2002; Reungsang et al., 2005).
44
Cuadro 12. Disponibilidad de información pluviométrica (diaria) e hidrométrica (mensual).
Pluviométricas Hidrométrica
Año Pao
Oficina Pao
Planta Cachinche Morita Caserío Manuare
Las Dos Bocas
Agua Blanca
Caruto Belén Paso La Balsa
1952 x
1953 x
1954 x
1955 x
1956 x
1957 x
1958 x
1959 x
1960 x
1961 x x
1962 x x
1963 x x x
1964 x x x
1965 x x x
1966 x x x
1967 x x x x x x x x
1968 x x x x x x x x
1969 x x x x x x x x
1970 x x x x x x x
1971 x x x x x x x x x
1972 x x x x x x x x x
1973 x x x x x x x x x
1974 x x x x x x x x x
1975 x x x x x x x x x
1976 x x x x x x x x x
1977 x x x x x x x x x
1978 x x x x x x x x x
1979 x x x x x x x x x
1980 x x x x x x x x x
1981 x x x x x x x x x
1982 x x x x x x x x x
1983 x x x x x x x x x
1984 x x x x x x x x
1985 x x x x x x x x
1986 x x x x x x x x
1987 x x x x x x x
1988 x x x x x x x
1989 x x x x x x x
1990 x x x x x x x
1991 x x x x x x x
1992 x x x x x x x
Años 25 25 25 25 30 26 26 23 34
45
La fase de validación, se cumplió empleando los 72 pares de valores mensuales absolutos de
producción de agua registrada y simulada entre 1967 y 1973 (sin 1969) (ver filas sombreadas
en el Cuadro 12). Como la simulación tuvo que iniciarse en 1966 a los fines de desechar el
primer año, y ante la carencia de información climática de dicho año en las estaciones
seleccionadas, se empleó la información de la única estación con disponibilidad (Manuare). A
pesar de las imprecisiones inherentes, ello permite estimar un estado de humedad razonable,
no uno absolutamente seco.
La producción de agua mensual de los registros provistos por MARNR-SINAIHME7
expresada en gasto (m3 s-1) se transformó a lámina (mm) de la siguiente manera:
26
1111
. .10*.30*.24*.3600*.1000
2
13
1 −
−−−−−
− =kmmSup
mesdíasdíahhsmmmQQ
km
smmesmm
Ecuación 6.
Q: producción de agua mensual.
Sup: superficie de la cuenca (km2)
6.2. Información empleada en el modelo.
6.2.1. Clima.
Precipitación:
Para las fases de calibración y validación, el modelo se programó para leer los valores de
precipitación diaria, obtenidos a partir del procesamiento de registros digitales provistos por el
entonces Ministerio del Ambiente y de los Recursos Naturales Renovables (hoy Ministerio del
Poder Popular para el Ambiente). La ubicación de las estaciones pluviométricas empleadas se
muestra en la Figura 13. A continuación se presenta la lista de las mismas.
7 Ministerio del Ambiente y de los Recursos Naturales Renovables – Sistema Nacional de Información
Hidrológica y Meteorológica.
46
Cuadro 13. Estaciones pluviométricas empleadas en las simulaciones.
Estación Serial Tipo Coordenada Este Coordenada Norte Pao Planta 2339 PR -68,11 9,76 Pao Oficina 2349 PR -68,05 9,65 Morita Caserío 2348 PR -68,26 9,66 Cachinche 2318 PR -68,14 9,90 Las Dos Bocas 0491 PR -67,99 9,96 Manuare 2404 PR -67,81 9,97
La relación de valores faltantes o englobados se muestra en el Cuadro 14 y Cuadro 15. En
general, se aprecia que el período de validación cuenta con mejor calidad de datos que el
período de calibración. En promedio, los valores perdidos o englobados representaron 19% en
el período para calibración y 13% en el período para validación. En general, los valores
perdidos o englobados se encuentran entre 6 y 30% en promedio anual.
Cuadro 14. Valores faltantes o englobados de los registros de precipitación diaria
empleados en la fase de calibración.
Años Pao Oficina Pao Planta Morita Cachinche Dos Bocas Manuare 1977 0 50 8 2 38 70 1978 0 25 6 47 79 61 1979 0 3 1 178 79 116 1980 0 39 0 95 40 106 1981 0 125 9 178 112 234 1982 0 121 11 32 75 115 1983 0 50 67 125 80 160 1984 0 155 87 160 59 146 1985 64 5 58 93 76 195 1986 7 69 42 29 75 149 1987 86 133 8 6 33 0 1988 207 216 38 60 152 75 1989 134 129 2 116 142 73 1990 92 105 0 116 155 81 1991 9 17 0 116 0 45
Total días faltantes 599 1242 337 1353 1195 1626
Promedio de días faltantes por año 39.9 82.8 22.5 90.2 79.7 108.4
Porcentaje de días faltantes por año 10.9 22.7 6.2 24.7 21.8 29.7
47
Cuadro 15. Valores faltantes o englobados de los registros de precipitación diaria
empleados en la fase de validación.
Años Pao Oficina Pao Planta Morita Cachinche Dos Bocas Manuare
1967 4 8 0 365 3 0 1968 31 0 366 366 0 0 1969 0 27 38 4 0 25 1970 365 365 11 8 23 20 1971 0 13 47 0 6 9 1972 0 0 15 20 24 5 1973 0 25 10 13 8 15 Total días faltantes 400 438 487 776 64 74 Promedio de días faltantes por año 57.1 62.6 81.2 110.9 9.1 10.6 Porcentaje de días faltantes por año 15.7 17.1 22.2 30.4 2.5 2.9
A partir de los registros digitales originales, mediante la herramienta CIESA_Clima V 1.0
(Guerrero, 2004; información personal8), se obtuvieron archivos para cada estación con los
valores diarios arreglados en una sola columna continua. Ello obedeció a las siguientes
razones: a) se facilita la comparación de los valores día a día entre estaciones y b) se facilita la
adaptación del formato a los requerimientos de SWAT y de la herramienta WXPM (Williams,
2000; información personal9) empleada para el cálculo de los parámetros de generación de
precipitación.
Para emplear los registros pluviométricos en el modelo, se procedió a rellenar los valores
perdidos o englobados siguiendo los siguientes criterios:
a) En caso de valores perdidos: se empleó el valor del mismo día de la estación más
cercana. A los fines de transferencia de datos, en la parte alta de la cuenca se contó con
dos estaciones adicionales: Caruto Belén y Agua Blanca (Cuadro 16).
8 José Guerrero, Universidad Nacional Experimental Rómulo Gallegos (UNERG). 9 Jimmy Williams. Soil and Water Research Laboratory. Blackland Research Center. Agriculture Research
Service. Temple, Texas.
48
Cuadro 16. Estaciones pluviométricas adicionales empleadas para la
transferencia y desenglobe de datos en la parte alta de la cuenca.
Estación Serial Tipo Coordenada
Este Coordenada
Norte Caruto Belén 0495 PR -67,60 9,99 Agua Blanca 0489 PR -67,84 10,05
Este procedimiento afecta a la magnitud y ocurrencia de las lluvias, por tanto, su uso
debe ser muy limitado. En este estudio, los valores perdidos componen menos del 4%
de los registros de todas las estaciones, y en el peor de los casos 8% de una estación.
b) En caso de valores englobados:
b.1) El englobe acumulado se distribuyó entre los días englobados de la
siguiente manera:
PEp
e kjj
.= ; Ecuación 7
Donde e es el valor estimado para el día j de la estación problema, p es la
precipitación para el día j de la estación cercana con el valor acumulado de
precipitación más similar al englobe, E es el valor del englobe acumulado en el
período k de las estación problema y P es la precipitación acumulada para el
período k de la estación más cercana. A los fines de desenglobe de datos, en la
parte alta de la cuenca se contó con las estaciones Caruto Belén y Agua Blanca
(Cuadro 16).
Este procedimiento no afecta los valores mensuales de precipitación, pues
simplemente desagrega los valores englobados. Puede afectar el número de días
lluviosos y la magnitud de las lluvias si se emplean como apoyo estaciones
pluviométricas con diferente magnitud y régimen de lluvias. En este estudio, se
espera que el impacto en las secuencias de días húmedos y secos sea mínimo
debido a la cercanía de las estaciones climatológicas, separadas en general, por
alrededor de 15 km.
49
b.2) En casos de englobe sin posibilidad de desagregación por carencia de
valores en estaciones cercanas, cuando el englobe acumulado fue menor o
igual que 11,5 mm, se asumió el valor cero para cada uno de los días
englobados. Este valor corresponde con la mayor lámina de lluvia que no
produciría escorrentía para el promedio de los suelos de la zona, con la peor
cobertura vegetal y en condición de humedad antecedente promedio. Por lo
tanto, independientemente de que se trate de una o varias lluvias que sumen esta
lámina, no se afecta el escurrimiento ni la infiltración. Este criterio se basa en
que con la fórmula del Número de Curva, empleado por SWAT, lluvias menores
al 20% de la retención potencial (0,2*S) no producen escorrentía.
)8,0()2,0( 2
SPSPQ
+−
= Ecuación 8
SU 2,0: tantoloPor = Ecuación 9
25425400−=
CNS Ecuación 10
Q es la lámina de escorrentía (mm); S es la retención potencial en el complejo
suelo cobertura, CN es el Número de Curva de la peor cobertura vegetal en el
suelo promedio de la cuenca y U es el valor umbral de lluvia para que se
produzca escorrentía.
Debe tenerse presente que este procedimiento afecta las secuencias reales de
días húmedos y secos, por lo tanto no es adecuado cuando los registros se
emplearán para calcular parámetros de generación de precipitación como el
número de días de lluvia y las probabilidades de día húmedo luego de día seco
y de día húmedo luego de día húmedo. En este estudio, tal procedimiento
carece de mayor impacto, pues la lluvia se emplea a partir de registros sin
recurrir a generación, y además, la producción de agua se acumula
mensualmente. No obstante, puede afectarse la generación de temperatura y de
radiación, que dependen de las probabilidades de lluvia.
50
Una vez se contó con los registros con los datos completos, se obtuvieron los parámetros de
generación de precipitación requeridos por el modelo (Cuadro 2) mediante la herramienta
WXPM previamente citada.
Temperatura:
El modelo se programó para generar los valores de temperatura máxima y mínima. Para el
área más baja de la cuenca media, asociada a las estaciones Pao Oficina, Pao Planta y Morita
Caserío, se emplearon los promedios mensuales de las temperaturas máximas y mínimas, y
los coeficientes de variación de la temperatura media mensual de la estación San Carlos-
Unellez, ubicada en promedio, a unos 48 km al oeste de estas estaciones. La estación
Cachinche, aunque está ubicada en la parte alta, por sus condiciones ambientales fue asociada
también a la estación San Carlos Unellez. Para el área más alta, a las estaciones Las Dos
Bocas y Manuare, se les asoció la información de la estación Samán Mocho, ubicada en
promedio, a unos 25 km al noreste de estas estaciones. No se empleó la información de
temperatura de la estación Pao Oficina por no disponer de los valores diarios necesarios para
el cálculo de las estadísticas (parámetros de generación) requeridas por SWAT.
Radiación:
La radiación siempre se genera con el modelo. Se emplearon los promedios mensuales de la
estación San Carlos Unellez, pues no existe alguna otra estación con registros de este
elemento.
6.2.2. Suelos.
A cada una las unidades fisiográficas identificadas y delineadas por MARNR (1989), se le
asoció un pedón representativo de la base de datos del Sistema de Información Edafoclimático
del Ministerio del Ambiente y de los Recursos Naturales Renovables. Para efectuar esta
asociación se consideró la ubicación geográfica, la formación geológica y el tipo de paisaje de
los pedones.
51
La información faltante (densidad aparente, agua aprovechable y conductividad hidráulica
saturada) se estimó con el sistema SoilPar (Donatelli y Acutis, 2001; Acutis y Donatelli,
2003).
SoilPar es un sistema computarizado que permite estimar parámetros hidrológicos de suelo
mediante diversos métodos matemáticos según opte del usuario. Estos métodos se han
clasificado en tres tipos: a) de pedotransferencia puntual, b) de pedotransferencia funcional y
c) de ajuste de la curva de retención.
Los métodos de pedotransferencia puntual consisten en ecuaciones empíricas que estiman la
densidad aparente, la capacidad de campo, el punto de marchitez permanente y la
conductividad hidráulica saturada directamente a partir características del suelo.
Los métodos de pedotransferencia funcional estiman la capacidad de campo y el punto de
marchitez mediante el ajuste a funciones de retención de humedad. Este ajuste se efectúa con
valores de retención de humedad a diversas tensiones obtenidos por métodos de
pedotransferencia puntual.
Los métodos de ajuste de la curva de retención estiman la capacidad de campo y el punto de
marchitez permanente mediante el ajuste de curvas de retención de humedad con valores de
humedad a diferentes tensiones provistos por el usuario.
Para las fases de calibración y validación del modelo, se empleó la densidad aparente estimada
mediante la opción10 Baumer – EPIC (de pedotransferencia puntual). El valor de agua
aprovechable se estimó como la diferencia entre la capacidad de campo y el punto de
marchitez permanente, obtenidos a su vez, mediante la opción Campbell (de pedotransferencia
funcional) del sistema SoilPar. Esta opción se seleccionó por producir los valores de agua
aprovechable más cercanos a la mediana de los producidos por todas las opciones disponibles
(Cuadro 17, Figura 14). Consecuentemente, la conductividad hidráulica saturada se estimó con
esta misma opción.
10 Se emplea la misma nomenclatura que el sistema SoilPar para identificar los métodos (opciones) de estimación
utilizados.
52
Cuadro 17. Promedios de agua aprovechable del suelo estimados mediante las opciones de SoilPar.
Opción Promedio de agua aprovechable estimada (m m-1)
Mayr-Jarvis 0.22 Baumer 0.16 British topsoil 0.14 Rawls 0.13 EPIC ASW 0.12 Brakensiek 0.12 Campbell 0.11 Rawls 85 0.10 Vereeken 0.09 Hudson 0.09 Manrique 0.07 British subsoil 0.07 Mediana 0.11
0102030405060708090
100
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
Agua aprovechable (m m-1)
Frec
uenc
ia a
cum
ulad
a (%
)
BaumerBrakensiekBritish subsoilBritish topsoilEPIC ASWHudsonManriqueRawlsCampbellMayrRawls - BrakensiekVereeken
Figura 14. Frecuencias acumuladas del agua aprovechable del suelo estimada según las
diversas opciones del sistema SoilPar.
Luego de la fase de validación, se emplearon valores de agua aprovechable obtenidos
mediante la opción Mayr – Jarvis (pedotransferencia funcional) y de conductividad hidráulica
mediante la opción Jabro (pedotransferencia puntual) para evaluar el efecto que los cambios
de método ocasionarían en la calidad de las simulaciones (ver sección 6.4.4).
53
Todas las opciones citadas requieren información de las fracciones texturales (arena, limo,
arcilla), aunque la opción Campbell puede emplear, además, la distribución de las arenas, y
las opciones Baumer – EPIC y Mayr – Jarvis requieren el valor de carbono orgánico (Acutis
y Donattelli, 2003). Algunos de los métodos disponibles no estiman directamente el punto de
capacidad de campo, si no que los interpolan según valores de puntos de humedad cercanos.
En tal sentido, se empleó el valor predeterminado de -33 J kg-1 como tensión y la función
lineal de Campbell.
Para efectos de la asignación del valor del Número de Curva, el grupo hidrológico de los
suelos se obtuvo siguiendo una combinación de los criterios expuestos por USDA-NRCS
(2007) y Chiang (1971; citado por Rojas, 1986):
a) Con las fracciones texturales del suelo, se obtuvo el grupo hidrológico según
USDA-NRCS (2007).
b) Para los suelos ubicados en colinas y montañas, se consideró el fracturamiento del
horizonte rocoso frecuente en areniscas, lutitas, gneiss y esquistos del área. En
todos los suelos, se consideró también la clase de profundidad. Al respecto, se
emplearon los criterios de Chiang (1971) para ajustar el grupo hidrológico a uno
transicional hacia el grupo inmediato de menor potencial de escorrentía (Anexo 3).
En los criterios de USDA-NRCS (2007) se incluye el valor de la conductividad hidráulica del
horizonte restrictivo, pero debido a la carencia de valores reales locales y a la incertidumbre
del los valores estimados, no se consideró conveniente este procedimiento, pues posibles
subestimaciones de la conductividad hidráulica, conducirían a grupos hidrológicos de mayor
potencial de escurrimiento, con lo cual a su vez, se sobrevaluaría el Número de Curva, por lo
que se aumentan las posibilidades de grandes sobrestimaciones de la escorrentía superficial.
6.2.3. Cobertura vegetal, uso y manejo de la tierra.
Se empleó la cartografía de vegetación de la cuenca del río Pao (MARNR, 1989) a escala
1:100.000. Las once clases de vegetación identificadas en la cuenca media del río Pao, se
simplificaron en seis clases a efectos de uso del modelo (Cuadro 18). Cada clase fue asociada
con un archivo de formación vegetal o de cultivo disponible en la base de datos del modelo.
54
Cuadro 18. Simplificación de las clases de cobertura vegetal y uso de la tierra.
Original Simplificadas
Bosque claro con subestrato herbáceo denso
Bosque claro con subestrato herbáceo degradado
Matorral claro en asociación con bosque denso
Bosque claro
Matorral claro con subestrato herbáceo denso
Matorral claro con subestrato herbáceo degradado
Matorral y pastizales muy intervenidos
Matorral claro con subestrato herbáceo degradado
Matorrales
Pastizal natural pastoreado Pastizal natural pastoreado
Cultivos anuales de ciclo corto Cultivos anuales de ciclo corto
Conucos Conucos
Cultivos anuales en matorrales Cultivos anuales en matorrales
La asignación del valor de número de Número de Curva se efectuó según la tabla típica
incluida en la interfaz del modelo, pero a los grupos hidrológicos transicionales (en este caso,
C+ y B+) se les asignó el valor promedio entre los dos grupos en que existe la transición (por
ejemplo: el Número de Curva cuando el suelo es de grupo hidrológico transicional B+ es el
promedio de los valores correspondientes a grupos B y A).
En el Cuadro 19 se muestra la información relevante empleada para caracterizar cada una de
las clases de cobertura vegetal y manejo de la tierra.
55
Cuadro 19. Información principal de cobertura vegetal y uso de la tierra.
Clases de uso de la tierra
Código de cultivo o formación vegetal
Biomasa alcanzable (kg ha-1)
Numero de Curva*
Secuencia de labores
Bosque claro FRST
(bosque) 60000 40 (B+)
60 (B) 1-Ene: siembra
Matorrales RNGB
(matorral) 12000 45 (B+)
58 (B) 63 (C+)
1-Ene: siembra
Pastizal natural pastoreado
SPCL (pastizal claro)
8000 59 (B+) 69 (B)
73 (C+)
1-Ene: siembra
Cultivos anuales de ciclo corto
LETT (lechuga)
8000 72 (B+) 12-Abr: labranza 15-Abr: siembra 15-Jul: cosecha 17-Jul: labranza 18-Jul: siembra 18-Oct: cosecha
Conucos CORN (maíz)
8000 70 (B+) 15-May: siembra 15-Nov: cosecha
Cultivos anuales en matorrales
RNGE (matorral)
10000 64 (B+) 1-Ene: siembra
* Entre paréntesis grupo hidrológico de suelos. +: transicional hacia el grupo hidrológico inmediato de menor potencial de escorrentía.
6.2.4. Definición de Unidades de Respuesta Hidrológica.
Las Unidades de Respuesta Hidrológica se definieron como subdivisiones de la principales
subcuencas según las combinaciones existentes de tipo fisiográfico, cobertura vegetal y
estación pluviométrica asociada. Para ello, se siguieron los siguientes pasos:
Paso 1: La cuenca se representó en SWAT con diez Unidades de Respuesta Hidrológica
según la delineación de subcuencas propuesta por MARNR, 1989.
Paso 2: Las subcuencas se dividieron según los perfiles de suelo asociados a la
fisiografía. Cada subdivisión se consideró una nueva Unidad de Respuesta Hidrológica,
29 de éstas en total.
56
Paso 3: Los sectores cuenca-fisiografía se dividieron según la vegetación. Se
obtuvieron 60 Unidades de Respuesta Hidrológica, el máximo permitido por esta
versión del modelo.
Paso 4: A cada Unidad de Respuesta Hidrológica se le asoció la estación climatológica
más cercana según el empleo de polígonos de Thiessen.
En la Figura 15 se muestra la representación de la cuenca en el modelo SWAT:
HRU: Unidad de Respuesta Hidrológica. Combinación única de suelo, uso, clima y relieve.Conectores de flujo.
HRU: Unidad de Respuesta Hidrológica. Combinación única de suelo, uso, clima y relieve.Conectores de flujo.
Figura 15. Representación de la cuenca en SWAT.
La cuenca alta (cuenca del embalse Cachinche), se representó mediante una Unidad de
Respuesta Hidrológica, calibrada particularmente para la producción de agua registrada en la
estación hidrométrica Cachinche, que dispone del período 1960 a 1967. Esto se hizo con el fin
de obtener estimados adecuados de la entrada de agua a la cuenca media sin tener que incluir a
la cuenca alta en todos los procedimientos y análisis. La inclusión de la misma hubiese
implicado una notable inversión adicional de tiempo y esfuerzo, ajenos y de poca contribución
a los objetivos de este trabajo.
57
6.3. Calibración y validación del modelo.
Las simulaciones efectuadas para calibrar el modelo se ejecutaron con diversas combinaciones
de parámetros de agua subterránea, incluida cuando a estos se les asigna el valor cero. Se
partió de la combinación obtenida por Carmona (2007), sobre la cual se hicieron
modificaciones para obtener numerosas combinaciones (de éstas, solo se muestran y discuten
las tres mejores). Debido a la falta de correspondencia suficiente entre los registros de
precipitación y de producción de agua, la calibración se efectuó según los promedios y
distribuciones de frecuencias de la producción de agua mensual registrada y simulada en
períodos distintos de 15 años (180 meses) cada uno. El período de simulación de la producción
de agua comprendió los registros de precipitación de 1977 a 1992, y el período de registros
hidrométricos de 1952 a 1967. Con fines exploratorios y complementarios, las simulaciones de
producción de agua promedio mensual de la fase de calibración se evaluaron adicionalmente
mediante los mismos índices cuantitativos usados en la validación, los cuales se emplean en la
comparación de valores simulados con sus pares medidos. Por ello, al comparar promedios (y
no valores absolutos) mensuales, no se consideró conveniente el empleo único de éstos índices
cuantitativos, si no ampliar el análisis mediante la comparación de los índices de frecuencias
acumuladas.
La validación se efectuó según los totales mensuales de producción de agua simulada y
registrada para un período coincidente de cinco años de registros de precipitación y de
producción de agua (1967 a 1973, sin 1969). Ello implica que el modelo fue validado en
condiciones más exigentes que las de calibración. Se emplearon estadísticas básicas, índices
de regresión e índices de diferencia. Finalmente, se efectuó una calificación comparativa de las
diversas simulaciones mediante índices agregados, según una asociación cuantitativa de los
índices previamente obtenidos. A los fines descritos, se empleó el sistema IRENE (Integrated
Resources for Evaluating Numerical Estimates, Fila et al., 2001 y 2003).
Se emplearon los siguientes índices o estadísticas:
Estadísticas básicas: promedio, máximo, mínimo, desviación estándar, sesgo y curtosis,
que sirven de primera aproximación en cuanto a la similitud entre las distribuciones de
los valores medidos y simulados.
Índices basados en regresión: el coeficiente de correlación, los valores de la pendiente
y del intercepto y las probabilidades (independientes y conjuntas) de que en la línea de
58
ajuste entre valores simulados y medidos, el intercepto sea igual a cero y la pendiente
sea igual a uno.
Índices basados en diferencia: Error medio absoluto (EMA), Índice de concordancia (d)
(Willmott y Wicks, 1980) y Eficiencia de Simulación (EF) (Nash y Sutcliffe, 1970)
(ver sección 4.4).
Los índices agregados consisten en una calificación cuantitativa según la asociación de varios
índices. Esta calificación se efectúa mediante un procedimiento basado en lógica Fuzzy. Cada
índice es calificado según el “grado de pertenencia” a valores favorables y desfavorables. En
primer lugar, los índices de diferencia y regresión se agregaron en “módulos”. Luego, ambos
módulos se agregaron en un “indicador”.
Módulos:
Con los índices basados en diferencia y en regresión se obtuvo una calificación basada
en la agregación de cada grupo de índices en un módulo particular. El sistema IRENE,
según los umbrales favorables y desfavorables que el usuario indique para cada índice,
califica el grado de pertenencia a las clases favorable y desfavorable según una función
sigmoidea que normaliza los valores a una escala entre 0 y 1.
A continuación se muestran los umbrales de calificación asignados a cada índice para
cada módulo de agregación.
Cuadro 20. Composición del módulo de índices basados en regresión. Índice Favorable Desfavorable
Coeficiente de correlación 1 0,5 Pendiente de la línea de regresión 1 0
Intercepto de la línea de regresión 0 El valor más alto del grupo de simulaciones
Cuadro 21. Composición del módulo de índices basados en diferencia. Índice Favorable Desfavorable
Coeficiente de concordancia 1 0,5 Eficiencia de la simulación 1 0
Error medio absoluto 0 El valor más alto del grupo de simulaciones
59
En la medida en que el valor de un índice se acerque a los umbrales favorable o
desfavorable, se calificará con valores cercanos a uno. Se califican ambas clases por
separado, es decir, cada índice contará con un valor que le califique en cuanto a
favorable, y otro valor en cuanto a desfavorable. Las diversas combinaciones de
calificaciones en cuanto a favorable y desfavorable de los tres índices que componen al
módulo, se ponderan según pesos que asigne el usuario (Figura 16).
Figura 16. Ejemplo de un módulo de agregación.
La “tabla experta” (Figura 16) se compone de diversas líneas con las combinaciones de
valores favorables (F) y desfavorables (U) de cada índice utilizado. La primera línea,
que es la combinación de todos los valores favorables, tiene un peso experto de cero.
La última línea, que es la combinación de todos los valores desfavorables, tiene un
peso experto de uno. Las líneas intermedias, tienen un peso experto asignado por el
usuario. En este caso, al tratarse de tres índices por módulo, se asignó 33,3% por cada
índice desfavorable en las combinaciones de calificación. A cada línea, el sistema
asigna una puntuación (score), multiplicando el grado de pertenencia favorable o
desfavorable más bajo por el peso experto. La puntuación final se obtiene con la
expresión:
i
i
i
ii
TVS
TVWTV
FS∑∑
∑∑ ==
)()*( Ecuación 11
donde FS es la puntuación final, TV es el grado de pertenencia favorable o
desfavorable más bajo, W es el peso experto y S la puntuación de cada de cada línea i.
Indicador:
60
La puntuación final de cada simulación se obtuvo con un indicador, es decir, la
agregación de los módulos de regresión y deferencia. El sistema de puntuación es
similar al descrito para los módulos. Como se agregan dos módulos, el peso experto de
cada línea de combinaciones de la tabla experta fue de 0,5 por cada valor desfavorable.
Figura 17. Ejemplo de un indicador de agregación.
6.4. Sensibilidad de la producción de agua ante variaciones en el número de estaciones pluviométricas, extensión de la cobertura boscosa y parámetros hidrológicos del suelo.
Partiendo de la simulación con mejor calificación en la fase de validación, se efectuó un
conjunto de simulaciones en las que se modificó el número de estaciones pluviométricas
empleadas, la superficie de la cuenca bajo bosque y los métodos de estimación de propiedades
hidrológicas del suelo. El impacto que estos cambios ocasionaron en la simulación de la
producción de agua, se evaluó comparando las estadísticas básicas, de diferencia, regresión e
índices agregados con respecto a los obtenidos previamente, es decir, en la simulación de
mejores resultados.
Estas simulaciones se efectuaron modificando la configuración de la cuenca con la finalidad
de no incluir el aporte de agua de la cuenca alta (Cachinche). Por lo tanto, sólo se simuló la
superficie de la cuenca media (La Balsa). Esto se consideró necesario para que toda el agua
producida simulada estuviese sujeta a los cambios en la información de entrada y no sólo la
fracción asociada a la superficie de la cuenca media.
61
6.4.1. Ajuste de la producción de agua registrada a la superficie de la cuenca media (abstracción de los aportes de la cuenca alta).
Para hacer abstracción de los aportes de la cuenca alta en los registros de producción de agua,
se emplearon las simulaciones calibradas de la cuenca media y del conjunto cuenca alta y
media. El procedimiento fue el siguiente:
Con el modelo calibrado se simularon por separado toda el área original
(conjunto cuenca alta y media) y sólo el área de la cuenca media (eliminando la
Unidad de Respuesta Hidrológica que representó a la cuenca alta).
Los valores mensuales simulados de ambos escenarios se transformaron de
lámina (mm) a gasto (m3s-1) según las superficies de cada escenario (conjunto
cuenca alta y media y sólo cuenca media).
Se estableció una ecuación de regresión entre los gastos mensuales de ambas
simulaciones.
Con la ecuación de regresión, el gasto registrado en el sitio La Balsa (aportes de
las cuencas alta y media) se transformó a gasto estimado proveniente sólo de la
cuenca media.
El gasto estimado (ya abstraído el aporte de la cuenca alta), se transformó a
lámina (mm) empleando la superficie de la cuenca media.
6.4.2. Sensibilidad al número de estaciones pluviométricas.
Con el fin de establecer el impacto que causaría sobre la calidad de las simulaciones el empleo
de menor número de estaciones pluviométricas, se programaron escenarios en el modelo con
reducción de una estación por vez. Para ello, se eliminó la estación con menor área de
influencia, y las unidades de respuesta hidrológica se redistribuyeron en las estaciones más
cercanas ajustando los Poligonos de Thiessen a esta nueva situación. Este procedimiento se
repitió hasta que obtener un escenario con sólo tres estaciones.
6.4.3. Sensibilidad ante el incremento de la cobertura vegetal en la cuenca.
Para establecer el efecto que causaría sobre la calidad de las simulaciones el empleo de
parámetros de vegetación que favorecen la infiltración y retención de agua, se programaron
escenarios con aumento progresivo de cobertura de bosque. Se empleó esta cobertura por ser
de bajo Número de Curva y de mayor demanda de agua, con lo que se promueve la infiltración
62
y conjuntamente, mayor consumo de agua. De tal forma, se espera se reduzca el posible
escurrimiento excesivo durante la época de lluvias. Debe tenerse presente que este tipo de
manipulaciones transgrede la descripción de las condiciones reales, y por lo tanto, su empleo
tiene fines exploratorios y de complemento a otros resultados.
Los incrementos del área boscosa se efectuaron según la fisiografía. De manera acumulativa,
se cubrió con bosque, en pasos sucesivos, la superficie ocupada por montañas bajas, colinas
altas y colinas medias.
6.4.4. Sensibilidad ante el incremento del agua aprovechable y de la conductividad hidráulica saturada del suelo.
Dada las experiencias anteriores en que el modelo tendió a sobrestimar la escorrentía en la
época de lluvias, como posible medida para contrarrestar este fenómeno, se evaluó la
sensibilidad del modelo SWAT al emplear diversas combinaciones de valores de agua
aprovechable y conductividad hidráulica saturada del suelo, estimados mediante distintas
opciones provistas por el sistema SoilPar.
En este proceso, los valores de agua aprovechable estimados mediante la opción Campbell
empleados en la calibración del modelo, se sustituyeron por los estimados mediante la opción
de Mayr-Jarvis (de pedotransferencia funcional), el cual produjo los mayores valores de agua
aprovechable (Cuadro 17, Figura 14).
Como alternativa para estimar la conductividad hidráulica, se emplearon valores obtenidos
mediante la opción Jabro, con la cual los valores fueron de mayor magnitud que con la opción
Campbell (Figura 18).
0102030405060708090
100
0 1 2 3 4 5 6 7 8
Conductividad hidráulica saturada (mm h-1)
Frec
uenc
ia a
cum
ulad
a (%
)
Campbell Jabro
Figura 18. Frecuencias acumuladas de conductividad hidráulica saturada del suelo estimada
según las diversas opciones del sistema SoilPar.
63
7. Resultados y Discusión.
7.1. Información de entrada al modelo.
7.1.1. Representación de la cuenca.
La cuenca se representó con 60 Unidades de Respuesta Hidrológica, el máximo que permite
esta versión del modelo, compuestas de subdivisiones de las 11 subcuencas según diversas
combinaciones de fisiografía y uso de la tierra. La mayoría de estas unidades (86%) presenta
una superficie de alrededor de 24 km2 aproximadamente, y una pequeña proporción (solo dos
unidades, el 5%) tiene la superficie mayor a 90 km2.
7.1.2. Clima.
Precipitación.
Se obtuvieron seis archivos de precipitación diaria, uno para cada estación cercana o periférica
seleccionada. Según los registros completados con transferencia y desenglobe de datos
faltantes, el promedio anual de precipitación entre las estaciones varió entre 1130 y 1700 mm.
Según la representación que se efectuó en el modelo, el promedio ponderado de precipitación
fue de 1400 mm para toda la cuenca, con mínimo de 1260 mm y máximo de 1500 mm.
La distribución irregular de las estaciones sobre la cuenca ocasionó una también irregular
distribución de superficie (Figura 19). Las estaciones ubicadas en la parte baja de la cuenca
(Pao Oficina, Pao Planta y Morita Caserío) establecen un 68% de influencia, mientras que las
ubicadas en la parte alta, 42%. Las dos estaciones ubicadas dentro de la cuenca tienen la
mayor área de influencia (Pao Oficina y Pao Planta), alrededor de 52%. Las estaciones
periféricas influyen el 48% del área.
64
Pao Oficina, 472 km2, 27%
Morita Caserío, 272 km2, 16%
Manuare, 184 km2, 10%
Las Dos Bocas, 231 km2, 13%
Cachinche, 161 km2, 9%Pao Planta,
433 km2, 25%
Figura 19. Área de influencia de las estaciones pluviométricas.
La calidad de los datos pluviométricos fue variable entre los períodos de calibración y
validación. En promedio, la cantidad de valores perdidos o englobados durante el período de
calibración (1977-1991) fue de 19,3%, y en el de validación (1967-1973) 12,7% (Cuadro 22).
Esta disminución de la calidad en el tiempo se corresponde con la tendencia general del país,
debido al descenso de la frecuencia e intensidad de recolección de registros de las estaciones
climatológicas. En el período de calibración, cuatro estaciones (60% del área) presentaron más
de 20 % de datos perdidos o englobados, mientras que en el período de validación había sido
de sólo dos estaciones (38% del área). Destaca la muy buena calidad de los datos de las
estaciones Manuare y Las Dos Bocas en el período de validación (1977 – 1991), que
contrastan notablemente con su pobre calidad en el de calibración (1952 – 1966), al igual que
el caso a la inversa de la estación Morita Caserío. La estación Cachinche presentó calidad
comparativamente pobre en ambos períodos.
65
Cuadro 22. Porcentaje de valores diarios perdidos o englobados de los registros
pluviométricos empleados en las simulaciones.
Valores perdidos o englobados (%)
Estación Área de
influencia (%)
Calibración (1977-1991)
Validación (1967-1963)
Pao Oficina 31.0 10.9 15.7 Pao Planta 28.4 22.7 17.1 Morita Caserío 17.9 6.2 22.2 Cachinche 10.6 24.7 30.4 Manuare 12.1 29.7 2.5 Las Dos Bocas 15.2 21.8 2.9
En la parte baja de la cuenca, la estación Morita Caserío tuvo un papel importante en el
desenglobe o sustitución de información faltante en los períodos de calibración y validación,
pues se empleó para estimar entre 8 y 14% de la información faltante de las estaciones Pao
Oficina y Pao Planta. En la parte alta, la estación Agua Blanca (no empleada en las
simulaciones), fue la más importante en cuanto a aporte de información, rededor de 14% de la
información para desenglobe o sustitución de información de las estaciones Manuare y Las
Dos Bocas en el período de calibración. Vale destacar, que estas dos estaciones recibieron
como máximo 2 % de apoyo de otras estaciones. La estación Cachinche, ubicada en la parte
alta de la cuenca, recibió, en ambos períodos, 14% de la información para desenglobe de Pao
Planta, ubicada en la parte baja. La estación Manuare (no empleada en la simulación) aportó
menos del 1 % de información para desenglobe a otras estaciones (Figura 20 y Figura 21).
66
Figura 20. Proporción y proveniencia de valores empleados para desagregar englobes de
precipitación. Fase de calibración (1977-1991).
Estación destino Estación origen
% de valores empleados para desenglobe o sustitución
Pao Oficina 2,3 Pao Planta 3,4 Las Dos Bocas 3,6 Caruto Belén 3,4 Agua Blanca 14,1
Manuare
Asumidos cero 2,9 Pao Oficina 4,7 Manuare 1,1 Caruto Belén 0,3 Agua Blanca 14,1
Las Dos Bocas
Asumidos cero 0,5
Estación destino
Estación rigen
% de valores empleados para desenglobe o sustitución
Pao Planta 1,9 Morita Caserío 8,0 Cachinche 0,5
Pao Oficina
Asumidos cero 0,5 Pao Oficina 9,5 Morita Caserío 12 Cachinche 0,4
Pao Planta
Asumidos cero 0,7 Pao Oficina 2,9 Pao Planta 1,6 Cachinche 1
Morita Caserío
Asumidos cero 0,6 Pao Oficina 2,6 Pao Planta 14 Las Dos Bocas 3,6
Cachinche
Asumidos cero 4,5
67
Figura 21. Proporción y proveniencia de valores empleados para desagregar englobes de
precipitación. Fase de validación (1967-1973).
Estación destino Estación rigen
% de valores empleados para desenglobe o sustitución
Morita Caserío 15,5 Pao Oficina Asumidos cero 0,2 Pao Oficina 3,0 Morita Caserío 13,7 Pao Planta Asumidos cero 0,4 Pao Oficina 2,9 Pao Planta 15,7 Cachinche 0,2
Morita Caserío
Asumidos cero 0,4 Pao Oficina 0,5 Pao Planta 14,8 Cachinche Asumidos cero 0
Estación destino Estación origen
% de valores empleados para desenglobe o sustitución
Caruto Belén 2,0 Agua Blanca 0,8 Manuare Asumidos cero 0,1 Manuare 0,7 Caruto Belén 0,6 Agua Blanca 1,3
Las Dos Bocas
Asumidos cero 0
68
Temperatura y radiación.
En cuanto a temperatura, el 88% de la cuenca se representó por la estación San Carlos
Unellez, asociada a las estaciones pluviométricas de la parte baja de la cuenca más la estación
Cachinche. El resto del área, 22%, se representó por la estación Samán Mocho, asociada a las
estaciones pluviométricas de la parte alta de la cuenca (excepto Cachinche).
A lo largo del año, en el área de la cuenca asociada a la estación San Carlos Unellez la
temperatura máxima generada varío entre 28,5 y 34,7oC, y la mínima entre 17,0 y 20,7oC. En
el área de la cuenca asociada a la estación Samán Mocho, la temperatura máxima generada
varío entre 31,5 y 34,1oC, y la mínima entre 12,1 y 18,3oC.
La radiación generada en toda la cuenca según promedios de la estación San Carlos Unellez,
varió a lo largo del año, entre 382 y 448 cal cm-2 día-1.
7.1.3. Suelos.
La asociación de suelos según la fisiografía a las Unidades de Respuesta Hidrológica con que
la cuenca se representó en SWAT produjo la siguiente distribución en área:
Cuadro 23. Distribución espacial representada en el modelo de los tipos de fisiográficos y
subgrupos de suelo en la cuenca.
Área
Relieve Suelo empleado Textura Profundidad
(cm) Grupo
hidrológico km2 % Colinas altas Typic Haplustalf Fa 109 B+ 336 22.1 Colinas bajas Ultic Haplustalf Fa 132 B+ 584 38.4 Colinas medias Ustic Dystropept F 79 B 104 6.8 Montañas bajas Ustic Dystropept F 88 B 426 28.0 Valle Fluventic Dystropept FAL 117 C+ 72 4.7
A los fines de estimación de la escorrentía e infiltración, la mayoría del área está ocupada con
suelos de moderado potencial de escurrimiento (grupo hidrológico B), y de estos, gran parte
son transicionales a bajo potencial de escurrimiento (grupo hidrológico A). Estas
clasificaciones transicionales (en este caso grupos hidrológico B+ y C+, según propone
69
Chiang, 1971) se deben a que el perfil de suelo yace sobre roca fracturada o superan cierta
profundidad.
En este caso, los suelos de colinas altas y bajas califican como B+ debido a las texturas
medias, profundidad mayor de 90 cm y que yacen sobre rocas fracturadas. Los suelos de las
colinas medias y montañas bajas, aunque son de texturas medias y yacen sobre horizontes de
roca fracturada, carecen de una profundidad de 90 cm, por lo que clasifican dentro del grupo
B. Finalmente, los suelos de valle, que son de textura fina, por tener más de 90 cm de
profundidad, clasifican como C+, sin que yazgan sobre horizontes de roca fracturada.
Carmona (2007), al evaluar SWAT en una cuenca similar en geología a la cuenca media del río
Pao, obtuvo valores de escurrimiento sobrestimados, los cuales fueron corregidos en cierta
medida al disminuir el valor de Número de Curva obtenido de la tabla típica incluida en la
interfaz del modelo, empleando como referencia los criterios expuestos por Chang (1971), es
decir, considerar que la profundidad del suelo y la existencia de horizontes rocosos fracturados
disminuye el potencial de escorrentía, y por lo tanto, disminuye el valor del Número de Curva.
7.1.4. Cobertura y uso de la tierra.
En la representación de la cuenca que se hizo en el modelo, alrededor del 85% de ella está bajo
uso de matorrales, bosques y pastizales naturales pastoreados (Cuadro 24), coberturas que
producen Números de Curva relativamente bajos. Según la combinación de cobertura y uso
con los diversos suelos, se obtuvo que más de la mitad de la cuenca presenta valores de
Número de Curva bajos (menores a 60) (Cuadro 25). Los valores más altos están asociados a
los usos de conuco y cultivos anuales de ciclo corto, aunque se localicen sobre los suelos de
menor potencial de escorrentía, y a los pastizales en suelos de grupo hidrológico C+, ubicados
en posiciones de valle.
70
Cuadro 24. Distribución espacial representada en el modelo de los tipos de cobertura y uso de
la tierra.
Número de Curva Superficie Cobertura vegetal o tipo de uso Grupo B+ Grupo B Grupo C+ km2 %
Conuco 70 -- -- 96 6 Bosque claro 40 60 -- 392 26 Cultivos anuales de ciclo corto 72 -- -- 48 3
Matorrales 45 61 63 515 34 Cultivos anuales en matorrales 64 -- -- 72 5
Pastizales naturales pastoreados 59 -- 73 399 26
Cuadro 25. Distribución espacial representada en el modelo de los valores de Número de
Curva.
Superficie Número de Curva km2 %
40 - 50 659 43 50 - 60 487 32 60 - 70 280 18
Más de 70 96 6
7.2. Calibración del modelo.
El régimen simulado de producción de agua fue muy sensible a las diversas combinaciones
empleadas de parámetros de agua subterránea (Figura 22). Destaca que el peor ajuste con
respecto a la curva de promedios registrados se produjo con los parámetros de agua
subterránea iguales a cero. Los mejores ajustes se obtuvieron modificando ligeramente la
combinación de parámetros de agua subterránea obtenidos por Carmona (2007) al calibrar el
modelo en una cuenca mucho más pequeña (1,25 km2, en comparación con los 1522 km2 de la
cuenca en estudio).
71
0
10
20
30
40
50
60
70
80
Enero
Febre
roMarzo Abril
Mayo
Junio
Ju
lio
Agosto
Septie
mbre
Octubre
Noviem
bre
Diciembre
Meses
Pro
ducc
ión
de a
gua
(mm
)
Registrada
Simulada con parametros aguasubterranea = 0
Simulada con parámetros de aguasubterránea iniciales
Simulada con combinación 1 deparámetros de agua subterranea
Simulada con combinación 2 deparámetros de agua subterranea
Simulada con combinación 3 deparámetros de agua subterranea
Figura 22. Producción de agua promedio mensual registrada y simulada con diversas
combinaciones de parámetros de agua subterránea. Fase de calibración.
En resumen, se obtuvo lo siguiente:
a) Con valores de agua subterránea iguales a cero se presentaron los menores valores de
producción de agua, con subestimación marcada durante todo el año, y además, valores
extremadamente bajos de flujo de agua en la época seca (flujo de base). En este caso,
el agua que infiltra al suelo no aporta al flujo base, si no que es drenada directamente a
los acuíferos profundos.
b) Las combinaciones de parámetros de agua subterránea con un valor de factor alfa
mayor que cero produjeron flujo de base, es decir, el modelo permite que el agua que
infiltra al suelo y que excede su capacidad de almacenamiento, no drene toda al
acuífero profundo sino que aporte al flujo de base.
c) Al emplear como referencia de partida los valores de agua subterránea obtenidos por
Carmona (2007), denominados “valores iniciales”, la producción de agua se
sobrestimó notablemente durante la época seca, es decir se sobrestimó el flujo base.
d) Al disminuir el valor de retardo del agua subterránea, aumentó la producción de agua
en la época de lluvias y disminuyó en la seca.
72
e) En la medida en que se disminuyó el valor de almacenamiento revap aumentó la
producción de agua a lo lago del año.
f) Con ajustes a los “valores iniciales, se ajustó el flujo base, pero se sobrestima la
producción de agua en la época de lluvias, es decir, la escorrentía superficial.
A continuación, se presentan los parámetros de agua subterránea empleados en cada una de las
combinaciones:
Cuadro 26. Combinaciones de parámetros de agua subterránea empleadas en la calibración del
modelo.
Combinación de parámetros de agua subterránea
Valores iniciales *
1 2 3
Altura inicial de la mesa de agua (m)
0 0 0 0
Contribución inicial de la mesa de agua al flujo del río (mm día-1)
0,06 0,06 0,06 0,06
Factor alfa 0,1 0,1 0,1 0,1
Rendimiento específico 0,3 0,3 0,3 0,3
Retardo del agua subterránea (días)
70 50 30 30
Coeficiente revap 0,5 0,5 0,5 0,5
Coeficiente de percolación al acuífero profundo
0,1 0,1 0,1 0,1
Almacenamiento revap (mm)
0,6 0,6 0,6 0,5
Almacenamiento inicial del acuífero profundo (mm)
0 0 0 0
* Obtenidos por Carmona (2007).
Son pocos los trabajos que reportan los valores de los parámetros empleados al calibrar el
modelo, lo cual hace difícil establecer recomendaciones según características de las cuencas.
La variabilidad que pueden tener los parámetros de agua subterránea en diversas condiciones
73
(Cuadro 27) enfatiza la necesidad de disponer de valores de referencia de producción de agua
con el fin de ajustar las simulaciones y obtener regímenes adecuados en magnitud y
distribución temporal.
Cuadro 27. Valores de los parámetros de agua subterránea obtenidos para la calibración
del modelo por otros autores.
Parámetro de agua subterránea Heuvelmans et al., 2005.
Reungsang, et al., 2005.
Schuol y Abbaspour,
2006.
Manoj et al., 2006.
Wu y Johnston,
2008.
Superficie (km2) 2 - 210 160 Más de 10.000 2440 425 - 704
Factor alfa del agua subterránea (0 – 1) 0.21 – 0.34 0.9 0.2 0,0029 Retardo del agua subterránea (0 – 500 días) 16 - 31 50 60
Coeficiente revap (0 – 1) 0.1- 0.15 0.04 0.02
Coeficiente de percolación del acuífero profundo (0 – 1) 0.56 – 0.70
Almacenamiento revap (0 – 500 mm) 5 - 20 1 - 40
De las combinaciones de parámetros empleadas en la calibración del modelo, se seleccionaron
la 2 y la 3 (con almacenamiento revap de 0,6 y 0,5 respectivamente y ambas con retardo de
agua subterránea de 30 días) para ser empleadas en la fase de validación por ofrecer el mejor
ajuste. Estas simulaciones lograron una distribución de frecuencias similar a la de los valores
registrados. En la Figura 23, se observa que la simulación con parámetros de agua subterránea
iguales a cero siempre produjo valores de producción de agua inferiores que los
correspondientes a la misma frecuencia de los valores registrados. Al emplear los valores
encontrados por Carmona (2007) (valores iniciales para la calibración), se obtiene que los
valores de producción de agua menores a 20 mm tienen frecuencias de ocurrencia menores
que los valores registrados, es decir, una tendencia a ser sobrestimados, lo cual coincide con la
sobrestimación del flujo base. Los valores mayores a 20 mm, presentan frecuencias de
ocurrencia mayores que los registrados, es decir, muestran una tendencia a la subestimación,
lo cual coincide con la subestimación de la producción de agua durante la época de lluvias.
Con la combinación 1 de parámetros de agua subterránea, los valores de producción de agua
tienden a la ser sobrestimados por debajo de 20 mm, aunque luego de este valor, la
74
distribución de valores se hace similar, es decir, ante el mismo valor de producción de agua, la
frecuencia de ocurrencia es similar. Con las combinaciones 2 y 3 de parámetros de agua
subterránea, los valores simulados siguen una distribución de frecuencias similar a la de los
valores registrados.
0.00
10.00
20.00
30.00
40.00
50.00
60.00
70.00
80.00
90.00
100.00
0 20 40 60 80 100 120
Producción de agua (mm)
Frec
uenc
ia a
cum
ulad
a (%
)
Registrada
Simulada con parámetros de aguasubterránea = 0
Simulada con parámetros de aguasubterránea iniciales
Simulada con combinación de parámetrosde agua subterránea 1
Simulada con combinación de parámetrosde agua subterránea 2
Simulada con combinación de parámetrosde agua subterránea 3
Figura 23. Frecuencias acumuladas de la producción de agua promedio mensual registrada y
simulada con diversas combinaciones de parámetros de agua subterránea. Fase de calibración.
En complemento a lo anterior, en el Cuadro 28, se observa como con las combinaciones 2 y 3
de parámetros de agua subterránea se obtuvieron las menores diferencias entre los valores
simulados y registrados asociados a los percentiles 25, 50 y 75, promedio y suma. Con los
parámetros de agua subterránea iguales a cero, siempre existe subestimación de los valores
asociados a cada uno de los percentiles, y consecuentemente, el promedio y suma son menores
también. Con la combinación “inicial” de parámetros de agua subterránea, los valores de
producción de agua simulada asociados a los percentiles 25 y 50 (mediana), se sobrestiman,
mientras que el valor asociado al percentil 75 se subestima, para finalmente, subestimar
ligeramente el promedio y la suma de valores en aproximadamente 5%. Con la combinación 1
de parámetros de agua subterránea se sobrestima (en alrededor del 100%) el valor asociado al
75
percentil 25. Las combinaciones 1 y 2 de agua subterránea, tienen diferencias de hasta 26 %,
en los valores asociados al percentil 50, mientras que la combinación 3 tuvo una diferencia de
16%. En los percentiles 25 y 75, la diferencia de los valores simulados con la combinación 3
de parámetros de agua subterránea fue inferior a 4%. El promedio y la suma de valores con
esta última combinación tuvieron diferencias de 6 y 8% respectivamente, más bajas que el
resto de las simulaciones. La desviación estándar las combinaciones 2 y 3, fue similar a la de
los valores registrados.
Cuadro 28. Índices de distribución de frecuencias de la producción de agua registrada y la
simulada con diversas combinaciones de parámetros de agua subterránea.
Combinación de parámetros de agua subterránea †
Índice Registrada Parámetros = 0 Valores iniciales Combinación 1 Combinación 2 Combinación 3
Percentil 25 5.0 0.6 (-4.4) 12.7 (7.6) 9.6 (4.5) 5.0 (0.0) 5.0 (-0.1) Percentil 50 15.0 2.7 (-12.3) 19.6 (4.6) 19.7 (4.7) 19.1 (4.1) 17.5 (2.5) Percentil 75 37.0 10.3 (-26.7) 27.0 (-10.0) 35.0 (-2.0) 36.7 (-0.3) 35.6 (-1.4) Promedio 23.8 8.2 (-15.5) 22.4 (-1.4) 25.8 (2.1) 25.9 (2.1) 25.2 (1.4)
Suma 4279.2 1481.9 (-2797.3) 4025.6 (-253.5) 4652.4 (373.2) 4664.7 (385.6) 4533.0 (253.8) Desviación 22.9 11.9 (-11.0) 14.3 (-8.7) 21.3 (-1.6) 26.0 (3.0) 25.8 (2.8)
† Entre paréntesis la diferencia de cada índice con respecto al de los valores registrados.
Los promedios mensuales se simularon adecuadamente. Los índices agregados mostraron
valores muy bajos, lo cual índica alto grado de pertenencia a valores favorables en los índices
de evaluación empleados. La Eficiencia de Simulación e Índice de Concordancia tuvieron
valores cercanos a uno, y el Error Medio Absoluto bastante menos de la mitad de la desviación
estándar de los valores registrados. El intercepto de la línea de regresión fue cercano a cero
(con alta probabilidad), mientras que la pendiente fue ligeramente superior a uno (con baja
probabilidad), lo que indica que los valores promedio mensuales tiende a sobrestimarse
ligeramente (Cuadro 29).
76
Cuadro 29. Evaluación de las simulaciones para calibración del modelo con diversas combinaciones de parámetros de agua subterránea.
Parámetros de agua subterránea = 0
Valores iniciales
Combinación 1
Combinación 2
Combinación 3
Eficiencia de la simulación (EF)
-0,05 0,34 0,94 0,95 0,97
Coeficiente de concordancia (d)
0,66 0,90 0,98 0,99 0,99
Error medio absoluto (EMA, mm)
14,70 14,39 3,89 3,16 2,58
Coeficiente de correlación (R)
0,88 0,97 0,99 0,99 0,99
P(t) R = 0 0,0002 0 0 0 0 Pendiente de la recta de regresión (B1)
0,38 0,53 0,88 1,11 1,09
P(t) B1 =1 0 0 0,028 0,008 0,026 Intercepto de la línea de regresión (B0)
-0,44 10,12 5,7 0,49 0,17
P(t) B0 =0 0,82 0 0,003 0,62 0,87 P(f) B1 = 1 y B0 = 0 0,0008 0,0005 0,026 0,0005 0,005 Módulo de diferencias 0,93 0,32 0,03 0,01 0,05 Módulo de regresión 0,23 0,45 0,17 0,01 0,006 Indicador agregado 0,58 0,36 0,03 0,005 0,0001
La sobrestimación de la producción de agua durante la época de lluvias podría haberse
corregido en cierta medida mediante la disminución del Número de Curva. Sin embargo, tal
procedimiento no se consideró conveniente, pues su manipulación debe responder a las
condiciones reales o hipotéticas de la cobertura que se pretenda representar y dado el grado en
que influye sobre los procesos de escorrentía y erosión. Además, en su estimación se
consideró la disminución asociada a grupos hidrológicos transicionales debidos a horizontes
rocosos fracturados, lo cual implicó una disminución de hasta 10% con respecto a los valores
típicos. Al respecto, diversos autores emplean al Número de Curva como parámetro de
calibración, con variaciones entre 5 y 15% (Benaman et al., 2005; Govender y Evelson, 2005;
Heuvelmans et al., 2005; Reungsang et al., 2005; Manoj et al., 2006; Stehr et al., 2008).
77
Debe tenerse presente, que a pesar de los buenos valores en la mayoría de los índices de
evaluación obtenidos en las simulaciones, los resultados hasta este punto son sólo de utilidad
en términos comparativos, es decir, servir de apoyo para identificar las mejores simulaciones
con fines de proseguir a la fase de validación. Igualmente, nótese como los pequeños cambios
introducidos en los parámetros de agua subterránea, causaron relativamente importantes
variaciones en las calificaciones según índices agregados (módulos de diferencia y regresión e
indicador agregado). Debido a que el proceso consecuente de validación se efectuará con
condiciones más rigurosas y difíciles de estimar, como lo son pares de valores registrados y
simulados totales mensuales en vez de distribución de frecuencias y promedios, y con una
serie distinta de precipitación y de producción de agua, se espera que el ajuste del modelo sea
menos satisfactorio. Por tanto, debe hacerse insistencia en obtener los valores de calibración
que produzcan simulaciones con la mejor calificación posible.
7.3. Validación del modelo.
Antes de entrar en detalles, es conveniente recordar que el procedimiento validación se efectuó
con valores totales mensuales (72 pares de meses de producción de agua medida y simulada),
lo cual representa una condición mucho más exigente que el empleo de promedios mensuales
o la distribución de frecuencias de los valores absolutos como referencias en la calibración.
Con la “combinación inicial” de parámetros de agua subterránea (Carmona, 2007), la
producción se simula con un régimen donde se sobrestima el flujo en la época seca y se
subestima en la húmeda. Con las mejores combinaciones (2 y 3) de parámetros de agua
subterránea obtenidas en la fase de calibración, la producción de agua promedio mensual
simulada, representó acertadamente el régimen anual pero, en general ligeramente
sobreestimada. Al igual que en la fase de calibración, durante la época húmeda la
sobrestimación fue mayor, mientras que los valores de producción agua promedio en la época
seca, es decir, el flujo de base, se simularon más adecuadamente (Figura 24).
78
0
5
10
15
20
25
30
35
40
45
50
Enero
Febrer
o
Marzo
Abril
Mayo
Junio
Ju
lio
Agosto
Septie
mbre
Octubre
Noviem
bre
Diciembre
Meses
Prod
ucci
ón d
e ag
ua (m
m)
Registrada
Valores iniciales
Simulada concombinación deparámetros de aguasubterranea 2
Simulada concombinación deparámetros de aguasubterranea 3
Figura 24. Producción de agua promedio mensual registrada y simulada con diversas
combinaciones de parámetros de agua subterránea. Fase de validación.
El comportamiento general de los valores promedio también ocurre con los valores mensuales
a lo largo del tiempo. En la Figura 25 se observa como la producción de agua simulada con el
empleo de la combinación inicial de parámetros de agua subterránea, se sobrestima durante la
época seca y se subestima durante la húmeda. Destaca la sobrestimación en magnitudes y
duración del período de recesión, es decir, el tiempo en que la producción de agua se reduce a
los valores mínimos. Este desbalance se corrige con la disminución del almacenamiento revap
y tiempo de retardo del agua subterránea. Con las combinaciones 2 y 3, se ajusta mejor el
régimen de producción de agua, pues se obtiene una distribución estacional más concentrada
(mayor producción de agua en la época húmeda y reestablecimiento más temprano de los
gastos mínimos o de base) y no obstante, existen sobrestimaciones a lo largo del año.
79
0102030405060708090
ene-67 jul-67 ene-68 jul-68 dic-68 jun-69 dic-69 jun-70 dic-70 jun-71 dic-71 jun-72 dic-72 jun-73 dic-73
Fecha
Prod
ucci
ón d
e ag
ua (m
m)
Simulada Registrada Combinación inicial de parámetros de agua subterránea.Almacenamiento revap : 0,6 mm.Retardo de agua subterránea: 70 días.
010203040
5060708090
ene-67 jul-67 ene-68 jul-68 dic-68 jun-69 dic-69 jun-70 dic-70 jun-71 dic-71 jun-72 dic-72 jun-73 dic-73
Fecha
Prod
ucci
ón d
e ag
ua (m
m)
Simulada Registrada Combinación de parámetros de agua subterránea 2Almacenamiento revap: 0,6 mm.Retardo de agua subterránea: 30 días.
010203040
5060708090
ene-67 jul-67 ene-68 jul-68 dic-68 jun-69 dic-69 jun-70 dic-70 jun-71 dic-71 jun-72 dic-72 jun-73 dic-73
Fecha
Prod
ucci
ón d
e ag
ua (m
m)
Simulada Registrada Combinación de parámetros de agua subterránea 3Almacenamiento revap: 0,5 mm.Retardo de agua subterránea: 30 días.
Figura 25. Producción de agua mensual registrada y simulada con diferentes combinaciones de
parámetros de agua subterránea. Fase de validación.
Destaca, que a pesar de las deficiencias en la información de precipitación, como el relleno de
información faltante (datos perdidos y englobados) con valores de las estaciones cercanas, el
80
modelo fue capaz de representar no sólo el régimen de producción de agua, sino también las
oscilaciones (altos y bajos) dentro del patrón anual.
No se observó una relación clara entre la calidad de las simulaciones y la calidad de los datos
de precipitación. Por ejemplo, en el año 1970, el de peor calidad de datos, cuando faltaron
todos los datos de las estaciones Pao Oficina y Pao Planta, que cubren 59% del área, se obtuvo
una muy buena simulación. En los años 1967 y 1968, se obtuvo notables sobrestimaciones de
producción de agua, con calidades de datos muy disímiles entre ambos años (17 y 33% de
datos faltantes, respectivamente). En los años 1971 y 1972, con ligeras sobrestimación y
subestimación respectivamente, la cantidad de valores faltantes fue baja y similar (alrededor
de 3%). Estos resultados muestran que en conjunto, la información pluviométrica recabada y
ajustada fue adecuada para ser empleada satisfactoriamente en el modelo. Además, indican la
importancia de emplear el mayor número de estaciones posibles, no sólo en términos de
representación de la variabilidad espacial de las lluvias, sino también para mitigar las
deficiencias de información y su impacto sobre el área de influencia de cada estación.
El régimen de producción de agua simulado con la “combinación inicial” de parámetros de
agua subterránea, implica que en la época de lluvias, gran cantidad de agua del perfil de suelo
se desplace al acuífero superficial, dejando así libre espacio en el suelo para permitir
infiltración, y consecuentemente, disminuir la escorrentía superficial, con lo que se subestima
la producción de agua. Complementariamente, debido al alto valor de retardo del flujo de base
(70 días), el agua desplazada del suelo al acuífero superficial, aporta al flujo del cauce meses
después, durante la época seca, lo cual es razón de la sobrestimación del flujo. Debe hacerse
notar que esta combinación inicial, fue sumamente útil para el proceso de ajuste, pues con
pequeñas modificaciones (almacenamiento revap modifcado de 0,6 a 0,5 mm y tiempo de
retardo del agua subterránea modificado de 70 a 30 días), dio origen a la combinación que
produjo mejor resultado. Es de destacar el efecto de reducir este último parámetro, pues de
simulaciones con una ligera subestimación de la producción de agua en la época húmeda, se
pasa a sobrestimarla notablemente.
Aún con las combinaciones de parámetros de agua subterránea de mejor funcionamiento, los
resultados indican que en condiciones de mayor humedad de la cuenca, con los valores
asignados de Número de Curva, se obtiene una escorrentía superficial mayor a la que
realmente ocurre, por lo que habría que reducirlos, y tal vez, al mismo tiempo en que se
81
aumenten los valores de agua aprovechable y de conductividad hidráulica saturada del suelo.
No obstante, como ya se ha indicado, y a pesar de lo procedido por diversos autores, no se
consideró conveniente manipular la asignación de dichos parámetros, ya que implicaría forzar
la descripción de la cobertura vegetal y del suelo sin criterios sistemáticos que puedan ser
empleados por otros usuarios. En este caso, el ajuste sistemático (según Chiang, 1971)
efectuado a los valores de Número de Curva incluidos en la tabla típica e interfaz del modelo,
parece no haber sido suficiente, es decir, la disminución del valor obtenido en los casos de
grupos hidrológicos transicionales. Por otro lado, debe tenerse presente la influencia del agua
aprovechable y conductividad hidráulica del suelo en las relaciones entre la infiltración y la
escorrentía. Estos parámetros, de haber sido subestimados, ocasionarían una menor capacidad
de infiltración al suelo, y por lo tanto, mayores tasas de escorrentía. No se consideró
conveniente emplearlos como parámetros de calibración, sino evaluar el efecto que causa en la
simulación la obtención por diversos métodos (esta discusión se amplía en la sección 7.4.4).
La cantidad de precipitación pareciera ser una razón para que se sobrestime la producción de
agua. En la Figura 26 se observa como en los años con evidente sobrestimación (1967, 1968,
1973), la precipitación fue de mayor magnitud que en los años de mejor ajuste. No obstante,
esta relación tampoco es consistente, pues el año 1970 fue de buen ajuste, aún con
precipitaciones tan elevadas como en los años mencionados, lo cual podría estar asociado a la
distribución de las lluvias en un período lluvioso más largo. Obviando este hecho, parece que
existe un umbral de sensibilidad ante la magnitud de las lluvias donde el agua no puede ser
retenida en la cuenca, ni siquiera empleando valores bajos de Número de Curva que impliquen
alta retención en la cuenca, como se verá más adelante (sección 7.4.3).
82
0
50
100
150
200
250
300
ene-67 jul-67 ene-68 jul-68 dic-68 jun-69 dic-69 jun-70 dic-70 jun-71 dic-71 jun-72 dic-72 jun-73 dic-73
Fecha
Lám
ina
de a
gua
(mm
)
Producción de agua simuladaProducción de agua registradaPrecipitación
Combinación de parámetros de agua subterránea 3Almacenamiento revap: 0,5 mm.Retardo de agua subterránea: 30 días.
Figura 26. Precipitación y producción de agua mensual registrada y simulada con la mejor
combinación de parámetros de agua subterránea. Fase de validación.
Además debe considerarse el efecto de los siguientes factores en cuanto a la sobrestimación de
la producción de agua en la época de lluvias:
a) Posible subestimación de la evapotranspiración. Al respecto, debe indicarse que el uso
de valores de radiación y temperatura de estaciones fuera de la cuenca para generar los
valores diarios, puede acarrear errores por falta de representatividad, además de los
errores inherentes a los métodos de estimación de estos factores y de la
evapotranspiración. En este caso, se empleó la opción Priestley-Taylor en vez de la
opción Penman-Monteith en razón a la carencia de información suficiente (velocidad
del viento y humedad relativa). Por otro lado, se desconoce en que medida el modelo
subestima la transpiración de las plantas, bien sea por falta de representatividad de los
parámetros de vegetación provistos por el modelo, por una representación poco
adecuada de los procesos de la vegetación, o ambas debilidades a la vez.
b) El detalle de la información de suelos. La generalización efectuada a fines de
establecer los suelos predominantes en la cuenca puedo haber sido insuficiente en
cuanto a detalle para representar la variabilidad de los procesos hidrológicos del suelo,
en especial, la infiltración, la retención y la transpiración.
c) El método de estimación del agua aprovechable y de la conductividad hidráulica del
suelo. La opción del sistema SoilPar empleada (Campbell) produce valores
intermedios de ambos parámetros si se le compara con otras opciones de estimación.
83
Haber empleado una opción que estime mayores valores de ambos, hubiese disminuido
la escorrentía superficial por aumentar la capacidad de infiltración y almacenamiento
de agua del suelo. No obstante, es muy posible que se sobrestime entonces el flujo de
base. Más adelante se muestran resultados acerca del efecto de la opción de estimación
de estos parámetros de suelo sobre la producción de agua simulada (ver sección 7.4.4).
d) La falta de correspondencia temporal entre la información de cobertura vegetal (1989)
y los registros hidrométricos (1967 – 1973). Si se asume que ha ocurrido retroceso del
bosque a lo largo del tiempo, y se ha sustituido por coberturas y usos con mayor
potencial de escorrentía, se está simulando una condición con mayor capacidad de
producción de agua. No obstante, al aumentar la proporción de la cuenca bajo bosque
(Número de Curva más bajo), aunque se mejoró la correspondencia de la simulación,
se mantuvo la sobrestimación en los años más lluviosos (ver sección 7.4.3).
e) El procedimiento de calibración de tipo agregado. Dada la existencia de una sola
estación hidrométrica en toda la cuenca media, no fue posible calibrar los parámetros
de agua subterránea considerando las variaciones de los factores de producción de
agua. Ello implica que se asume que las condiciones de infiltración y escorrentía
subsuperficial son similares en toda la cuenca, lo cual no es necesariamente cierto.
De las estadísticas básicas de los valores registrados y simulados de producción de agua puede
señalarse que el modelo incurre en una sobrestimación generalizada (entre 17 y 30 %) según la
combinación empleada de parámetros de agua subterránea. Las simulaciones con las
combinaciones 2 y 3 presentaron estadísticas básicas similares a las los valores registrados, en
resumen, una distribución similar, aunque con una menor curtosis. Con la combinación inicial
de parámetros de agua subterránea, aunque la suma de valores fue más adecuada, las
estadísticas básicas indican una distribución más diferenciada con respecto a la de los valores
registrados, con menor desviación estándar, sesgo y curtosis (Cuadro 30).
84
Cuadro 30. Estadísticas básicas de la producción de agua mensual registrada y simulada con
tres combinaciones de parámetros de agua subterránea en la fase de validación.
Registrada Valores
iniciales
Combinación 2 Combinación 3
Número de datos (meses) 72 72 72 72
Mínimo 1,30 6,12 1,02 1,05
Máximo 81,21 50,78 75,76 75,41
Suma 1218,05 1427,19 1587,47 1528,23
Promedio 16,92 19,82 22,05 21,23
Mediana 11,02 19,72 18,10 16,66
Desviación estándar 16,59 9,46 19,98 19,70
Error estándar 1,96 1,12 2,36 2,32
Sesgo 1,70 0,88 1,16 1,26
Curtosis 3,45 1,02 0,57 0,79
En el Cuadro 31 se muestran los índices basados en diferencia, regresión y agregados
correspondientes a la fase validación. De ellos, se concluye un buen funcionamiento del
modelo con las combinaciones 2 y 3 de parámetros de agua subterránea.
85
Cuadro 31. Evaluación de las simulaciones para validación del modelo con diversas
combinaciones de parámetros de agua subterránea.
Según los valores de Eficiencia de Simulación, las simulaciones de producción de agua
mensual para el período de validación, califican de buenas (Moriasi et al., 2007). Las
simulaciones con las combinaciones de parámetros de agua subterránea 2 y 3 presentaron los
mejores comportamientos, ambas con muy baja “pertenencia” a valores “inadecuados” en los
índices empleados (ver módulos de diferencia y regresión e indicador agregado en Cuadro
31). Además de los buenos valores de Eficiencia de Simulación, destacan los altos valores de
Coeficiente de Concordancia, valores de Error Medio Absoluto bajos (inferiores a la mitad de
la desviación estándar), las pendientes de regresión similares a uno con una alta probabilidad y
los relativamente bajos valores del intercepto. Con la combinación inicial de valores, a pesar
de que se obtienen buenos indicadores de diferencia, se obtienen indicadores de regresión
poco adecuados, con un módulo de regresión mucho más alto que en las otras simulaciones.
Valores iniciales Combinación 2 Combinación 3
Eficiencia de la simulación (EF) 0,58 0,52 0,55
Coeficiente de concordancia (d) 0,82 0,90 0,90
Error medio absoluto (EMA, mm) 8,07 7,61 7,13
Coeficiente de correlación (R) 0,82 0,86 0,86
P(t) R = 0 0 0 0
Pendiente de la recta de regresión (B1) 0,46 1,03 1,02
P(t) B1 =1 0 0,65 0,83
Intercepto de la línea de regresión (B0) 11,87 4,56 4,05
P(t) B0 =0 0 0,011 0,023
P(f) B1 = 1 y B0 = 0 0 0,0002 0,0029
Módulo de diferencias 0,44 0,37 0,34
Módulo de regresión 0,62 0,20 0,18
Indicador agregado 0,53 0,22 0,19
86
En cuanto a las estadísticas de regresión, nótese que con las tres combinaciones se obtuvieron
altos coeficientes de correlación, con probabilidad cero de valer cero, es decir, significativos
en cualquier caso. Los valores del coeficiente de regresión son similares o ligeramente más
altos que los obtenidos por otros autores en fase de calibración (Torres Benites et al., 2000;
Reungsang et al. 2005) y validación (Bracmort et al., 2006).
En el caso de la combinación inicial de parámetros de agua subterránea, la pendiente de
regresión notablemente menor a uno y el valor alto del intercepto, indican que las
simulaciones tenderán a sobrestimar los valores bajos y subestimar los altos.
Con las otras dos combinaciones, que presentaron alto valor significativo de coeficiente de
regresión, valores de la pendiente de regresión cercanos a uno con alta probabilidad, y al tener
un intercepto un poco superior a cero, puede inferirse que la producción de agua se simulará
consistentemente, pero con alguna desviación de magnitud, en este caso, una ligera
sobrestimación. Debe tenerse presente que los buenos valores de las estadísticas basadas en
diferencia indican que estas sobrestimaciones son de poca magnitud.
7.4. Sensibilidad de la producción de agua ante variaciones en el número de estaciones pluviométricas, extensión de la cobertura boscosa y parámetros hidrológicos del suelo.
7.4.1. Ajuste de la producción de agua registrada a la superficie de la cuenca media (abstracción de los aportes de la cuenca alta).
Los valores de producción de agua mensual simulados para la cuenca media y el conjunto
cuenca media y alta mostraron alta correlación (R=0,96; R2=0,92; Figura 27), por lo tanto, la
ecuación de regresión obtenida se consideró adecuada para efectuar el ajuste del gasto
producido por toda la cuenca (alta y media) al gasto producido sólo por la cuenca media
(Figura 28).
87
Gasto cuenca media = 0.6901(Gasto cuencas media y alta) + 0.5554R2 = 0.92
0
10
20
30
40
50
60
70
0 10 20 30 40 50 60 70 80 90
Gasto simulado para las cuencas alta y media (m3 s-1)
Gas
to s
imul
ado
para
las
cuen
ca
med
ia (m
3 s-1
)
Figura 27. Regresión entre los gastos simulados para la cuenca media individualizada y el
conjunto cuenca media y alta.
010
2030
4050
6070
8090
ene-67 jul-67 ene-68 jul-68 ene-69 jul-69 ene-70 jul-70 ene-71 jul-71 ene-72 jul-72 ene-73 jul-73
Fecha
Gas
to (
m3
s-1)
Cuencas Alta y MediaCuenca Media
Figura 28. Gastos mensuales registrados en el sitio La Balsa (cuenca media y alta) y gastos
ajustados para la cuenca media individualizada. Período 1967 – 1973.
La abstracción de los aportes de la cuenca alta a la producción de agua trajo consigo una
disminución de las diferencias entre los valores registrados ajustados y simulados, lo cual se
debe a la eliminación de fuentes de incertidumbre como lo fue la simulación de la Unidad de
Respuesta Hidrológica que representaba a lo cuenca alta. Las diferencias entre valores
registrados y simulados disminuyen debido al recálculo de los gastos escurridos y su relación
con las superficies de cada uno de los sectores simulados. Proporcionalmente, en cuanto a
superficie, la cuenca alta aporta menor volumen de agua que la cuenca media, por lo tanto, al
hacer abstracción de sus aportes, y luego transformar los gastos a lámina según la superficie,
al ser la cuenca media de menor tamaño, se obtienen láminas de producción de agua registrada
ajustada mayores. Ello ocasiona que los índices basados en diferencia y el Coeficiente de
Correlación produzcan mejores valores.
88
7.4.2. Sensibilidad de la producción de agua ante el número de estaciones pluviométricas.
La eliminación progresiva de estaciones pluviométricas tuvo cierto impacto en los promedios
anual y mensuales de producción de agua simulada. En este caso, el efecto del menor uso de
estaciones pluviométricas fue bajo debido a la poca variabilidad en cuanto a patrón y magnitud
de las precipitaciones en la cuenca. Debe tenerse presente que el impacto será mayor en la
medida en que varíe el patrón y magnitud de las lluvias entre las diferentes estaciones
climáticas de la cuenca. En general, se tendió a aumentar la producción de agua simulada en la
medida en que se emplearon menos estaciones (Figura 29), independientemente del aumento o
disminución de la lluvia promedio anual (Cuadro 32).
0
10
20
30
40
50
60
70
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov DicMeses
Pro
ducc
ión
de a
gua
(mm
)
RegistradaSeis
Cinco
CuatroTres
Figura 29. Producción de agua promedio mensual simulada con diverso número de estaciones
pluviométricas. Período 1967 – 1973.
En el Cuadro 32 se observa cómo aumenta la producción de agua en la medida en que
disminuye el número de estaciones empleadas, así disminuya la lluvia promedio anual. Ello
indica que el modelo es sensible a la homogenización espacial de los eventos de lluvias, pues
en la medida en que se emplean menos estaciones, las precipitaciones ocurridas ocupan
simultáneamente más área, y por lo tanto, las tasas de escurrimiento son mayores. Ello
muestra la importancia de emplear el mayor número posible de ellas, aún en cuencas
aparentemente homogéneas en régimen de lluvias y a pesar del aparente poco impacto que
pueda tener en los valores acumulados de producción de agua.
89
Cuadro 32. Variaciones en los promedios de precipitación y producción de agua simulada al
reducir el número de estaciones pluviométricas en la simulación. Período 1967 – 1973.
Numero de estaciones pluviométricas empleadas
Precipitación promedio anual (mm)
Producción de agua promedio simulada (mm)
Diferencia con respecto a la producción de agua promedio registrada (mm)
Seis 1478,4 314,9 61,7
Cinco 1498,2 321,9 68,7 Cuatro 1562,3 338,8 85,6
Tres 1528,0 343,2 90,0
Aunque el efecto del número de estaciones fue apreciablemente poco sobre los promedios
anual y mensuales, se observa como disminuye la calidad de las simulaciones (aumenta el
valor del indicador agregado) en la medida en que se reduce el número de aquellas (Cuadro
33). El ajuste entre magnitudes simuladas y registradas se afectó más que la correlación entre
ambas (nótese que el incremento en el módulo de diferencia es mayor que en el de regresión).
Los índices más afectados fueron la Eficiencia de Simulación y la probabilidad de que la
pendiente valga uno en la línea de regresión entre valores simulados y registrados. Si se
considera que aumentan las diferencias entre magnitudes, al mismo tiempo en que lo hace el
valor de la pendiente y además, esta disminuye en su probabilidad de valer uno, se infiere que
en la medida en que se emplean menos estaciones pluviométricas, los valores de producción
de agua tienden a sobrestimarse en la medida en que son más altos. Por tanto, aunque los
valores promedio de producción de agua parezcan afectarse poco, debe señalarse que la
cantidad y distribución de las estaciones pluviométricas puede afectar sus valores mensuales
absolutos.
90
Cuadro 33. Evaluación de las simulaciones con diverso número de estaciones climáticas. Período 1967 – 1973. Número de estaciones pluviométricas Seis* Cinco Cuatro Tres Eficiencia de la simulación (EF) 0,65 0,60 0,51 0,46 Coeficiente de concordancia (d) 0,93 0,92 0,91 0,90 Error medio absoluto (EMA, mm) 8,02 8,50 9,45 9,83 Coeficiente de correlación (R) 0,91 0,90 0,91 0,90 P(t) R = 0 0 0 0 0 Pendiente de la recta de regresión (B1) 1,12 1,15 1,21 1,22 P(t) B1 =1 0,052 0,019 0,002 0,003 Intercepto de la línea de regresión (B0) 2,56 2,46 2,65 2,90 P(t) B0 =0 0,16 0,19 0,17 0,16 P(f) B1 = 1 y B0 = 0 0 0 0 0 Módulo de diferencias 0,32 0,35 0,41 0,45 Módulo de regresión 0,14 0,17 0,21 0,23 Indicador agregado 0,15 0,19 0,25 0,30
*Número de estaciones empleado en la fase de calibración. El insuficiente número de estaciones climatológicas con que se represente la cuenca en el
modelo ha sido señalado como razón de simulaciones deficientes por diversos autores.
Jayakrishnan et al. (2005), al calibrar y validar SWAT en una cuenca de 3050 km2 en Kenya,
África, obtienen valores de Eficiencia de Simulación inferiores a 0,10, y atribuyen la falta de
ajuste a la deficiente información de entrada, en especial, a los inadecuados datos climáticos.
A pesar de haber empleado cuatro estaciones climatológicas en el estudio, sólo una de ellas se
ubicaba dentro de la cuenca, con lo cual no se representó bien la variabilidad espacial de las
precipitaciones. Ello se evidenció por la falta de correlación entre los valores de lluvia y de
producción de agua. Bekiarisi et al. (2005), al evaluar SWAT en Suecia, obtienen una
reducción de la Eficiencia de Simulación de 0,7 a 0,4 entre la fase de calibración y de
validación, lo que atribuyen a la falta de calibración adicional y de representatividad de la
información climática. Al respecto, indican que el empleo de información climática
representativa de cada una de las subcuencas mejoró el ajuste del modelo, aunque información
de origen y calidad dudosa pudo haber sido causa de importantes divergencias entre los
valores simulados y medidos de producción de agua. Stehr et al. (2008) en una cuenca de
91
Chile (4265 km2), obtienen diversos valores de Eficiencia de Simulación para cada una de las
subcuencas que conformaron las simulaciones, e indican que el peor valor (0,54 en fase de
calibración) se obtuvo en la subcuenca donde la información climática tuvo la peor
representatividad en cuanto a número de estaciones climatológicas.
7.4.3. Sensibilidad de la producción de agua ante el incremento de la cobertura vegetal en la cuenca.
El incremento artificioso de la superficie bajo cobertura vegetal densa ocasionó disminución
de la de la producción de agua, con lo cual, en promedio, se presenta una ligera
sobrestimación en casi todo el año (Figura 30). Se mantuvo el mismo patrón obtenido con
anterioridad, con sobrestimación de la producción de agua durante el período lluvioso de los
años 1967 y 1968 (Figura 31).
0
10
20
30
40
50
60
70
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov DicMeses
Prod
ucci
ón d
e ag
ua (m
m)
Registrada
Uso 1989 (25% Bosque)50% Bosque
66% Bosque89% Bosque
Figura 30. Producción de agua promedio mensual registrada y simulada diversa superficie
cubierta por bosque. Período1967-1973.
0
20
40
60
80
100
120
ene-67 jul-67 ene-68 jul-68 dic-68 jun-69 dic-69 jun-70 dic-70 jun-71 dic-71 jun-72 dic-72 jun-73 dic-73
Fecha
Prod
ucci
ón d
e ag
ua (m
m)
Producción de agua simuladaProducción de agua registrada
89% de bosque.Combinación de parámetros de agua subterránea 3Almacenamiento revap: 0,5 mm.Retardo de agua subterránea: 30 días.
Figura 31. Producción de agua mensual registrada y simulada con 89% de la superficie
cubierta por bosque. Período1967-1973.
92
La sensibilidad de la producción de agua ante el Número de Curva fue alta. Variaciones de
hasta -13% en éste, ocasionaron cambios de similar proporción en las simulaciones, con lo
cual, de una sobrestimación de la producción de agua en 24%, se pasó a una de 8% (Cuadro
34). Nótese, aunque en este caso el incremento de la cobertura vegetal con respecto a la
superficie fue artificioso, la variación ponderada del valor de Número de Curva sea similar o
ligeramente superior que las empleada por otros autores a los fines de calibrar el modelo
(Benaman et al., 2005; Heuvelmans et al., 2005; Reungsang et al., 2005; Manoj et al., 2006;
Stehr et al., 2008).
Cuadro 34. Variaciones en el promedio anual de producción de agua simulada al aumentar la
superficie bajo bosque. Período 1967 – 1973.
Superficie bajo bosque
(%)
Número de Curva ponderado †
Producción de agua promedio simulada
(mm año-1) †
Diferencia con respecto a la producción de agua promedio registrada
(mm año-1) ‡
25* 52,9 314,9 61,7 (24%) 50 49,3 (-6%) 301,4 (-4%) 48,2 (19%) 66 47,6 (-10%) 290,1 (-8%) 36,9 (14%) 89 45,6 (-13%) 273,4 (-13%) 20,2 (8%)
*Simulación inicial. Entre paréntesis: † Variación porcentual con respecto al valor inicial. ‡ Variación porcentual con respecto al valor registrado.
La reducción en la producción de agua al aumentar la superficie bajo bosque se explica con la
variación en los componentes del balance hídrico (Cuadro 35). La mayor biomasa ocasiona
pérdidas de agua por mayor transpiración, y además, se produce menos escorrentía que aporte
a la producción de agua. El flujo de base aumenta ligeramente, y no compensa las reducciones
por transpiración e infiltración.
93
Cuadro 35. Producción de agua y componentes del balance hídrico simulados para diversa
superficie bajo cobertura de bosque. Período 1967 – 1973.
Superficie bajo
bosque (%)
Número de Curva
ponderado
Producción de agua
(mm año-1)
Escorrentía superficial (mm año-1)
Flujo lateral(mm año-1)
Flujo base (mm año-1)
Infiltración profunda
(mm año-1)
Agua en el suelo (mm)
Transpiración(mm año-1)
25 52,9 314,9 95.8 7.2 212.0 407.5 99.6 973.6
50 49,3 301,4 79.8 7.2 214.4 409.3 97.1 998.0
66 47,6 290,1 66.5 7.3 216.4 411.2 95.2 1009.6
89 45,6 249,1 49.6 7.3 216.6 411.3 91.6 1027.0
La disminución de la producción de agua en la medida en que se aumentó la superficie
boscosa, ocasionó mejoras en la calidad de las simulaciones. En el Cuadro 36 se observa como
aumentan los valores de Eficiencia de Simulación e Índice de Concordancia, disminuye el
Error Medio Absoluto, y los valores de pendiente e intercepto se acercan a uno y cero
respectivamente, con incremento notable de sus probabilidades. Estos resultados indican que
valores de Número de Curva sobrevaluados pueden ser la razón de las sobrestimaciones
obtenidas. No obstante, debe tenerse presente, que aún existiendo tales diferencias, sin forzar
el uso de parámetros descriptivos, la simulación había resultado satisfactoria. Por otro lado,
aunque se obtenga una simulación con índices de validación sumamente adecuados, como en
el caso de una cobertura artificiosa de 89% de bosque, se transgrede y distorsiona la
descripción de la realidad, a pesar de que la variación ponderada del valor de Número de
Curva sea similar a la admitida por otros autores.
94
Cuadro 36. Evaluación de las simulaciones con escenarios progresivos de bosque. Período 1967 – 1973 Uso 1989
(26% bosque)
CN=52,9*
50 % bosque
CN=49,3
66% bosque
CN=47,6
89% bosque;
CN=45,6
Eficiencia de la simulación (EF) 0,65 0,68 0,70 0,70 Coeficiente de concordancia (d) 0,93 0,93 0,94 0,94 Error medio absoluto (EMA, mm) 8,02 7,44 7,13 7,04 Coeficiente de correlación (R) 0,91 0,91 0,91 0,90 P(t) R = 0 0 0 0 0 Pendiente de la recta de regresión (B1) 1,12 1,14 1,11 1,08 P(t) B1 =1 0,052 0,030 0,074 0,21 Intercepto de la línea de regresión (B0) 2,56 1,17 0,70 -0,02 P(t) B0 =0 0,16 0,51 0,70 0,81 P(f) B1 = 1 y B0 = 0 0 0 0,032 0,13 Módulo de diferencias 0,32 0,28 0,26 0,26 Módulo de regresión 0,14 0,09 0,06 0,04 Indicador agregado 0,15 0,10 0,08 0,07
*. Número de Curva ponderado de la cuenca.
7.4.4. Sensibilidad de la producción de agua ante el incremento en los valores de parámeros hidrológicos del suelo.
El empleo de valores más altos de agua aprovechable del suelo (obtenidos al emplear la
opción Mayr – Jarvis en el sistema SoilPar) ocasionó una notable disminución de la
producción de agua simulada, con subestimación generalizada de los valores promedio
mensuales. Tal disminución continuó al emplear mayores valores de conductividad hidráulica
saturada (obtenidos con la opción Jabro) (Figura 32). Además, y a diferencia de la simulación
con los parámetros hidrológicos de suelo originales, casi desaparece la sobrestimación de la
producción de agua en la época de lluvias (Figura 33).
95
0
10
20
30
40
50
60
70
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Meses
Pro
ducc
ión
de a
gua
(mm
)
Registrada
AA: Campbell; Ksat: Campbell
AA: Mayr - Jarvis; Ksat: Campell
AA: Mayr - Jarvis; Ksat: Jabro
Figura 32. Producción de agua promedio mensual registrada y simulada con diversas
combinaciones de métodos para estimar el agua aprovechable y conductividad hidráulica
saturada del suelo. Período 1967 – 1973.
0
20
40
60
80
100
120
ene-67 jul-67 ene-68 jul-68 dic-68 jun-69 dic-69 jun-70 dic-70 jun-71 dic-71 jun-72 dic-72 jun-73 dic-73
Fecha
Prod
ucci
ón d
e ag
ua (m
m)
Producción de agua registradaAA: Campbell; Ksat: CampbellAA: Mayr-Jarvis; Ksat: CambellAA: Mayr-Jarvis; Ksat: Jabro
Combinación de parámetros de agua subterránea 3Almacenamiento revap: 0,5 mm.Retardo de agua subterránea: 30 días.
Figura 33. Producción de agua mensual registrada y simulada con diversas combinaciones de
métodos para estimar el agua aprovechable y conductividad hidráulica saturada del suelo.
Período 1967 – 1973.
La sensibilidad de la producción de agua ante el agua aprovechable fue mayor que ante la
conductividad hidráulica saturada. Una variación de 100% en el agua aprovechable por si sola
causó una variación de -28% en la producción de agua, mientras que al acompañarse con una
variación de la conductividad hidráulica saturada de 110% causó una variación de -30%
(Cuadro 37). Por tanto, puede asumirse el agua aprovechable del suelo como un valor más
crítico que la conductividad hidráulica al momento de sus estimaciones. Sin embargo, no debe
96
restarse importancia a la determinación o estimación de la conductividad hidráulica, dado el
impacto que causó su variación en la calidad de las simulaciones (Cuadro 38).
Cuadro 37. Producción de agua y componentes del balance hídrico simulados con diversas
combinaciones de métodos para estimar el agua aprovechable y conductividad hidráulica
saturada del suelo. Período de 1967 – 1973.
Estimación AA1
Estimación Ksat2
Producción de agua3
(mm año-1)
Escorrentía superficial (mm año-1)
Flujo lateral(mm año-1)
Flujo base (mm año-1)
Infiltración profunda
(mm año-1)
Agua en el suelo
Transpiración(mm año-1)
Campbell (0,11)
Campbell (2,0)
314,9 95,8 7,2 212,0 407,5 99,6 973,6
Mayr –Jarvis (0,22; 100%)
Campbell (2,0)
224 (-28%) 53,9 13,1 156,8 294,5 181,8 1135,3
Mayr –Jarvis (0,22; 100%)
Jabro (4,2; 110%)
218 (-30%) 29,0 16,6 172,6 316,3 184,1 1135,0
1. AA: Agua aprovechable, entre paréntesis el valor promedio estimado (mm mm-1) y variación con respecto al valor original.
2. Ksat: Conductividad hidráulica saturada, entre paréntesis el valor promedio estimado (mm h-1) y variación con respecto al valor original.
3. Entre paréntesis la variación con respecto a la simulación original.
En el Cuadro 37 se muestra el efecto del incremento de los valores de agua aprovechable y de
conductividad hidráulica saturada del suelo sobre la producción de agua y los componentes del
balance hídrico. De tales resultados, se resalta lo siguiente:
a) La reducción de la producción de agua está asociada a reducciones en la escorrentía
superficial y del flujo de base, pues se incrementa el agua retenida en el suelo y la
transpiración por parte de las plantas.
b) El incremento de la conductividad hidráulica saturada, aunque incrementa al flujo de
base, reduce notablemente a la escorrentía superficial. Por lo tanto, disminuye la
producción de agua.
c) Aumenta el flujo lateral. No obstante, la pequeña magnitud de este flujo aporta muy
poco a la producción de agua.
d) Disminuyen las pérdidas por infiltración profunda debido a la mayor retención de agua
en el suelo.
97
El empleo de las diversas opciones de estimación de agua aprovechable y de conductividad
hidráulica saturada produjo un impacto apreciable en la calidad de las simulaciones. A pesar
de las subestimación incurrida, las variaciones empleadas produjeron mejores simulaciones
que la combinación inicial de parámetros hidrológicos del suelo. El empleo de la opción
Mayr-Jarvis para estimar el agua aprovechable del suelo, manteniendo la opción Campbell
para estimar la conductividad hidráulica, produjo la mejor simulación. Al emplear la opción
Jabro para estimar la conductividad hidráulica, la consecuente mayor subestimación de la
producción de agua desmejora ligeramente la calidad de la simulación, lo cual se evidencia en
el aumento de los índices agregados, es decir, se incrementa la pertenencia a valores
desfavorables. En la medida que se sustituyen opciones de estimación por aquellas que
producen mayores valores de agua aprovechable y conductividad hidráulica, la tendencia a
subestimar la producción de agua se manifiesta en pendientes de regresión progresivamente
menores a uno e interceptos progresivamente decrecientes (Cuadro 38).
Cuadro 38. Evaluación de las simulaciones con diversas combinaciones de métodos para estimar el agua aprovechable y conductividad hidráulica saturada del suelo. Período 1967 – 1973
Opciones de estimación del agua aprovechable del suelo y de conductividad hidráulica saturada.
Agua aprovechable Campbell* Mayr - Jarvis Mayr - Jarvis Conductividad hidráulica saturada Campbell* Campbell Jabro
Eficiencia de la simulación (EF) 0,65 0,79 0,76 Coeficiente de concordancia (d) 0,93 0,94 0,93 Error medio absoluto (EMA, mm) 8,02 5,90 6,55 Coeficiente de correlación (R) 0,91 0,89 0,88 P(t) R = 0 0 0 0 Pendiente de la recta de regresión (B1) 1,12 0,85 0,81 P(t) B1 =1 0,052 0,0045 0,007 Intercepto de la línea de regresión (B0) 2,56 0,61 -1,34 P(t) B0 =0 0,16 0,67 0,54 P(f) B1 = 1 y B0 = 0 0 0,0038 0,008 Módulo de diferencias 0,32 0,18 0,22 Módulo de regresión 0,14 0,07 0,11 Indicador agregado 0,15 0,05 0,08
* Combinación empleada en la fase de calibración.
98
8. Conclusiones.
Con información relativamente rápida y fácil de obtener, y además, a pesar de deficiencias en
ella, fue posible calibrar y validar exitosamente al modelo SWAT en cuanto a producción de
agua en la cuenca media del río Pao. Por lo tanto, se estima que este modelo, tal como fue
calibrado y validado, pueda ser de utilidad para la evaluación y planificación de esta cuenca.
Aún en cuencas relativamente homogéneas en cuanto a distribución espacial de los regimenes
y magnitudes de precipitación, es conveniente emplear el mayor número posible de estaciones
pluviométricas. Tal fue el caso del presente estudio, donde el número de estaciones tuvo un
efecto apreciable en los índices empleados en la evaluación. Se estima que en cuencas más
heterogéneas este efecto sea mucho más acentuado.
El desenglobe de datos de precipitación según la proporción de los valores registrados en la
estación más cercana puede ser un procedimiento adecuado a los fines la simulación mensual
de la producción de agua. Sin embargo, debe tenerse presente que el impacto que la
manipulación de la información diaria de precipitación tenga sobre la calidad de las
simulaciones dependerá de la calidad de los registros de precipitación. Por lo tanto, se
requieren evaluaciones acerca del impacto de datos faltantes y su consecuente estimación
sobre las simulaciones, así como del efecto que esta manipulación de información climática
pueda tener sobre la calidad de simulaciones diarias.
Para cuencas similares a la de este estudio en cuanto a régimen, geología y tamaño, es
recomendable comenzar la calibración con los parámetros de agua subterránea aquí
determinados. Luego, mediante pequeños cambios por vez, en especial, de los parámetros
tiempo de retardo del flujo subsuperficial y de almacenamiento revap, ajustar la producción de
agua según los registros disponibles.
El modelo tendió a sobrestimar la producción de agua durante la época lluviosa, lo cual se
atribuye a sobrestimación de la escorrentía superficial. Por lo tanto, es conveniente, al
momento de asignar los valores de Número de Curva, considerar criterios adicionales a los
expuestos en la metodología tradicional para establecer el tipo hidrológico de suelo.
Debido a que los estudios de suelo por lo general carecen de valores de densidad aparente,
agua aprovechable y de conductividad hidráulica, es necesario estimarlos mediante funciones
99
de pedotransferencia. Al respecto, es conveniente comparar los resultados que estos métodos
producen con valores reales de referencia, o al menos, revisarlos críticamente, para seleccionar
los valores conceptualmente más adecuados. Igualmente, es necesario efectuar análisis de
sensibilidad para determinar el efecto que el uso de estos métodos causaría sobre las salidas
del modelo.
Al carecer de información de los parámetros hidrológicos del suelo, con fines prácticos es
recomendable calibrar el modelo con valores obtenidos con una función de pedotransferencia
que produzca valores intermedios, y luego, evaluar el impacto que tendría sobre la calidad de
la simulación el empleo de valores obtenidos con funciones que produzcan valores más altos o
más bajos, lo cual podría mitigar la sobrestimación de la producción de agua en la época de
lluvias.
La experiencia obtenida en este trabajo, más la recabada en la literatura, hace concluir que,
debido a la considerable cantidad de parámetros de SWAT, y posiblemente de modelos
simulares, que están sujetos a incertidumbre, bien sea por disponibilidad o calidad, como la
información de clima, suelos y cobertura vegetal, una calibración adecuada para el escenario
de línea base es imprescindible para obtener estimados confiables en órdenes de magnitud y
tendencias en los escenarios hipotéticos o alternativos.
100
9. Referencias bibliográficas.
Acutis, M. and M. Donatelli. 2003. SOILPAR 2.00: software to estimate soil hydrological
parameters and functions. European Journal of Agronomy .18: 373 – 377.
Arnold, J. G., R. Srinivisan, R. S. Muttiah, and P. M. Allen. 1998. Large-area hydrologic
modeling and assessment: Part I. Model development. Journal of the American Water
Resources Association. 34(1): 73-89.
Arabi M. 2008. Representation of agricultural conservation practices with SWAT.
Hydrological Processes. 22: 3042–3055.
Bekele E. G and J. W. Nicklow. 2007. Multi-objective automatic calibration of SWAT using
NSGA-II. Journal of Hydrology (2007) 341, 165– 176.
Bekiarisi. I. G; N. Panagopoulos and M. A. Mimikou. 2005. Application of the Swat (Soil And
Water Assessment Tool) model in The Ronnea catchment of Sweden. Global Nest
Journal. 7 (3): 252-257.
Benaman, J., C. A. Shoemaker, and D. A. Haith. 2005. Calibration and validation of Soil and
Water Assessment Tool on an agricultural watershed in upstate New York. J. Hydrol.
Eng. 10(5): 363‐374.
Borah D. K. and M. Bera. 2004. Watershed−scale hydrologic and nonpoint−source pollution
models: review of applications. Transactions of the ASAE. Vol. 47(3): 789−803
Bracmort K. S., M. Arabi, J. R. Frankenberger, B. A. Engel, J. G. Arnold. 2006. Modeling
long-term water quality impact of structural BMPS. Transactions of the ASABE. 49
(2): 367−374
Burnash R., Ferral L. Y. R. Mcguire. 1973. A Generalized Streamflow Simulation System
Conceptual Modeling for Digital Computers. National Weather Service, Sacramento
CA, USA.
Carmona, A. 2007. Ajuste de la producción de agua simulada por el modelo SWAT y análisis
de sensibilidad ante características hidrológicas del suelo en una cuenca pequeña de
alta pendiente. Trabajo de Grado. Tutor: Oscar Silva. Facultad de Agronomía. U.C.V.
122 p.
101
Chaponniere, A., G. Boulet, A. Chehbouni and M. Aresmouk. 2008. Understanding
hydrological processes with scarce data in a mountain environment. Hydrological
Processes. 22:1908–1921.
Chiang, S. L. 1971. A runoff potential rating table for soils. Journal of Hydrology 13: 54 -62.
Coupe, R. H. 2007. Use of a watershed model to characterize the fate and transport of
fluometuron, a soilapplied cotton herbicide, in surface water. International Journal of
Environmental Analytical Chemistry. 87 (13) 883 — 896.
Escalona M. y L. Estrada. 1997. Evaluación de las tierras del sector Higuerotal, cuenca media
del río Pao, estado Cojedes, con fines de conservación de suelos y aguas. Trabajo de
Grado. Tutor: Oscar Silva. Facultad de Agronomía. U.C.V. Maracay. 179 p.
Donatelli, M. y M. Acutis. 2001. SoilPar: Soil Parameter Estimate. V. 2.0 Alpha. Software.
ISCI. Bologna, Italy. http://www.sipeaa.it/ASP/ASP2/SOILPAR.asp. Accedido 26 de
Mayo de 2009.
Fila, G., G. Bellochi, M. Acutis y M. Donatelli. 2001. IRENE: Integrated Resources for
Evaluating Numerical Estimates. ISCI, Bologna, Italia.
http://www.sipeaa.it/ASP/ASP2/IRENE.asp . Accedido 16 de Mayo de 2009.
Fila, G. , G. Bellocchi, , M. Acutis, M. Donatelli. 2003. IRENE: A software to evaluate model
performance. European Journal of Agronomy. 18 (2003) 369 - 372
Fohrer, N; K. Eckhardt, S. Haverkamp and H. G. Frede. 2001. Applying the SWAT model as a
decision support tool for land use concepts in peripheral regions in Germany. In:
Sustaining the Global Farm. Selected papers from the 10th International Soil
Conservation Organization Meeting. 1999. pp: 994 - 999.
full_paper/ffp-794.pdf. Accedido el 6 de mayo de 2009.
Gassman, P. W; M. R. Reyes, C. H; Green and J. G. Arnold.2007. The Soil and Water
Assessment Tool: Historical Development, Applications, and Future Research
Directions. Transactions of the ASABE. Vol. 50(4): 1211-1250.
Govender, C. and C. S. Everson. 2005. Modelling streamflow from two small South African
experimental catchments using the SWAT model. Hydrological Processes. (19) 683–
692.
102
Guillén, J. 2001. Determinación de las prioridades de atención conservacionista según los
riesgos de erosión actual y potencial en la cuenca media del río Pao, estados Carabobo
y Cojedes. Trabajo de Grado. Tutor: Oscar Silva. Facultad de Agronomía. U.C.V.
139 p.
Harmel, R.D and P. Smith. 2007. Consideration of measurement uncertainty in the evaluation
of goodness-of-fit in hydrologic and water quality modeling. Journal of Hydrology.
337: 326– 336
Heuvelmans, G., B. Muys and J. Feyen. 2005. Analysis of the spatial variation in the
parameters of the SWAT model with application in Flanders, Northern Belgium.
Hydrology and Earth System Sciences 8 (5): 931-939.
Hidrocentro, 2006. http://www.hidrocentro.gob.ve/hc/sispro/informacionGeneral/. Accedido
28 de Abril de 2009.
Immerzeel, W. W., and P. Droogers. 2008. Calibration of a distributed hydrological model
based on satellite evapotranspiration. Journal of Hydrology (2008) 349, 411– 424.
INOS-GGR Ingeniería. 1991. Estudio hidrológico de la cuenca del río Pao, hasta los sitios
cachinche y La Balsa. Instituto Nacional de Obras sanitarias – CGR Ingeniería. 62 p.
Anexos.
Jayakrishnan, R., R. Srinivasan, C. Santhi and J. G. Arnold. 2005. Advances in the
application of the SWAT model for water resources management. Hydrological
Processes. 19: 749–762.
Legates, D. R., and G. J. McCabe. 1999. Evaluating the Use of “Goodness-of-Fit” Measures
in Hydrologic and Hydroclimatic Model Validation, Water Resources Research. 35(1),
233–241.
Lenhart, T.; K. Eckhardt, N. Fohrer and H.-G. Frede. 2002. Comparison of two different
approaches of sensitivity análisis. Physics and Chemistry of the Earth. 27: 645–654.
Manoj, J, J. G. Arnold and P. W. Gassman. 2006. Water Quality Modeling for the Raccoon
River Watershed Using SWAT. CARD Working Paper 06-WP 428. Center for
Agricultural and Rural Development. Iowa State University. 26 p. Disponible en:
http://www.econ.iastate.edu/research/webpapers/paper_12656.pdf. Accedido 16 de
mayo de 2009.
103
MARN – IGVSB. 2003. Sistema de Cuencas Hidrográfica, Isoyetas e Isotermas. Ministerio
del Ambiente y de los Recursos Naturales Renovables - Instituto Geográfico Simón
Bolívar. CD.
MARNR. 1989. Plan de desarrollo integral conservacionista para la cuenca alta y media del
río Pao. Dirección Regional. Cojedes. 328 p.
MARNR. 1994. Mapa del estado Cojedes. Ministerio del Ambiente y de los Recursos
Naturales Renovables – Servicio Autónomo de Geografía y Cartografía Nacional.
Mapa.
Massobrio, M., M. Castiglioni, C. Chagas y O. Santanatoglia. 1998. Análisis de sensibilidad
de un modelo predictivo distributivo de producción de sedimentos y nutrimentos
asociados (AGNPS), en una microcuenca del arroyo del Tala, Argentina. Terra
Latinoamericana 16(4): 371 - 377 p.
Migliaccio K.W., I. Chaubey and B.E. Haggard. 2007. Evaluation of landscape and instream
modeling to predict watershed nutrient yields. Environmental Modelling & Software.
22: 987 – 999.
MMH. 1976. Mapa Geológico Estructural de Venezuela. Compilación de A. Belizzia.
Ministerio de Minas e Hidrocarburos. Caracas.
Moriasi, D. N., J. G. Arnold, M. W. Van Liew, R. L. Bingner, R. D. Harmel, and T. L. Veith.
2007. Model evaluation guidelines for systematic quantification of accuracy in
watershed simulations. Transactions of the ASABE. 50(3): 885−900.
Nash, J.E. and Sutcliffe, J.V., 1970. River flow forecasting through conceptual models part I –
A discussion of principles. Journal of Hydrology 10 (3), 282–290.
Nedkov, S., M. Nikolova. 2006. Modeling flood hazard in Yantra river basin. Water
Observation and Information System for Decision for Balkan Countries (BALWOIS)
International Scientific Conference 2006. Disponible en:
\http://balwois.com/balwois/administration/. Accedido el 16 de Mayo de 2009.
Neitsch S.L., J.G. Arnold, J.R. Williams. 2002. Soil and Water Assessment Tool User’s
Manual. Version 99.2. Grassland, Soil and Water Research Laboratory. Agricultural
Research Service. 194 p.
104
Neitsch, S. L., J. G. Arnold, J. R. Kiniry, J. R. Williams. 2005. Soil and Water Assessment
Tool. Theoretical Documentation. Grassland, Soil and Water Research Laboratory.
Agricultural Research Service. 475 p. Disponible en:
http://www.brc.tamus.edu/SWAT/downloads/doc/SWAT2005/SWAT%202005%20theor
y%20final.pdf. Accedido el 16 de mayo de 2009.
Pikounis M., E. Varanou, E. Baltas, A. Dassaklis, M. Mimikou. 2003. Application of the
SWAT model in the Pinios river basin under different land-use scenarios. Global Nest:
the International Journal. 5 (2): 71-79.
Reungsang, P., R. S. Kanwar, M. Jha, P. W. Gassman, K Ahmad, and A. Saleh. 2005.
Calibration and Validation of SWAT for the Upper Maquoketa River Watershed.
Working Paper 05-WP 396. Center for Agricultural and Rural Development. Iowa
State University. 17 p. Disponible en:
http://www.card.iastate.edu/publications/DBS/PDFFiles/05wp396.pdf. Accedido 16 de
mayo de 2009.
Rojas, R. 1986. Hidrología de tierras agrícolas. Serie Hidrología H-19. CIDIAT. Mérida.118
p.
Santhi C., R. Srinivasan, J.G. Arnold and J.R. Williams. 2005. A modeling approach to
evaluate the impacts of water quality management plans implemented in a watershed in
Texas. Environmental Modelling & Software. 21: 1141 - 1157.
Schuol, J. and K. C. Abbaspour. 2006. Calibration and uncertainty issues of a hydrological
model (SWAT) applied to West Africa. Advances in Geosciences. 9: 137–143.
Silva, O. 1996. Validación del modelo SWRRB en una quebrada de altas pendientes; II:
componente de producción de agua. Rev. Fac. Agronomía Maracay. 22: 99-112.
Silva, O. 2004. El modelo SWAT en una cuenca pequeña de altas pendientes: simulación de la
producción de agua. Agronomía Tropical 54 (3): 275-291 p.
Singh J. , H. V. Knapp and M. Demissie. 2004. Hydrologic Modeling of the Iroquois River
Watershed. Using HSPF and SWAT. Watershed Science Section. Illinois State Water
Survey. 24 p. Disponible en: http://www.isws.illinois.edu/pubdoc/CR/ISWSCR2004-
08.pdf. Accedido 16 de mayo de 2009.
105
Sudheer, K. P., I. Chaubey, V. Garg and Kati W. Migliaccio. 2007. Impact of time-scale of
the calibration objective function on the performance of watershed models.
Hydrological Processes. 21: 3409–3419.
Stehr, A. P. Debels, F. Romero and H. Alcayaga. 2008. Hydrological modelling with SWAT
under conditions of limited data availability: evaluation of results from a Chilean case
study. Hydrological Sciences–Journal–des Sciences Hydrologiques. 53(3) 588 – 601.
Tiruneh, B. A. 2004. Modeling water quality using Soil and Water Assessment Tool (SWAT).
A case study in Lake Navaisha, Kenya. M.Sc Thesis. International Institute for Geo-
Information Science and Earth Observation. Enschede, The Netherlands. 80 p.
Torres Benites, E; E. Mejías Sáenz; J. Cortéz Becerra; E. Palacio Vélez; A. E. García. 2005.
Adaptación de un modelo de simulación hidrológica a la cuenca del río Laja,
Guanajuato, México. Agrociencia, 39 (5): 481- 490.
Torres Benites, E; J. L. Oropeza Mota y D. S. Fernández Reynoso. 2000. Aplicación del
modelo SWAT en la cuenca “El Tejocote”, Atlacomulco, estado de México. X
Congreso Nacional de Irrigación. Simposio 4. Manejo Integral de Cuencas
Hidrológicas. Chihuahua, México, 16-18 de agosto de 2000.
Urribarri, L. 2005. Validación del Modelo Hidrológico SWAT, con interfaz Arcview, en la
cuenca alta del río Chama, estado Mérida [Resumen]. Revista Forestal Venezolana. 49:
105.
USDA-NRCS. 2007. Part 630 Hydrology National Engineering Handbook. Chapter 7:
Hydrologic Soil Groups. United States Department of Agriculture. Natural Resources
Conservation Service. 14 p.
Warnock, R., P. Madriz, A. Trujillo. 2005. Determinación de los coeficientes genéticos del
modelo cropgro para siete cultivares de caraota en Venezuela. Interciencia. 30 (4):
205-212.
White K. L. and I. Chaubey. 2005. Sensitivity analysis, calibration, and validations for a
multisite and multivariable SWAT model. Journal of The American Water Resources
Association. October. 1077 – 1089
Willmott, C. J and D. E. Wicks. 1980. An empirical method for the spatial interpolation of
monthly precipitation within California. Physical Geography. 1:59 – 73.
106
Willmott, C. J. 1981. On the validation of models. Physical Geography 2: 184-194.
Willmott, C. J. 1982. Some comments on the evaluation of model performance. Bulletin
American Meteorological Society. 63 (11): 1309 – 1313.
Willmott, C. J. 1984. On the evaluation of model performance in physical geography. In:
Spatial Statistics and Models. L. Gaile, Cort J. Willmott, Eds. Springer. 443 – 460.
Willmott, C. J., S. Ackleson, R. Davis, J. Feddema, K. Klink, D. Legates, J. O‘Donnell, and
C . M. Rowe. 1985. Statistics For The Evaluation And Comparison of Models. Journal
of Geophysical Research. 90 (C5): 8995 - 9005.
Willmott. C. J. and K. Matsuura. 2005. Advantages of the mean absolute error (MAE) over
the root mean square error (RMSE) in assessing average model performance. Climate
Research. 30: 79–82.
Wu, K., and C. A. Johnston. 2008. Hydrologic comparison between a forested and a
wetland/lake dominated watershed using SWAT. Hydrological Processes. 22: 1431–
1442 (2008).
Yang , J., P. Reichert. K.C. Abbaspour, J. Xia, H. Yang. 2008. Comparing uncertainty
analysis techniques for a SWAT application to the Chaohe Basin in China. Journal of
Hydrology 358: 1– 23.
107
10. Anexos.
Anexo 1. Gastos registrados (m3 s-1). Río Pao en Paso La Balsa .
MARNR – SINAIHME.
Año Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Total 52 6.4 3.7 2.8 19.7 10.7 37.0 59.1 85.9 49.9 6.4 3.7 2.8 19.753 5.9 2.7 1.7 2.9 20.1 17.1 29.3 71.6 50.0 5.9 2.7 1.7 2.954 5.2 3.8 2.5 4.2 11.6 24.9 71.5 76.9 49.9 5.2 3.8 2.5 4.255 11.1 7.0 5.0 5.7 6.1 28.7 57.5 70.1 60.8 11.1 7.0 5.0 5.756 8.8 5.6 5.4 5.7 11.2 12.3 32.7 60.2 43.1 8.8 5.6 5.4 5.757 5.3 3.7 2.7 2.6 6.8 18.1 24.6 38.4 59.1 5.3 3.7 2.7 2.658 5.9 3.1 2.0 1.5 16.5 62.7 72.7 84.4 37.8 5.9 3.1 2.0 1.559 3.5 2.2 1.2 1.1 6.7 14.6 22.0 37.0 44.6 3.5 2.2 1.2 1.160 5.5 2.8 1.5 2.8 7.2 18.3 30.2 39.2 49.7 5.5 2.8 1.5 2.861 3.3 1.7 0.9 1.0 0.8 10.5 28.6 63.7 39.6 3.3 1.7 0.9 1.062 4.5 2.5 1.6 1.1 16.4 46.5 26.1 47.9 26.9 4.5 2.5 1.6 1.163 3.1 1.6 1.0 5.0 75.9 67.9 89.1 66.8 79.0 3.1 1.6 1.0 5.064 5.4 3.5 2.2 3.0 5.5 15.2 54.1 56.7 68.0 5.4 3.5 2.2 3.065 4.6 3.2 2.3 1.8 3.3 26.1 34.2 66.2 43.7 4.6 3.2 2.3 1.866 5.7 2.7 1.8 1.6 6.5 35.3 44.9 55.2 40.3 5.7 2.7 1.8 1.667 9.1 5.0 2.9 4.4 8.0 14.3 30.2 31.5 23.5 9.1 5.0 2.9 4.468 3.4 2.3 1.4 3.4 9.3 32.5 29.8 37.4 26.3 3.4 2.3 1.4 3.469 70 7.8 4.4 3.2 4.4 28.2 27.8 47.7 84.0 75.8 7.8 4.4 3.2 4.471 6.4 3.9 2.8 5.4 14.5 7.4 12.3 20.5 32.0 6.4 3.9 2.8 5.472 3.6 2.5 1.9 3.7 20.0 10.5 18.9 22.0 43.1 3.6 2.5 1.9 3.773 3.5 2.0 1.3 2.8 3.1 6.5 15.8 42.5 56.2 3.5 2.0 1.3 2.874 4.5 2.1 0.6 0.3 7.2 1.8 11.9 21.6 22.1 4.5 2.1 0.6 0.375 0.9 0.5 0.2 0.3 3.7 4.6 7.2 56.4 60.3 0.9 0.5 0.2 0.376 3.9 1.8 1.1 3.4 18.2 10.4 0.0 17.4 18.8 3.9 1.8 1.1 3.477 2.0 0.7 1.3 1.1 1.4 25.6 16.6 29.2 15.6 2.0 0.7 1.3 1.178 1.0 0.5 0.4 1.8 24.7 50.2 37.5 42.8 28.4 1.0 0.5 0.4 1.879 1.6 0.7 1.5 4.7 5.6 28.2 42.6 46.1 52.9 1.6 0.7 1.5 4.780 28.7 3.0 0.1 0.3 7.4 10.3 22.4 27.8 33.3 28.7 3.0 0.1 0.381 1.4 0.4 0.8 3.9 20.3 25.8 29.1 45.9 63.2 1.4 0.4 0.8 3.982 0.1 0.0 0.0 0.0 0.1 48.0 47.6 11.1 8.8 0.1 0.0 0.0 0.083 13.9 7.6 4.4 0.0 0.1 0.2 34.4 66.3 42.4 13.9 7.6 4.4 0.084 11.9 9.9 9.4 9.4 9.0 6.4 1.8 2.2 2.2 11.9 9.9 9.4 9.485 6.8 2.7 3.2 3.5 4.4 3.8 3.0 4.8 38.8 6.8 2.7 3.2 3.586 7.4 2.3 0.0 0.0 0.5 0.8 1.1 0.8 6.9 7.4 2.3 0.0 0.0
108
Anexo 2. Gastos registrados (mm). Río Pao en Paso La Balsa.
MARNR – SINAIHME.
Año Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Total 52 6.2 3.5 2.7 19.0 10.3 35.8 57.1 83.0 48.2 31.5 18.5 11.2 27.353 5.7 2.6 1.7 2.8 19.4 16.5 28.3 69.2 48.3 28.5 28.7 9.9 21.854 5.0 3.7 2.4 4.1 11.2 24.1 69.1 74.3 48.2 77.6 38.0 20.5 31.555 10.7 6.8 4.9 5.5 5.9 27.7 55.6 67.7 58.8 49.2 32.6 14.1 28.356 8.5 5.4 5.2 5.5 10.8 11.9 31.6 58.2 41.7 39.1 22.0 11.5 21.057 5.1 3.5 2.6 2.5 6.6 17.5 23.8 37.1 57.1 33.1 34.2 11.8 19.658 5.7 3.0 2.0 1.4 15.9 60.6 70.3 81.6 36.5 18.6 10.5 5.9 26.059 3.4 2.1 1.2 1.1 6.4 14.1 21.3 35.8 43.1 24.5 30.0 9.9 16.160 5.3 2.7 1.5 2.7 7.0 17.7 29.2 37.9 48.0 17.6 10.2 9.4 15.861 3.2 1.7 0.9 1.0 0.8 10.1 27.6 61.6 38.3 22.9 24.1 10.8 16.962 4.4 2.4 1.5 1.1 15.8 44.9 25.2 46.3 26.0 20.4 14.3 4.9 17.363 2.9 1.6 1.0 4.8 73.4 65.6 86.1 64.6 76.3 33.0 24.0 9.8 36.964 5.2 3.4 2.1 2.9 5.3 14.7 52.3 54.8 65.7 28.3 12.3 6.2 21.165 4.5 3.1 2.2 1.7 3.2 25.2 33.1 64.0 42.2 29.9 27.1 10.8 20.666 5.5 2.6 1.8 1.5 6.3 34.1 43.4 53.3 38.9 33.4 39.6 34.9 24.667 8.8 4.8 2.8 4.2 7.7 13.8 29.2 30.4 22.7 34.9 14.2 6.3 15.068 3.3 2.2 1.4 3.3 9.0 31.4 28.8 36.1 25.4 17.3 9.2 5.0 14.469 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.070 7.6 4.2 3.1 4.2 27.2 26.8 46.1 81.2 73.2 32.2 25.0 19.1 29.271 6.2 3.8 2.7 5.2 14.0 7.1 11.9 19.8 30.9 16.1 14.6 5.9 11.572 3.5 2.4 1.8 3.5 19.3 10.1 18.3 21.2 41.6 20.3 13.2 5.5 13.473 3.4 1.9 1.3 2.7 3.0 6.3 15.3 41.0 54.3 43.2 34.4 9.9 18.174 4.3 2.0 0.6 0.3 7.0 1.7 11.5 20.9 21.4 23.7 10.1 2.8 8.975 0.9 0.5 0.2 0.3 3.6 4.4 7.0 54.5 58.3 46.4 18.3 16.2 17.576 3.8 1.7 1.1 3.3 17.6 10.1 0.0 16.8 18.2 34.4 18.6 5.9 10.977 1.9 0.7 1.3 1.1 1.4 24.7 16.0 28.2 15.1 17.0 16.8 4.0 10.778 1.0 0.5 0.4 1.7 23.9 48.5 36.2 41.4 27.4 26.7 10.3 5.0 18.679 1.5 0.7 1.4 4.5 5.4 27.3 41.2 44.6 51.1 39.5 16.9 40.8 22.980 27.7 2.9 0.1 0.2 7.2 9.9 21.7 26.9 32.2 31.0 23.0 11.5 16.281 1.3 0.3 0.7 3.8 19.6 24.9 28.1 44.3 61.0 61.5 36.4 0.0 23.582 0.1 0.0 0.0 0.0 0.1 46.4 46.0 10.8 8.5 12.3 22.6 23.8 17.383 13.5 7.4 4.2 0.0 0.1 0.2 33.2 64.1 40.9 41.6 29.9 23.1 21.484 11.5 9.6 9.1 9.1 8.7 6.2 1.7 2.1 2.2 22.9 4.7 8.3 8.085 6.6 2.6 3.1 3.4 4.3 3.7 2.9 4.6 37.5 32.5 24.0 11.7 11.486 7.2 2.2 0.0 0.0 0.5 0.8 1.1 0.8 6.6 33.8 18.5 5.0 6.4
109
Anexo 3: Clasificación del grupo hidrológico de suelos.
Fuente: Chiang (1971; Citado por Rojas, 1986).