1
Autor: Ing. Salvador Mamani Cosi
Administración Local de Agua Juliaca
Puno –Perú
2018
“MODELAMIENTO HIDROLÓGICO SEMIDISTRIBUIDO CON APLICACIÓN DE HYDRO-BID: CASO RIO VERDE PUNO-PERÚ”
1
Modelamiento hidrológico semidistribuido con aplicación de Hydro-BID: caso rio
Verde Puno-Perú
Semi-distributed hydrological modeling with Hydro-BID application: case Rio Verde
Puno-Peru
Salvador Mamani Cosi1,
1Autoridad Nacional del Agua, Perú
Correspondencia email: [email protected]
RESUMEN
El presente estudio se realizó en la subcuenca rio Verde, ubicado en la cuenca del rio Coata,
uno de los principales tributarios de Lago Titicaca, con el objetivo de evaluar el desempeño
del modelo hidrológico GWLF (Factor Estándar de Carga de Cauces Generalizados) utilizada
mediante Hydro BID, para determinar los caudales diarios y mensuales en las 09
microcuencas dentro de la subcuenca rio Verde, lo cuales son codificados mediante COMID
310902600 (1), 310913900 (2), 310913900 (3), 310937300 (4), 310921900 (5), 310937400
(6), 310995300 (7), 310913800 (8) y 310922000 (9); en base a precipitación y temperatura
diaria, la metodología encontrar los valores adecuados de los parámetros siguientes : CN
(Numero de Curva)= 1.2, AWC (Contenido de agua disponible en el suelo) =0.7, R Coeficient
(Coeficiente de recesión de aguas subterráneas) =0.071, Seepage (Percolación
profunda)=0.009, Grow season ET factor (Factor de ET de estación del cultivo) = 1, Dormant
season ET factor (Factor de ET la estación de latencia) =1 y Impervious cover percent
(Porcentaje de cubertura variable)= 2, que permitieron optimizar el NSE; de los cuales la
percolación profunda y número de curva son más sensibles al modelo, los cuales ha
permitido la calibración y validación del modelo, mediante indicadores estadísticos en la
subcuenca del rio verde. Los resultados obtenidos en la evaluación del desempeño del
modelo, producto de la calibración, en relación a los datos observados la eficiencia de NSE
=0.62 para valores diarios y 0.84 para valores mensuales, dichos resultados según las
referencias del criterio de Nash-Sutcliffe se califica como “muy bueno”, asimismo en etapa
de validación del modelo NSE= 0.64 y 0.83 respectivamente; Por lo que, se concluye que la
herramienta Hydro-BID es aplicable en micro cuencas sin información; ya que, el desempeño
del modelo reproduce satisfactoriamente las descargas diarias y mensuales en época de
avenidas como en estiaje. El mismo que permitirá determinar la oferta hídrica diaria y
mensual en las microcuencas sin información de manera sencilla y rápida; puesto que, el
usuario podrá utilizar la herramienta Hydro BID; ya que, es un sistema para la simulación de
hidrología y cambio climático en América Latina y el Caribe, que modelo aplica la estructura
2
de datos y las topologías de red de cuencas y corrientes de la AHD (análisis de datos
hidrológicos). Éste incorpora datos de uso de tierras, tipos de suelos, precipitación y
temperatura dentro del área de estudio, así como los flujos de corrientes observados para
usarlos en calibración.
PALABRAS CLAVE: Hydro BID, modelo hidrológico, rio Verde, simulación de caudales
1. INTRODUCCION
La existencia de un número significativo de modelos hidrológicos ha generado, que los usuarios
requieran de ayuda para seleccionar un modelo adecuado para una práctica hidrológica específica
(Chau et al., 2005). Hydro BID es un sistema para la simulación de hidrología y cambio climático en
América Latina y el Caribe, que aplica el modelo GWLF (Factor Estándar de Carga de Cauces
Generalizados) que utiliza la estructura de datos y las topologías de red de cuencas y corrientes de
la AHD (análisis de datos hidrológicos). Éste incorpora datos de uso de tierras, tipos de suelos,
precipitación y temperatura dentro del área de estudio, así como los flujos de corrientes observados
para usarlos en calibración. El modelo permite conocer la disponibilidad hídrica, puesto que muchas
entidades se interesan en conocer la disponibilidad hídrica actual y futura, ya que conocer dichos
valores son de fundamental importancia para el planeamiento y manejo de los sistemas de recursos
hídricos (Laqui, 2010).
2. OBEJETIVO Evaluar el desempeño del modelo hidrológico GWLF (Factor Estándar de Carga de Cauces
Generalizados) con aplicación de Hydro-BID, en subcuenca del rio Verde.
Objetivos específicos
Calibrar y validar el modelo hidrológico, para estimar los caudales diarios y mensuales en
subcuenca del rio Verde.
Analizar y realizar tratamiento de datos de precipitación y temperatura adquiridos de
imagines de satélite NASA para etapa de generación de caudales.
Generar caudales diarios y mensuales para nueve (09) microcuencas del subcueca del rio
Verde.
Comparar los caudales observados (SENAMHI) y caudales generados con Hydro-BID.
3. MATERIALES Y METODOS
3.1. Ámbito de estudio
En figura 1, se muestra la subcuenca del rio Verde, se encuentra ubicada dentro de la región
hidrográfica del Titicaca, comprendida entre las coordenadas geográficas, Latitud Sur : 15
° 41’13’’ – 15° 27’ 38’’; Longitud Oeste: 70° 38’54’’ – 70° 30’ 56’’ y variación altitudinal
comprendida entre 4050 a 5425 m.s.n.m
3
Figura 1.- a) Ubicación de la cuenca del río Verde y la ubicación de estaciones climáticas e hidrológicas y (b, c y d) mapa del Perú, mapa de Puno y cuenca Titicaca respectivamente
Figura 2. Tipo de Suelos Figura 3. Cubertura de Uso de tierras
La Base de Datos Armonizada Mundial de Suelos (HWSD, por sus siglas en inglés)
a) b
)
c
)
2 3
4
(http://www.iiasa.ac.at/Research/LUC/External-World-soil-database/HTML) puede ser
usada para parametrizar números de curva para la región de LAC. La HWSD tiene los
parámetros de suelo necesarios para el modelo basado en el GWLF de cada uso de tierra
dentro de cada cuenca de la AHD. La HWSD combina vastos volúmenes de actualizaciones
de información de suelos, regionales y nacionales, con la escala 1:5,000,000 del Mapa
Digital Mundial de Suelos de la FAO-UNESCO
3.2. Información utilizada
Para calibración y validación del modelo hidrológico
Se utilizó la información hidrometeorológica adquiridos de Servicio Nacional de Meteorología
e Hidrología del Perú (SENAMHI) a paso de tiempo diario que se muestra en la Tabla 1.
Tabla 1.- Red de estaciones
Estación
Ubicación
Variable Latitud Longitud Altitud
(º) (º) (m.s.n.m.)
Pampahuta -15.48 -70.68 4400 Precipitación, temperatura Jarpaña -15.52 -70.78 4350 Precipitación Paratia -15.45 -70.60 4375 Precipitación Quillisani -15.38 -70.75 4600 Precipitación Hacienda Colini
-15.65 -70.88 4370 Precipitación
Santa Lucia -15.70 -70.61 3980 Precipitación Lagunillas -15.77 -70.66 4070 Precipitación, temperatura Rio Verde -15.56 -70.71 4200 Caudal
Fuente: Elaboración propia
3.3. Tratamiento de datos de precipitación para etapa de generación de caudales
Datos NASA y obtención de precipitación por percepción remota
Para la presente investigación se emplearon los datos diarios satélite los cuales se encuentran
libremente disponibles desde la base de datos de la NASA (http://power.larc.nasa.gov/cgi-
bin/cgiwrap/solar/[email protected] ). La serie de tiempo analizada va desde
enero de 1998 hasta diciembre del 2007.
En un paso inicial, se realiza el análisis de histogramas de frecuencia a todo el conjunto de datos de
precipitación total mensual in situ y NASA por cada día y por estación Climática. Se Visualiza su
comportamiento probabilístico y su comparación a una distribución normal para la determinación de
potenciales similitudes probabilísticas entre los puntos y celdas de correspondencia y facilitar el
empleo de pruebas estadísticas
Corrección de datos satelitales (NASA)
Según la teoría estadística aplicada a la precipitación estas transformaciones son válidas. Jones &
Hulme (1996) transforman estos datos como un porcentaje de la media y desviación estándar. Diaz
5
et al. (1989) y Hutchinson (1995) validan la transformación en términos de algunas otras
distribuciones incluida la logarítmica. Los registros de satélite presentan en su mayoría el mismo
comportamiento asimétrico negativo, para lo cual es necesario una transformación. Seguidamente
se propone realizar estas dos ecuaciones del tipo aditivo y multiplicativo. Para lo cual se muestra
siguiente formula
∆𝑃𝑖 =𝜇 log(𝑆𝐸𝑁𝐴𝑀𝐻𝐼𝑖+1)𝑖
𝜇 log(𝑁𝐴𝑆𝐴𝑖+1)𝑖 (1)
i = número de días (1,2…,365)
𝜇 log(𝑆𝐸𝑁𝐴𝑀𝐻𝐼𝑖 + 1)𝑖 = media del registro SENAMHI transformado para el día i 𝜇 log(𝑁𝐴𝑆𝐴𝑖 + 1)𝑖 = media del registro NASA transformado para el día i
𝜇 log(𝑆𝐸𝑁𝐴𝑀𝐻𝐼𝑖+1)𝑖
𝜇 log(𝑁𝐴𝑆𝐴𝑖+1)𝑖=𝐹2𝑖 (2)
𝜇 log(𝑆𝐸𝑁𝐴𝑀𝐻𝐼𝑖 + 1)𝑖 : Media del registro SENAMHI transformado para el día i i : días de la serie histórica (1,2…,365) Este vector F2 se aplicará a cada dato de la NASA. Cada elemento del vector estará representado por f2i
𝑁𝐴𝑆𝐴𝑖𝑐𝑗 = √𝑁𝐴𝑆𝐴𝑗 + 1𝑓2𝑖
− 1 (3)
𝑁𝐴𝑆𝐴𝑖𝑐𝑗 : Precipitación NASA corregida Para el día i del año j
i : número de días (1, 2,…,365) j : año de la serie (2001, 2002…2015)
Con la aplicación de las ecuaciones 1,2 y 3, se muestra el resultado de la corrección de datos de
precipitación en forma gráficos de datos de precipitación observada, satélite NASA y corregida NASA
de todas las estaciones climáticas se muestran en las gráficas siguientes.
La variable temperatura de satélite NASA, se ha corregido las estaciones Lagunillas y Pampahuta
para periodo de 2001-2015,Para estación Pampahuta se ha restado el valor de satélite NASA con
valor promedio (-3.10) de toda la serie histórica de 1997-2000, asimismo para estación Lagunillas
con (-0.79)
∆= 𝑁𝐴𝑆𝐴 − ∑ 𝑦^
𝑛
𝑖=1
(4) Evaluación estadística de datos de precipitación de satélite NASA
La raíz del error cuadrático medio (RMSE)
Corresponde a la raíz cuadrada del promedio de las diferencias al cuadrado entre la precipitación
diaria estimada por NASA y la precipitación diaria observada. El error cuadrático medio, el cual
es sensible a estimar grandes errores para la precipitación (Franchito, et al, 2009)
6
𝑅𝑀𝑆𝐸 = √∑(𝑃𝑁𝐴𝑆𝐴𝑖 − 𝑃𝑆𝐸𝑁𝐴𝑀𝐻𝐼𝑖)
2
𝑁
(5)
P NASAi : Precipitación estimada por NASA en el día i (mm/día)
P SENAMHI : Precipitación medida por SENAMHI en el día i (mm/día)
i : días de la serie continua (1997-2000)
N : Número de pares comparados.
El rango de valores que puede tomar va desde 0 hasta el infinito (positivo). El 0 corresponde a
un ajuste perfecto mientras que valores más grandes indican un menor ajuste.
Coeficiente de determinación (R2)
El coeficiente de determinación describe la proporción de la varianza en los datos observados que
puede ser explicada por el modelo (Legates y McCabe, 1999). El R2 fue clasificado bajo los criterios
de muy bueno >0.95, bueno de0.85 – 0.95, satisfactorio de0.65- 0.85einsatisfactorio<0.65
(Andersen,Refsgaardy Jensen, 2001). La expresión matemática es
(6)
Donde, i y es el valor observado, y" i valor calculado y, y el promedio delos datos observados
3.4. Desempeño del modelo hidrológico
Para la calibración y validación, se requiere de información cuantitativa para medir el desempeño del
modelo en relación a los datos observados, a través del uso de eficiencia de Nash-Sutcliffe (NSE)
(Ec. (1)) (Nash and Sutcliffe, 1970) y el coeficiente de correlación (R) (Ec. (2)) (Mihon et al., 2013),
Error de volumen general (Overall volume error) ( ove), (Ec. (1)) Correlación –r (Ec. (1)) y Coeficiente
de correlación modificado (Ec. (1)) (Modified correlation coefficient), rmod (McCuen and Snyder,
1975)
Eficiencia de Nash-Sutcliffe
𝑁𝑆𝐸 = (1 −∑ (𝑂𝑖 − 𝑃𝑖)2𝑛
𝑖=1
∑ (𝑂𝑖 − �̅�)2𝑛𝑖=1
)
(7) Donde Oi es el caudal observado, Pi es el caudal simulado en el tiempo i y �̅� es el promedio de las
caudales observados, los rangos de NSE varían entre - y 1.0 y el valor de 1.0 indica que el
hidrograma de caudales simulados encaja perfectamente con los datos observados.
7
El coeficiente de correlación (R) (Ec. (2)) (Mihon et al., 2013)
𝑅 =∑ (𝑂𝑖 − �̅�)(𝑃𝑖 − �̅�)𝑛
𝑖=1
√∑ (𝑂𝑖 − �̅�)2(𝑃𝑖 − �̅�)2𝑛𝑖=1
(8)
Donde Oi es el caudal observado, Pi es el caudal simulado en el tiempo i, �̅� y �̅� son los promedios
de los caudales observados y simulados, respectivamente. R2 varía desde 0 a 1.0 (en caso de
relación lineal positiva) o desde -1.0 a 0 (en caso de una relación lineal negativa).
Error de volumen general (Overall volume error) (ove),
𝑂𝑉𝐸 =∑ 𝑆𝑡
𝑁𝑡=1 − ∑ 𝑂𝑡
𝑁𝑡=1
∑ 𝑜𝑡𝑁𝑡=1
∗ 100
(9)
Donde N es el número de días de la simulación sin el primer año. Tal como se describió antes, el t=1
comienza el primer día del segundo año de la simulación
Para cada uno de los 12 meses, se calcula el error de volumen mensual mediante la ecuación 3. Por
ejemplo, para el mes de enero, todos los flujos en enero de todos los años se suman juntos
Correlación -r
(10)
Coeficiente de correlación modificado (Modified correlation coefficient), rmod (McCuen and
Snyder, 1975)
(11)
Donde σobs y σsim son desviaciones estándar de las series de tiempo de flujos observadas y
simuladas, respectivamente. Ver la Ecuación 8 para calcular las desviaciones estánda
3.5. Hydro BID
Es un sistema para la simulación de hidrología y cambio climático en América Latina y el Caribe, que
aplica el modelo GWLF (Factor Estándar de Carga de Cauces Generalizados) que utiliza la
8
estructura de datos y las topologías de red de cuencas y corrientes de la AHD (análisis de datos
hidrológicos). Éste incorpora datos de uso de tierras, tipos de suelos, precipitación y temperatura
dentro del área de estudio, así como los flujos de corrientes observados para usarlos en calibración.
El modelo permite conocer la disponibilidad hídrica.
3.6. Modelo de GWLF (Factor Estándar de Carga de Cauces Generalizados)
El modelo calcula la escorrentía y los flujos base por cuenca de captación: la escorrentía se genera
en forma de exceso de infiltración y el flujo base es una liberación gradual de la capa saturada. Tras
tomar en cuenta la escorrentía proveniente de las precipitaciones, toda agua que excede un volumen
calculado de evaporación se infiltra a la capa no saturada. Con el tiempo, el agua infiltrada se pasa
desde la capa no saturada hacia abajo para reponer el volumen almacenado de la capa saturada. El
agua de la capa saturada entra en el canal de corriente como flujo de base donde se combina con
la escorrentía de la cuenca y otros flujos de entrada provenientes de las cuencas de aguas arriba
para proporcionar el volumen de flujo de corriente para el día. Cabe destacar que la capa saturada,
o agua disponible como flujo de base, puede agotarse por medio de la filtración a un acuífero
subterráneo más profundo
Figura 4.-La representación esquemática del modelo de GWLF (modificado de Haith et al., 1996).
Evapotranspiración Potencial El GWLF utiliza el método de estimación del potencial de evapotranspiración (PET, por sus siglas en
inglés) desarrollado por Hamon (1962), el cual usa la temperatura media diaria y el número de horas
de luz diurna para calcular PET:
273
021.0 2
t
t
tT
eHPET t
(12)
9
En esta ecuación, Ht, es el número de horas de luz solar por día durante el mes que contenga el día
t: et es la presión de vapor de agua en saturación en milibars en el día t y Tt es la temperatura en
el día t (° C). Cuando Tt <= 0, PETt está dispuesta a cero. La presión de vapor de agua saturada
puede ser aproximada como en Bosen (1960):
001316.0488.1000019.08072.000738.08639.332
ttt TTe para Tt>0 (9)
El número total de horas de luz solar se calcula como Forsythe et, al.,(1995):
tantan2 1
CosH t
(13)
Donde Ht= horas de luz solar
δ es la declinación solar en radianes
Φ es la latitud geográfica en radianes
ω es la rotación angular de la tierra.
La PET se ajusta entonces en base al uso de tierras/suelos y condiciones de la cobertura utilizando
un factor de cobertura
ttAdj PETCVPET *)( (14)
Donde PETAdj(t) es la PET de cobertura ajustada, y CV es el factor de cobertura.
Los valores CV dependen de la cobertura vegetal y de cultivos. La evapotranspiración real es
calculada de la PET de cobertura ajustada pero está limitada por la disponibilidad de agua en la
humedad del suelo.
Escorrentía
La escorrentía superficial generada tanto de la lluvia como del deshielo se calcula usando la ecuación
del número de curva del U. S. Soil Conservation Service:
2
8.0
2.0
tt
ttt
DR
DRRO
(15)
donde ROt es la escorrentía (cm)
Rt es la suma de lluvia y deshielo
Dt es el parámetro de detención, calculado de la forma siguiente
10
4.252540
t
tCN
D
(16)
Donde CNt es el número de curva asignado por uso de suelos y ajustado cada día.
Los números de curva son asignados a cada categoría individual de uso de suelos y al grupo
hidrológico del suelo correspondiente considerado en el modelo.Los números de curva para
condiciones de humedad antecedente secas, promedio y húmedas son CN1K, CN2k, y CN3k,
respectivamente. En base a la Figura 3 el número de curva real para el día t, CN2k, es seleccionado
como una función lineal de la precipitación antecedente de 5 días Amc5t dada en la Ecuación 9.
El modelo requiere especificar CN2k. Los valores para CN1K y CN3k son calculados de las apro-
ximaciones de Hawkins (1978):
(17) Percolación
Se calculan los balances diarios de agua dentro de ambos compartimientos del suelo. La ecuación
para la capa no saturada es como sigue:
(18)
En forma similar, el balance de agua para el área saturada se calcula de la manera siguiente:
(19)
En la ecuación anterior, Ut y St son las humedades del suelo de las zonas no saturada y la zona de
poca profundidad en el comienzo del día t, y Qt, Et, Pt, Gt y Dt son la escorrentía de la cuenca, la
evapotranspiración real, la percolación hacia la zona saturada poco profunda, el flujo/ volumen de
aguas subterráneas hacia el arroyo (i.e., flujo base), y la infiltración hacia la zona saturada profunda,
respectivamente, en el día t (cm).
La percolación ocurre cuando el agua en la zona no saturada sobrepasa la capacidad disponible de
agua del suelo U* (cm):
11
(20)
La capacidad de agua del suelo U* tiene que ser definida como una característica de la capa de
suelo no saturada. Este parámetro puede estimarse a partir de esta propiedad del suelo.
La evapotranspiración está limitada por la humedad disponible en la zona no saturada:
(21)
Tal como en Hann (1972), la zona saturada poca profunda es simulada como un embalse lineal
simple. El flujo/volumen de agua subterránea y la infiltración profunda se calculan de la manera
siguiente
(22)
Donde r y s son las constantes de recesión de agua subterránea y de percolación, respectivamente
(dia-1). Estos dos parámetros tienden a tener una alta correlación.
Flujo
El flujo total generado por la cuenca de captación, Ft, es la suma de la escorrentía (ROt) y del flujo
del agua subterránea (Gt):
(23) Parametrización y Datos La mayoría de los parámetros requeridos por el GWLF se acoplan en una base de datos para cada
cuenca de la AHD, incluyendo el área de captación y la longitud del arroyo. Los parámetros
principales del GWLF se describen en la Tabla siguiente.
Principales parámetros del
GWLF que están relacionados
con la generación de flujos
Parámetros
Descripción Método de Estimación
Capacidad disponible de Agua
del Suelo (U*)
Este parámetro activa el inicio de
la percolación
Puede ser estimado por las
características del suelo.
Número de Curva (CN) Controla la cantidad inicial de
abstracción y usada para calcular
la detención
Se escoge usando el uso del
suelo y el tipo de clasificación del
suelo
12
Coeficiente de la Curva de
Evaporación (CV)
Representa la variación
estacional de la evaporación
debido al crecimiento de la
vegetación
Se estima mensualmente.
Coeficiente de Recesión de
Aguas Subterráneas (r)
Controla la tasa de flujo de agua
subterránea desde la zona
saturada
En estaciones de aforo en las
cuencas, el parámetro de
recesión puede ser estimado
usando técnicas de separación
hidrográfica.
Parámetro de Percolación (s) Controla la tasa de percolación
hacia el acuífero de aguas
subterráneas profundas
Dependiendo de la formación
geológica, los valores de
percolación pueden ser muy
variables
Fuente: Hydro-BID 4. RESULTADOS Y DISCUSIÓN Este capítulo describe los resultados obtenidos en etapa de calibración, validación, tratamiento de
datos de satélite NASA, generación de caudales y finalmente comparación de caudales observados
y simulados.
En etapa de calibración se realizó para los años (enero 1988 - diciembre 1994, datos diarios
SENAMHI), el mismo periodo de datos históricos de caudales diarios del rio verde; asimismo, se ha
ejecutado con caudal base de 0.58 m3/s., en vista que existían superficies de glaciares en las
cordilleras de Quillisani y Paratia ubicada en la cabecera de laguna Saytococha; sin embargo, en
actualidad ya no existen dichos glaciares, solamente los nevados que cubren la superficie en épocas
de lluvia los mismos que empiezan a diluirse a partir del mes de junio a noviembre de cada año de
forma gradual y los resultados de calibración se muestra en la siguiente figura.
Figura 5. Caudales diarios observados y simulados en atapa de validación
13
Figura 6.- Grafica de curva de duración Figura 7.- Grafica de dispersión
En la figura 5, 6 y 7 se muestran los resultados obtenidos para conocer el bondad de ajuste en atapa
de calibración en donde observa que el modelo reproduce satisfactoriamente las descargas diarias
y mensuales en época de avenidas como en estiaje.
Los parámetros que permitieron optimizar el NSE en etapa de calibración son: CN (Numero de
Curva), AWC (Contenido de agua disponible en el suelo), R Coeficient (Coeficiente de recesión de
aguas subterraneas), Seepage (Percolación profunda), Grow season ET factor (Factor de ET de
estación del cultivo), Dormant season ET factor (Factor de ET la estación de latencia) y Impervious
cover percent (Porcentaje de cubertura variable), Una vez ejecutado Hydro BID para cuenca en
estudio se ha realizado el análisis de sensibilidad de cada uno de los parámetros, en cual se
determinó que el parámetro más sensible es Seepage y CN, por tanto los valores de los parámetros
encontrados para calibración se muestra en la siguiente tabla.
Tabla 2.- Valores de parámetros del modelo
Parámetros Descripción Escenario Rango Valores
CN Numero de Curva 1 0.7-1.2 1.2
AWC Contenido de agua disponible en el suelo 1 0.5-1.2 0.7
R Coeficient Coeficiente de recesión 0.1 0.0-0.5 0.071
Seepage Percolación profunda 0 0.0-0.1 0.009
Grow season ET factor Factor de ET de estación del cultivo 1 1
Dormant season ET factor Factor de ET la estación de latencia 1 1
Impervious cover percent Porcentaje de cubertura variable 2 2
Fuente: Elaboración propia
14
Etapa de validación, datos diarios SENAMHI), (enero 1995- diciembre 1997)
Figura 8.- Caudales diarios observados y simulados en atapa de validación
Evaluado el desempeño del modelo, producto de la calibración, en relación a los datos observados
la eficiencia de NSE =0.62 para valores diarios y 0.84, y para etapa de validación se obtuvo de
eficiencia de NSE =0.64 para valores diarios y 0.83 para valores mensuales para valores mensuales
para cuenca Rio Verde, los mismos que muestran en la siguiente tabla.
Tabla 3.- Medidas de desempeño de GWLF durante los periodos de calibración y validación.
Indicador Estadístico Calibración Validación
Diarios Mensuales Diarios Mensuales
Error general de volumen, ove (%)
3.25 3.08 2.75 0.3
Correlación, r (-) 0.79 0.92 0.8 0.92 Correlación Modificada 0.63 0.91 0.71 0.9 Eficiencia de Nash-Sutcliffe 0.62 0.84 0.64 0.83 Fuente: Elaboración propia
Dichos resultados según las referencias del criterio de Nash-Sutcliffe se califica como “MUY BUENO”
Tabla 4. Valores referenciales del Criterio de Nash-Sutcliffe
Fuente: Nash & Sutcliffe, 1970)
Respecto a análisis y tratamiento de datos adquiridos de satélite usadas para etapa de generación
de caudales, teniendo referencia los indicadores estadísticos de las 07 estaciones climáticas los
cuales muestran RMSE (La raíz del error cuadrático medio) Y R2 (Coeficiente de determinación) con
NSE Ajuste
< 0.2 Insuficiente 0.2 - 0.4 satisfactorio 0.4 - 0.6 Bueno 0.6 -0.8 Muy Bueno
> 0.8 Excelente
15
valores aceptables así como se muestra en tabla se ha proseguido con la corrección de datos de
precipitación con datos disponibles de satélite NASA (1997-2015), para ello se ha calculado con
fórmulas se ha encontrado el valor f21 para la corrección de datos de precipitación con datos de
(1997-2000) a partir de ello se ha corregido utilizado el método multiplicativo los datos de satélite
para el periodo de 2001-2015 y luego aplicado para modelo Hydro-BID desde 1980 -2000 y 2001 –
2015 con datos de SENAMHI y NASA (corregido) respectivamente, Según la teoría estadística
aplicada a la precipitación estas transformaciones son válidas. Jones & Hulme (1996) transforman
estos datos como un porcentaje de la media y desviación estándar. Diaz et al. (1989) y Hutchinson
(1995) validan la transformación en términos de algunas otras distribuciones incluida la logarítmica
Tabla 5.- Indicadores estadísticos
Estación
Indicador Estadístico Periodo
RMSE R2
Pampahuta 0.81 0.78 97-2000
Jarpaña 0.61 1.00 97-2000
Paratia 0.77 0.89 97-2000
Quillisani 0.72 1.00 97-2000
Hacienda Colini
0.56 1.00 97-2000
Santa Lucia 0.76 0.88 97-2000
Lagunillas 0.85 0.76 97-2000
Fuente: Elaboración propia.
Hydro-BID, en etapa de generación de caudales, ha sido ejecutada desde 1980 hasta 2015, el cual
ha sido posible generar caudales en nueve (09) microcuencas de subcuenca del rio Verde, a partir
de precipitación obtenida de satélite NASA, previa corrección.
Figura 9. Caudales diarios observados y simulados en atapa de generación.
Además para evaluar el desempeño del modelo se ha comparado los caudales generados con Hydro
BID con datos observados (SENAMHI), evaluando estadísticamente para escala mensual presenta
una eficiencia de NSE= 0.9, por consiguiente la generación de caudales mensuales en las
microcuencas son de alta confiabilidad, el mismo se presenta en la siguiente figura.
16
Figura 10. Comparación de caudales observados y generados
Unas de las aplicaciones de Hydro-BID, es generar caudales diarios y mensuales para cada sub
cuenca en las 09 microcuencas dentro de la subcuenca rio Verde, lo cuales son codificados mediante
COMID 310902600 (1), 310913900 (2), 310913900 (3), 310937300 (4), 310921900 (5), 310937400
(6), 310995300 (7), 310913800 (8) y 310922000 (9), los mismos que se muestran a continuación:
010203040
01
/01
/19
80
24
/07
/19
82
13
/02
/19
85
06
/09
/19
87
29
/03
/19
90
19
/10
/19
92
12
/05
/19
95
02
/12
/19
97
24
/06
/20
00
15
/01
/20
03
07
/08
/20
05
28
/02
/20
08
20
/09
/20
10
12
/04
/20
13
Cau
dal
(m
3/s
)
Tiempo (años)
310902600
0
5
10
15
01
/01
/19
80
23
/05
/19
82
12
/10
/19
84
04
/03
/19
87
24
/07
/19
89
14
/12
/19
91
05
/05
/19
94
24
/09
/19
96
14
/02
/19
99
06
/07
/20
01
26
/11
/20
03
17
/04
/20
06
06
/09
/20
08
27
/01
/20
11
18
/06
/20
13
Cau
dal
(m
3/s
)
Tiempo (años)
310918900
0
5
10
15
01
/01
/19
80
24
/07
/19
82
13
/02
/19
85
06
/09
/19
87
29
/03
/19
90
19
/10
/19
92
12
/05
/19
95
02
/12
/19
97
24
/06
/20
00
15
/01
/20
03
07
/08
/20
05
28
/02
/20
08
20
/09
/20
10
12
/04
/20
13
Cau
dal
(m
3/s
)
Tiempo (años)
310913800
0.000
10.000
20.000
30.000
40.000
1 2 3 4 5 6 7 8 9 10 11 12
Cau
dal
(m
3/s
)
Tiempo (meses)
Caudales (Mensuales m3/s)
Promedio Generado (Hydro-BID) Promedio Observado (SENAMHI)
17
Figura 11. Caudales generados
5. CONCLUSIONES Y RECOMENDACIONES a) En la calibración se ha evaluado el desempeño del modelo, producto de la calibración, el
desempeño del modelo en relación a los datos observados la eficiencia de NSE =0.62 para
valores diarios y 0.84 para valores mensuales para cuenca Rio Verde, dichos resultados
según las referencias del criterio de Nash-Sutcliffe se califica como “MUY BUENO”,
utilizando parámetros de CN (Numero de Curva)= 1.2, AWC (Contenido de agua disponible
en el suelo) =0.7, R Coeficient (Coeficiente de recesión de aguas subterraneas) =0.071,
Seepage (Percolación profunda)=0.009, Grow season ET factor (Factor de ET de estación
del cultivo) = 1, Dormant season ET factor (Factor de ET la estación de latencia) =1 y
Impervious cover percent (Porcentaje de cubertura variable) los cuales permitieron optimizar
02468
10
01
/01
/19
80
23
/05
/19
82
12
/10
/19
84
04
/03
/19
87
24
/07
/19
89
14
/12
/19
91
05
/05
/19
94
24
/09
/19
96
14
/02
/19
99
06
/07
/20
01
26
/11
/20
03
17
/04
/20
06
06
/09
/20
08
27
/01
/20
11
18
/06
/20
13
Cau
dal
(m
3/s
)
Tiempo (años)
310921900
01020304050
01
/01
/19
80
24
/07
/19
82
13
/02
/19
85
06
/09
/19
87
29
/03
/19
90
19
/10
/19
92
12
/05
/19
95
02
/12
/19
97
24
/06
/20
00
15
/01
/20
03
07
/08
/20
05
28
/02
/20
08
20
/09
/20
10
12
/04
/20
13
Cau
dal
(m
3/s
)
Tiempo (años)
310937300
0
20
40
60
01/
01/1
980
29/
12/1
981
27/
12/1
983
24/
12/1
985
22/
12/1
987
19/
12/1
989
17/
12/1
991
14/
12/1
993
12/
12/1
995
09/
12/1
997
07/
12/1
999
04/
12/2
001
02/
12/2
003
29/
11/2
005
27/
11/2
007
24/
11/2
009
22/
11/2
011
19/
11/2
013
cau
dal
(m
3/s
)
Tiempo (años)
310937400
0
10
20
30
01/
01/1
980
29/
03/1
982
24/
06/1
984
20/
09/1
986
16/
12/1
988
14/
03/1
991
09/
06/1
993
05/
09/1
995
01/
12/1
997
27/
02/2
000
25/
05/2
002
20/
08/2
004
16/
11/2
006
11/
02/2
009
10/
05/2
011
05/
08/2
013
Cau
dal
(añ
os)
Tiempo (años)
310922000
0
50
100
150
01
/01
/19
80
23
/05
/19
82
12
/10
/19
84
04
/03
/19
87
24
/07
/19
89
14
/12
/19
91
05
/05
/19
94
24
/09
/19
96
14
/02
/19
99
06
/07
/20
01
26
/11
/20
03
17
/04
/20
06
06
/09
/20
08
27
/01
/20
11
18
/06
/20
13
Cau
dal
(m
3/s
)
Tiempo (años)
310995300
010203040
01
/01
/19
80
24
/07
/19
82
13
/02
/19
85
06
/09
/19
87
29
/03
/19
90
19
/10
/19
92
12
/05
/19
95
02
/12
/19
97
24
/06
/20
00
15
/01
/20
03
07
/08
/20
05
28
/02
/20
08
20
/09
/20
10
12
/04
/20
13
Cau
dal
(m
3/s
)
Tiempo (años)
310913900
18
el NSE y los parámetros como la percolación profunda y número de curva son más sensibles
al modelo.
b) En fase de validación se evaluó el desempeño del modelo, el desempeño del modelo en
relación a los datos observados la eficiencia de NSE =0.64 para valores diarios y 0.83 para
valores mensuales para cuenca Rio Verde, dichos resultados según las referencias del
criterio de Nash-Sutcliffe se califica como “MUY BUENO”
c) Los datos de precipitación y temperatura adquiridos de imagines de satélite NASA para
etapa de generación de caudales, según los indicadores estadísticos es válido para utilizar
la data histórica en generación de caudales diarios y mensuales cuando no se tiene
información observada y completa.
d) Hydro-BID mediante el modelo hidrológico GWLF (Factor Estándar de Carga de Cauces
Generalizados) utilizada mediante Hydro BID, permite determinar los caudales diarios y
mensuales en las 09 microcuencas dentro de la subcuenca rio Verde, lo cuales son
codificados mediante COMID 310902600 (1), 310913900 (2), 310913900 (3), 310937300
(4), 310921900 (5), 310937400 (6), 310995300 (7), 310913800 (8) y 310922000 (9).
e) Comparado los os caudales observados (SENAMHI) y caudales generados con Hydro-BID,
son la eficiencia de NSE =0.9, dichos resultados según las referencias del criterio de Nash-
Sutcliffe se califica como “EXCELENTE”
f) Herramienta Hydro-BID es aplicable en micro cuencas sin información; ya que, el
desempeño del modelo reproduce satisfactoriamente las descargas diarias y mensuales en
época de avenidas como en estiaje. El mismo que permitirá al usuario determinar la oferta
hídrica diaria y mensual en las microcuencas sin información de manera sencilla y rápida
AGRADECIMIENTO
El autor agradece muy especialmente a la Autoridad Nacional del Agua (ANA) – Perú, por el
desarrollo del proyecto de Hydro-BID a nivel nacional, el cual ha permitido realizar el presente estudio
de investigación.
19
6. REFRENCIAS BIBLIOGRAFICAS
ANA, (2010). Evaluación de los Recursos Hídricos en las Cuencas de los Ríos Cabanillas y Lampa. Perú. Autoridad Nacional del Agua
Beniston, M., Diaz, H.F. & Bradley, R.S. (1997). Climatic change at high elevation sites an
overview. Climatic Change, 36, Kluwer Academic Publishers. Netherlands, 233-251.
Bell, T., Abdullah, A., Martin, L. &North, G. (1990). Sampling errors for satellite-derived tropical
rainfall: Monte Carlo study using a space-time stochastic model. J. Geo. Res., 95 (D3), 2195-2205.
Chau, K.W., Wu, C.L., Li, Y.S. (2005). Comparison of Several Flood Forecasting Models in
Yangtze River. J. Hydrol. Eng. 10, 485–491. doi:10.1061/(ASCE)1084-0699(2005)10:6(485)
Fekadu M. (2014) Hydro-BID: Un Sistema Integrado para la Simulación de Impactos del Cambio
Climático sobre los Recursos Hídricos. Parte 2. Franchito S.H., Brahmananda, R., Vasques. A.C., Santo, C.M. & Conforte J.C. (2009).
Validation of TRMM precipitation radar monthly rainfall estimates over Brazil. J. Geophys. Res. 114 D02105, doi:10.1029/2007JD009580.
Hutchinson, M. (1995). Stochastic space-time weather models from ground-based data. Agric.
Forest. Meteor. 73: 237-265. Jones, P. & Hulme, M. (1996). Calculating regional climatic time series for temperature
and precipitation: methods and illustrations. Inter. J. Climatology, 16, 361-377
Laqui, W., (2010). Aplicación de redes neuronales artificiales a la modelización y previsión de caudales medios mensuales del río Huancané. Revista Peruana Geo-Atmosférica RPGA (2),30-44.
Nash, J.E., Sutcliffe, J.V., (1970). River flow forecasting through conceptual models part I — A discussion of principles. J. Hydrol. 10, 282–290. doi:10.1016/0022-1694(70)90255-6
Pedro R. L, et al (2010). Análisis espacio temporal de la precipitación en las zonas de montaña
de Perú (1998-2007) Revista Peruana Geo-Atmosférica RPGA (2), 16-29 (2010)
www.senamhi.gob.pe\rpga Editado por el Servicio Nacional de Meteorología e Hidrología del Perú
USGS (U.S. Geological Survey). (2011). HydroSHEDS 15 arc-second DEMs for SA and CA
regions (SRTM elevation DEM, Hydro-DEM, flow direction DEM, flow accumulation DEM). Disponible en http://hydrosheds.cr.usgs.gov. Acceso en septiembre, 2011.
Zhang, H., Wang, Y., Wang, Y., Li, D., Wang, X., (2013). Quantitative comparison of semi- and
fully-distributed hydrologic models in simulating flood hydrographs on a mountain watershed in southwest China. J. Hydrodyn. Ser B 25, 877–885. doi:10.1016/S1001-6058(13)60436-9
20
Anexo N° 01
Figuras de las estaciones climáticas corregidas para variables de precipitación y temperatura Precipitación:
0123456
01/0
1/1
997
01/0
3/1
997
29/0
4/1
997
27/0
6/1
997
25/0
8/1
997
23/1
0/1
997
21/1
2/1
997
18/0
2/1
998
18/0
4/1
998
16/0
6/1
998
14/0
8/1
998
12/1
0/1
998
10/1
2/1
998
07/0
2/1
999
07/0
4/1
999
05/0
6/1
999
03/0
8/1
999
01/1
0/1
999
29/1
1/1
999
27/0
1/2
000
26/0
3/2
000
24/0
5/2
000
22/0
7/2
000
19/0
9/2
000
17/1
1/2
000
Pre
cip
itac
ion
(cm
)
Estacion Hacienda Colini
SENAMHI NASA SIN CORREGIR NASA CORREGIDO
0
2
4
6
01/0
1/1
997
01/0
3/1
997
29/0
4/1
997
27/0
6/1
997
25/0
8/1
997
23/1
0/1
997
21/1
2/1
997
18/0
2/1
998
18/0
4/1
998
16/0
6/1
998
14/0
8/1
998
12/1
0/1
998
10/1
2/1
998
07/0
2/1
999
07/0
4/1
999
05/0
6/1
999
03/0
8/1
999
01/1
0/1
999
29/1
1/1
999
27/0
1/2
000
26/0
3/2
000
24/0
5/2
000
22/0
7/2
000
19/0
9/2
000
17/1
1/2
000
pre
cip
itac
io (
cm)
Estacion Jarpaña
SENAMHI NASA SIN CORREGIR NASA CORREGIDO
0
1
2
3
4
5
6
01/0
1/1
997
27/0
2/1
997
25/0
4/1
997
21/0
6/1
997
17/0
8/1
997
13/1
0/1
997
09/1
2/1
997
04/0
2/1
998
02/0
4/1
998
29/0
5/1
998
25/0
7/1
998
20/0
9/1
998
16/1
1/1
998
12/0
1/1
999
10/0
3/1
999
06/0
5/1
999
02/0
7/1
999
28/0
8/1
999
24/1
0/1
999
20/1
2/1
999
15/0
2/2
000
12/0
4/2
000
08/0
6/2
000
04/0
8/2
000
30/0
9/2
000
Pre
cip
itac
ion
(cm
)
Estacion Lagunillas
SENAMHI NASA SIN CORREGIR NASA CORREGIDO
0123456
01/0
1/1
997
01/0
3/1
997
29/0
4/1
997
27/0
6/1
997
25/0
8/1
997
23/1
0/1
997
21/1
2/1
997
18/0
2/1
998
18/0
4/1
998
16/0
6/1
998
14/0
8/1
998
12/1
0/1
998
10/1
2/1
998
07/0
2/1
999
07/0
4/1
999
05/0
6/1
999
03/0
8/1
999
01/1
0/1
999
29/1
1/1
999
27/0
1/2
000
26/0
3/2
000
24/0
5/2
000
22/0
7/2
000
19/0
9/2
000
17/1
1/2
000
Pre
cip
itac
ion
(cm
)
Estacion Pampahuta
SENAMHI NASA SIN CORREGIR NASA CORREGIDO
0
2
4
601
/01
/19
9701
/03
/19
9729
/04
/19
9727
/06
/19
9725
/08
/19
9723
/10
/19
9721
/12
/19
9718
/02
/19
9818
/04
/19
9816
/06
/19
9814
/08
/19
9812
/10
/19
9810
/12
/19
9807
/02
/19
9907
/04
/19
9905
/06
/19
9903
/08
/19
9901
/10
/19
9929
/11
/19
9927
/01
/20
0026
/03
/20
0024
/05
/20
0022
/07
/20
0019
/09
/20
0017
/11
/20
00
Pre
cip
itac
ion
(cm
)Estacion Paratia
SENAMHI NASA SIN CORREGIR NASA CORREGIDO
0
1
2
3
4
5
6
01/0
1/1
997
03/0
3/1
997
03/0
5/1
997
03/0
7/1
997
02/0
9/1
997
02/1
1/1
997
02/0
1/1
998
04/0
3/1
998
04/0
5/1
998
04/0
7/1
998
03/0
9/1
998
03/1
1/1
998
03/0
1/1
999
05/0
3/1
999
05/0
5/1
999
05/0
7/1
999
04/0
9/1
999
04/1
1/1
999
04/0
1/2
000
05/0
3/2
000
05/0
5/2
000
05/0
7/2
000
04/0
9/2
000
04/1
1/2
000
Pre
cip
itac
ion
(cm
)
Estacion Quillisani
SENAMHI NASA SIN CORREGIR NASA CORREGIDO
21
Temperatura:
0123456
01/0
1/1
997
01/0
3/1
997
29/0
4/1
997
27/0
6/1
997
25/0
8/1
997
23/1
0/1
997
21/1
2/1
997
18/0
2/1
998
18/0
4/1
998
16/0
6/1
998
14/0
8/1
998
12/1
0/1
998
10/1
2/1
998
07/0
2/1
999
07/0
4/1
999
05/0
6/1
999
03/0
8/1
999
01/1
0/1
999
29/1
1/1
999
27/0
1/2
000
26/0
3/2
000
24/0
5/2
000
22/0
7/2
000
19/0
9/2
000
17/1
1/2
000
Pre
cip
itac
ion
(cm
)
Estacion Santa Lucia
SENAMHI NASA SIN CORREGIR NASA CORREGIDO
-5
0
5
10
15
01/0
1/2
001
14/1
0/2
001
27/0
7/2
002
09/0
5/2
003
19/0
2/2
004
01/1
2/2
004
13/0
9/2
005
26/0
6/2
006
08/0
4/2
007
19/0
1/2
008
31/1
0/2
008
13/0
8/2
009
26/0
5/2
010
08/0
3/2
011
19/1
2/2
011
30/0
9/2
012
13/0
7/2
013
25/0
4/2
014
05/0
2/2
015Te
mp
era
tura
(c°)
Estacion Lagunillas
NASA (T°) sin Corregir NASA (T°) Corregida
-10
-5
0
5
10
15
01/0
1/2
001
14/1
0/2
001
27/0
7/2
002
09/0
5/2
003
19/0
2/2
004
01/1
2/2
004
13/0
9/2
005
26/0
6/2
006
08/0
4/2
007
19/0
1/2
008
31/1
0/2
008
13/0
8/2
009
26/0
5/2
010
08/0
3/2
011
19/1
2/2
011
30/0
9/2
012
13/0
7/2
013
25/0
4/2
014
05/0
2/2
015
Tem
pe
ratu
ra (
c°)
Estacion Pamapahuta
NASA (T°) sin Corregir NASA (T°) Corregida
Top Related