verificaciÓn de productos satelitales con base a

1

VERIFICACIÓN DE PRODUCTOS SATELITALES CON BASE A ESTACIONES

METEOROLÓGICAS Y MODELACIÓN LLUVIA ESCORRENTÍA

Angie Carolina Barbosa Vivas

Asesor: Mario Alfredo Díaz-Granados Ortiz

UNIVERSIDAD DE LOS ANDES

FACULTAD DE INGENIERÍA

DEPARTAMENTO DE INGENIERÍA CIVIL Y AMBIENTAL

PREGRADO EN INGENIERÍA AMBIENTAL

BOGOTÁ D.C.

2021

2

AGRADECIMIENTOS

Quiero agradecerle a mi asesor Mario Alfredo Díaz-Granados Ortiz por su apoyo, paciencia y

orientación en el proyecto de grado. Adicionalmente, quiero agradecerle por despertarme el interés y

gusto en la modelación lluvia-escorrentía y mostrarme el potencial que existe al trabajar con

información de productos satelitales. Así mismo quiero agradecerle por darme la oportunidad de

trabajar con él porque me permitió retarme en el uso de programas y funcionalidades de ellos que me

hicieron aprender y crecer como persona. Por otro lado, quiero agradecerles a mis padres por

apoyarme y ayudarme en todo lo necesario para poder terminar éste trabajo. Finalmente, quiero

agradecerle a mi prima Viviana, amiga Diana y amigo Juan Pablo porque con sus aportes de

conocimiento me permitieron avanzar en la culminación de mi proyecto de grado.

3

Contenido

1. Introducción ................................................................................................................................ 9

2. Justificación y pregunta de investigación .................................................................................. 10

2.1 Objetivo general ................................................................................................................ 10

2.2 Objetivos específicos ......................................................................................................... 11

3. Marco teórico ............................................................................................................................ 11

3.1 Información de productos satelitales de precipitación..................................................... 11

3.1.1 CHIRPS ....................................................................................................................... 11

3.1.2 PERSIANN-CCS ........................................................................................................... 12

3.2 Información de precipitación en tierra ............................................................................. 14

3.3 Métodos de interpolación para datos climáticos.............................................................. 14

3.3.1 Distancia inversa ponderada (IDW) ........................................................................... 15

3.3.2 Polígonos de Thiessen ............................................................................................... 16

3.4 Modelo lluvia-escorrentía HEC HMS ................................................................................. 17

3.4.1 Basin models ............................................................................................................. 17

3.4.2 Meteorologic models ................................................................................................ 17

3.4.3 Control specifications ................................................................................................ 17

3.4.4 Time-series data ........................................................................................................ 17

3.5 Evapotranspiración ........................................................................................................... 18

3.5.1 Estimación con PETP 2.0............................................................................................ 18

4. Metodología .............................................................................................................................. 18

4.1 Relaciones de corrección de información satelital de precipitación ................................ 18

4.1.1 Delimitación de la cuenca de estudio ....................................................................... 18

4.1.2 Identificación de periodos de calibración y validación ............................................. 19

4.1.3 Recolección de información del IDEAM .................................................................... 21

4.1.4 Recolección de información satelital ........................................................................ 22

4.1.5 Identificación de estaciones pluviométricas ............................................................. 22

4.1.6 Obtención de campos de lluvia ................................................................................. 23

4.1.6.1 Distancia inversa ponderada (IDW) ........................................................................... 23

4.1.6.2 Polígonos de Thiessen ............................................................................................... 24

4.1.7 Obtención de precipitación media diaria .................................................................. 24

4

4.1.8 Comparación de precipitación media diaria con datos de productos satelitales y de

tierra 25

4.1.9 Corrección de valores de productos satelitales de precipitación ............................. 31

4.2 Uso de HEC HMS ............................................................................................................... 32

4.2.1 Identificación de los modelos a evaluar .................................................................... 32

4.2.2 Recolección de información del IDEAM y estimación de evapotranspiración .......... 32

4.2.3 Preparación del modelo en HEC HMS ....................................................................... 36

4.2.4 Calibración ................................................................................................................. 37

4.2.5 Validación .................................................................................................................. 38

5. Resultados y análisis de resultados ........................................................................................... 38

6. Conclusiones ............................................................................................................................. 46

7. Recomendaciones ...................................................................................................................... 47

8. Bibliografía ............................................................................................................................... 49

Anexos............................................................................................................................................... 52

5

ÍNDICE DE FIGURAS

Figura 1. Procesamiento para la obtención de datos de CHIRPS tomado de SCIENTIFIC DATA . 12

Figura 2. Procedimiento para la generación de datos PERSIANN-CCS. ......................................... 13

Figura 3.Ejemplo de Polígonos de Thiessen tomado de (Bateman, 2007) ....................................... 16

Figura 4. Ubicación de la zona de estudio......................................................................................... 19

Figura 5. Ubicación de estaciones pluviométricas para el periodo de calibración y de validación. . 23

Figura 6. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra

estimada con IDW. ............................................................................................................................ 26

Figura 7. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en

tierra estimada con IDW ................................................................................................................... 26

Figura 8. Diferencia entre datos de CHIRPS y datos estimados en tierra con IDW vs CHIRPS. ..... 27

Figura 9. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con IDW vs

PERSIANN-CCS .............................................................................................................................. 27

Figura 10. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por

IDW. .................................................................................................................................................. 28

Figura 11. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en

tierra por IDW. .................................................................................................................................. 28

Figura 12. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra

estimada con Polígonos de Thiessen ................................................................................................. 29

Figura 13. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en

tierra estimada con Polígonos de Thiessen ....................................................................................... 29

Figura 14. Diferencia entre datos de CHIRPS y datos estimados en tierra con Polígonos de Thiessen

vs CHIRPS ........................................................................................................................................ 29

Figura 15. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con Polígonos de

Thiessen vs PERSIANN-CCS ........................................................................................................... 30

Figura 16. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por

Polígonos de Thiessen. ...................................................................................................................... 30

Figura 17. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en

tierra por Polígonos de Thiessen. ...................................................................................................... 31

Figura 18. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para los modelos

1,3,4 y 5. ............................................................................................................................................ 36

Figura 19. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para el modelo 2.

........................................................................................................................................................... 36

Figura 20. Modelo de la cuenca para cada uno de los modelos a evaluar en la Tabla 8. .................. 37

6

Figura 21. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del

modelo 1. ........................................................................................................................................... 41

Figura 22. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del

modelo 1. ........................................................................................................................................... 41


modelo 2. ........................................................................................................................................... 42


modelo 2. ........................................................................................................................................... 42


modelo 3. ........................................................................................................................................... 43


modelo 3. ........................................................................................................................................... 43


modelo 4. ........................................................................................................................................... 44


modelo 4. ........................................................................................................................................... 44


modelo 5. ........................................................................................................................................... 45


modelo 5. ........................................................................................................................................... 45

7

ÍNDICE DE TABLAS

Tabla 1. Estimación de efecto macroclimático para años de calibración con ONI ........................... 20

Tabla 2. Grado de completitud para cada uno de los años de calibración ......................................... 20

Tabla 3. Periodos de La Niña, El Niño y neutros en los años de validación. .................................... 21

Tabla 4. Grado de completitud para cada uno de los años del periodo de validación. ...................... 21

Tabla 5. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos

estimados en tierra con IDW vs producto satelital al tener en cuenta todo el periodo de calibración y

cada año por separado. ...................................................................................................................... 27

Tabla 6. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos

estimados en tierra con Polígonos de Thiessen vs producto satelital al tener en cuenta todo el periodo

de calibración y cada año por separado. ............................................................................................ 30

Tabla 7. Regresiones lineales de modificación para los datos de producto satelital CHIRPS y

PERSIANN-CCS. ............................................................................................................................. 31

Tabla 8. Especificación de los modelos a evaluar a calibrar en HEC HMS. .................................... 32

Tabla 9. Parámetro descargado en el IDEAM para obtener el parámetro buscado. .......................... 33

Tabla 10. Valores finales de coeficiente de Nash Sutcliffe en la calibración para los 5 modelos

evaluados en HEC HMS ................................................................................................................... 39

Tabla 11. Valores finales de coeficiente de Nash Sutcliffe en la validación para los 5 modelos

evaluados en HEC HMS ................................................................................................................... 40

8

ÍNDICE DE ANEXOS

ANEXO 1. GRADO DE COMPLETITUD DE LAS ESTACIONES ESCOGIDAS EN EL

PERIODO DE CALIBRACIÓN Y VALIDACIÓN. ........................................................................ 53

ANEXO 2. CÓDIGO, UBICACIÓN Y PERIODO DE REGISTRO DE ESTACIONES USADAS

PARA ESTIMACIÓN DE EVAPOTRANSPIRACIÓN CON PETP V2.0.0 .................................. 59

ANEXO 3. PROCEDIMIENTO PARA GENERAR LOS COMPONENTES DEL MODELO EN

HEC HMS POR MEDIO DE HECGeo-HMS .................................................................................. 60

ANEXO 4. PARÁMETROS CALIBRADOS PARA CADA UNA DE LAS SUBCUENCAS DE

LOS MODELOS EVALUADOS EN HEC HMS ............................................................................. 63

9

1. Introducción

El río Magdalena nace en la confluencia de los drenajes de las lagunas La Magdalena y Santiago en

el departamento del Huila a 3500 msnm (Mosquera et al., 2004). En este sentido, la cuenca alta del

río Magdalena denominada también el Alto Magdalena presenta un alta pendiente y un cauce

turbulento en su trayecto inicial (CORMAGDALENA, 2013). El Alto Magdalena cuenta con 57

municipios ubicados en los departamentos de Huila, Tolima, Cundinamarca y Cauca (AUTORIDAD

NACIONAL DE LICENCIAS AMBIENTALES, 2018), así como una población para 2012 de

1.368.650 habitantes (CORMAGDALENA, 2013). Adicionalmente, tiene una precipitación variable

con registros anuales entre 500 mm/año hasta 3000 mm/año (AUTORIDAD NACIONAL DE

LICENCIAS AMBIENTALES, 2018). Finalmente, la cuenca cuenta con la presencia de dos

importantes hidroeléctricas: Betania y El Quimbo.

El Alto Magdalena tiene gran importancia en el contexto nacional porque el río Magdalena es el

principal río de Colombia. En este aspecto, el río se usa tanto para la producción de energía como

para el abastecimiento de la población circundante. Sin embargo, así como éste es un recurso hídrico

beneficioso para la comunidad también puede llegar a presentar riesgo de inundación en la población

debido a los altos caudales que podría transportar en épocas de La Niña en las cuales se tienen eventos

de abundante precipitación. Es en estos casos que resulta beneficioso el uso de modelos capaces de

predecir caudales a la salida de una cuenca para implementar Sistemas de Alerta Temprana. Esto con

el fin de avisar a la comunidad y así evitar o reducir la pérdida de vidas y daños materiales (UNESCO

et al., 2011).

De acuerdo con lo anterior, los modelos hidrológicos como herramienta de predicción juegan un papel

importante en el anticipo de eventos de inundación para salvar vidas dado que mediante sus

estimaciones pueden ser capaces de arrojar valores cercanos de los que podrían presentarse realmente.

Sin embargo, para su uso es fundamental contar con información meteorológica para estimar valores

de pérdidas o abstracciones, así como abundante información de precipitación. En este aspecto, si se

quisiera evaluar o implementar un Sistema de Alerta Temprana sería de utilidad contar con

información de precipitación en tiempo casi real. En relación con eso, la información de productos

satelitales puede brindar esa facilidad al evaluar la completitud de un área de interés en un tiempo

casi real en algunas ocasiones.

10

2. Justificación y pregunta de investigación

Existen múltiples tipos de modelos hidrológicos con un alto potencial para servir como modelos

predictivos en casos de interés particulares. En este sentido HEC HMS se presenta como un modelo

robusto, gratuito e intuitivo con múltiples funcionalidades y opciones para evaluar modelos lluvia

escorrentía. De esta manera, HEC HMS presenta múltiples opciones en el uso de metodologías para

la evaluación de pérdidas de precipitación en el suelo, cobertura vegetal, y flujo subterráneo. Así

como, funcionalidades para la calibración de los modelos a evaluar.

HEC HMS es un modelo con un alto potencial para evaluaciones predictivas de caudal que podrían

ayudar a analizar y evaluar Sistemas de Alerta Temprana con el fin de salvar vidas. Sin embargo, para

ello es fundamental información de precipitación casi en tiempo real con la que en muchas ocasiones

no se cuenca por la demora en la digitalización de información de estaciones meteorológicas o falta

de abundante cantidad de pluviómetros en la cuenca a evaluar. En el caso de la cuenca objeto de éste

estudio sí se cuenta con abundante información pluviométrica pero no con disponibilidad actualizada

o casi en tiempo real como sí sucede con información de productos satelitales. En tal sentido,

productos como PERSIANN CCS usan información satelital para dar como resultado información de

precipitación. Estos productos satelitales son de gran interés para la sustitución y/o complementación

de información pluviométrica en el uso de modelos como HEC HMS dado que su información se

obtiene con tan solo pocas horas de retraso (Nguyen et al., 2019). Adicionalmente, productos como

CHIRPS son de relevancia dada su robusta estimación de precipitación. Sin embargo, resulta de gran

interés comparar qué tan certera es esta información con respecto a la información que se obtendría

mediante pluviómetros dentro de la cuenca.

En este aspecto, es importante comparar información de las dos fuentes, producto satelital y

pluviómetro. Lo anterior con el fin de estudiar si la información de producto satelital es igual a la que

obtendría un pluviómetro o en caso contrario evaluar la relación que tendrían estas dos fuentes de

información para buscar relaciones que ayuden a corregir la información de producto satelital. De

esta manera podrían evaluarse modelos en HEC HMS con mayor certeza en el uso correcto de los

datos a ingresar para el modelo.

2.1 Objetivo general

Verificar los productos satelitales CHIRPS y PERSIANN CCS con respecto a información de

estaciones meteorológicas con el fin de realizar evaluaciones lluvia escorrentía en HEC HMS y

comprobar el potencial de esta información para futuros análisis de sistemas de alerta temprana de

inundaciones.

11

2.2 Objetivos específicos

• Evaluar el comportamiento de la información de precipitación satelital en comparación con

la información de campos de precipitación en tierra mediante diferentes métodos de

interpolación.

• Obtener relaciones de mayoración o minoración entre información de campos de

precipitación en tierra e información satelital de precipitación de PERSIANN-CCS y

CHIRPS.

• Evaluar diferentes modelos de lluvia-escorrentía en el programa HEC-HMS en los cuales se

pueda establecer si existe una relación de mejora al usar información satelital modificada,

con factores de mayoración o minoración, e información satelital sin modificar.

• Sugerir alternativas de implementación de los modelos en HEC-HMS para lograr en futuras

investigaciones mejorar los resultados y lograr continuar con la investigación en el uso de

información satelital como elemento predictivo.

3. Marco teórico

3.1 Información de productos satelitales de precipitación

3.1.1 CHIRPS

CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) fue creado en

colaboración con los científicos del Centro de Observación y Ciencia de Recursos Terrestres (por sus

siglas en inglés EROS) del Servicio Geológico de Estados Unidos (por sus siglas en inglés USGS).

Los modelos recientes aprovechan nuevos recursos de observaciones satelitales para las estimaciones

de precipitación que se basan en satélites de la Administración Nacional de Aeronáutica y el Espacio

(por sus siglas en inglés NASA) y la Oficina Nacional de Administración Oceánica y Atmosférica

(por sus siglas en inglés NOAA). Lo anterior, se realiza con el fin implementar la información de

precipitación en cuadrículas de resolución de 0.05° diaria, pentadal y mensual. Esta es información

lleva más de 35 años de registro y abarca una cobertura cuasi global de 50° S - 50° N, así como todas

las longitudes. (USAID & Climate Hazards Center UC SANTA BARBARA, 2021)

Los datos de CHIRPS están basados en enfoques con técnicas de interpolación, así como un amplio

periodo de registro de precipitación basado en infrared Cold Cloud Duration (por sus siglas en inglés

CCD). En este respecto, se emplea un algoritmo que incorpora información satelital de 0.05° de

resolución y estimaciones de precipitación diaria, pentadal y mensual desde 1981 hasta el presente de

0.05° basada en CCD. Además, combina datos de las estaciones para producir información preliminar

con una latencia de 2 días aproximadamente y luego un producto final con una latencia promedio de

12

3 semanas aproximadamente. Adicionalmente, se utiliza un procedimiento de mezcla incorporando

una estructura de correlación espacial de las estimaciones CCD para asignar los pesos de la

interpolación. En este sentido, CHIRPS tiene tres componentes principales los cuales son, primero,

the Climate Hazards Group Precipitation Climatology (por sus siglas en inglés CHPclim), segundo,

the satellite-only Climate Hazards group Infrared Precipitation (por sus siglas en inglés CHIRP) y el

procedimiento de mezcla para producir CHIRPS tal como se muestra a continuación. (Funk et al.,

2015)

Figura 1. Procesamiento para la obtención de datos de CHIRPS tomado de SCIENTIFIC DATA

Tomado de (Funk et al., 2015)

3.1.2 PERSIANN-CCS

Se basa en la estimación de la precipitación a partir de información de detección remota mediante

redes neuronales artificiales (PERSIANN por sus siglas en inglés). Tiene una variación denominada

PERSIANN-CCS la cual incorpora un sistema de clasificación de nubes (CCS por sus siglas en

inglés). Éste es un producto satelital desarrollado por el Centro de Hidrometeorología y Percepción

Remota (CHRS por sus siglas en inglés) de la Universidad de California en Irvine (UCI) con una

resolución de 0.04° x 0.04° o 4Km x4Km (CHRS, 2021). Adicionalmente, integra un periodo de

registro del 2003 hasta la actualidad y es posible descargar datos horarios, diarios, mensuales y

anuales (CHRS, 2021). Éste producto satelital puede ser descargado casi en tiempo real dado que las

actualizaciones de información se demoran aproximadamente 1 hora por lo cual podría ser de utilidad

para proporcionar alertas de inundación temprana en ríos grandes (Nguyen et al., 2015).

Los datos de PERSIANN-CCS estiman la precipitación a partir de imágenes infrarrojas de la órbita

terrestre geo sincrónica utilizando redes neuronales artificiales (ANN) así como también técnicas de

clasificación de nubes (Nguyen et al., 2015). En este sentido, se segmentan las nubes en parches con

ayuda de técnicas morfológicas y de segmentación de cuencas para luego agrupar los parches de

nubes en tipos de nubes según la frialdad, geometría y la textura (Nguyen et al., 2019). Con esto se

13

hace uso de un algoritmo de segmentación de nubes de umbral variable con lo cual se permite la

identificación y separación de partes individuales de las nubes. De esta manera, al realizar la

clasificación se asigna valores de lluvia a los pixeles dentro de cada nube en función de una curva

específica que describe la relación entre la temperatura de brillo y la intensidad de lluvia (CHRS,

2021). Sin embargo, PERSIANN -CCS presenta dos deficiencias importantes las cuales son la

ausencia de corrección de sesgos y el uso de únicamente un tipo de dato de entrada (Nguyen et al.,

2019). En consecuencia, los datos de PERSIANN-CCS son menos precisos en comparación con los

demás productos PERSIANN que utilizan corrección de sesgos, principalmente para lluvias cálidas

y tierras altas (Nguyen et al., 2019).

A continuación, se presenta un esquema obtenido de (Nguyen et al., 2019) en el cual se esquematiza

el procedimiento para la obtención de datos PERSIANN-CCS. En éste es importante notar el uso

inicial de GEO (Geostationary por sus siglas en inglés), y LEO (Low Earth Orbit por sus siglas en

inglés) información satelital.

Figura 2. Procedimiento para la generación de datos PERSIANN-CCS.

Tomado de (Nguyen et al., 2019)

14

3.2 Información de precipitación en tierra

La cantidad de agua proveniente de la atmósfera en diferentes estados que cae sobre la superficie

terrestre o los océanos se le conoce como precipitación. Al llegar a la superficie, ésta puede ser

interceptada por la vegetación, infiltrarse en el suelo o convertirse en escorrentía superficial o

subsuperficial (Chow et al., 1994). La precipitación en tierra se mide como la altura capaz de

recolectar el agua sobre una superficie plana con un área determinada una vez todas las

precipitaciones caídas en forma de hielo o nieve se han derretido. Dicha medición se hace a través de

estaciones meteorológicas dotadas con pluviógrafos o pluviómetros (IDEAM, n.d.-a). La cantidad de

agua que cae está dada por la intensidad de precipitación en donde la intensidad se define como la

cantidad de precipitación recogida en un periodo determinado de tiempo (WMO, 2017).

Las unidades de medición son milímetros (volumen/área) o en kilogramos por metro cuadrado

(masa/área) para la precipitación líquida. El pluviómetro es el instrumento más frecuentemente usado

para medir la precipitación, y consta de una cubeta con paredes rectas en forma cilíndrica y un embudo

en el cual se registra el volumen o el nivel alcanzado por la lluvia en dicho recipiente (WMO, 2017).

Adicionalmente, otro equipo importante para registrar precipitación es el pluviógrafo. Éste es un

instrumento que registra de manera continua el cambio en la altura o el peso del agua que cae sobre

un recipiente, el cual puede ser de peso o de flotador. Los pluviógrafos de peso funcionan por medio

de un mecanismo de resorte o de un sistema de pesas y en ocasiones carecen de un sistema de auto

vaciado, pero puede solucionarse con un sistema de palancas (IDEAM, n.d.-a). Por su parte, el

pluviógrafo de flotador está compuesto por un flotador liviano que, al momento de subir el agua,

transmite el ascenso de nivel a una pluma que registra en un diagrama la acumulación de la

precipitación (WMO, 2017). Los equipos mencionados anteriormente deben cumplir con una serie

de características como la altura de instalación para evitar sobrestimaciones por salpicaduras,

protección contra el viento y mecanismos para disminuir en su gran mayoría las pérdidas por

evaporación (WMO, 2017). Los puntos de medición de precipitaciones son la fuente fundamental de

datos para análisis zonales; sin embargo, es solo representativa para una zona muy limitada, cuyo

tamaño está dado por diferentes variables ambientales y topográficas (WMO, 2017).

3.3 Métodos de interpolación para datos climáticos

Como se mencionó anteriormente, la representatividad de los datos meteorológicos es solo

representativa para una zona muy limitada, esto es debido a que la red de medición no es espacial ni

temporalmente continúa, lo cual genera dificultades al momento de interpolar información (Sluiter,

2009). Existen diferentes métodos de interpolación, que pueden ser clasificados en tres grupos

principales: Métodos determinísticos que estiman una superficie continua usando características

15

geométricas de los puntos de observación; métodos probabilísticos que permiten predecir valores y

otros métodos que son aplicaciones especialmente desarrolladas para propósitos meteorológicos, este

último es una combinación de métodos determinísticos y probabilísticos (Sluiter, 2009). En este

sentido, los métodos determinísticos incluyen métodos como vecino natural (NN), distancia inversa

ponderada (IDW), funciones polinomiales (splines), regresión lineal, redes neuronales artificiales

(ANN) y Polígonos de Thiessen. Por su parte, en métodos probabilísticos se incluyen métodos de

Kriging en sus diferentes variedades como Kriging Ordinario, Simple, Cokriging, Universal, etc.

Finalmente, a modo de ejemplo de otros métodos se presenta el método MISH (Meteorological

interpolation based on Surface Homogenized Data Basis). (Sluiter, 2009)

A continuación, se presenta una descripción de los dos métodos determinísticos usados en caso de

estudio.

3.3.1 Distancia inversa ponderada (IDW)

Con el fin de evitar bordes de polígonos irrealistas como los que se generan con el método de

Polígonos de Thiessen, la precipitación puede ser estimada como una combinación lineal de

observaciones de estaciones alrededor y estableciendo un peso para cada una de las mediciones siendo

éste inversamente proporcional a la distancia entre puntos de observación. La idea de un sistema de

pesos es poner más énfasis en las mediciones que se encuentran más cerca a la celda que se quiere

estimar (Krähenmann & Ahrens, 2010). La sumatoria de los pesos proporcionados por la distancia

son siempre igual a uno. Éste método es un poco más complejo que el de los polígonos de Thiessen

debido a que antes de realizar la interpolación se debe seleccionar el poder de la función inversa de

la distancia. En este orden de ideas, al seleccionar un poder bajo se tiende a tener grandes pesos y por

tanto a tomar valores de precipitación de estaciones lejanas. Por otro lado, tomar pesos grandes hará

que el método tienda a parecerse al método de los polígonos de Thiessen (Ly et al., 2013).

Adicionalmente, éste método también puede incluírsele pesos proporcionados por la altura haciendo

que los datos obtenidos sean un poco más fiables (Ly et al., 2013). En éste método la estimación de

precipitación para un punto 𝑝𝑢 se puede estimar de la siguiente manera:

𝑝𝑢 = ∑ 𝜆𝑖𝑝𝑖 = ∑ (𝑑𝑢,𝑖

−𝛼

∑ 𝑑𝑢,𝑖−𝛼𝑁

𝑗=1

) 𝑝𝑖

𝑁

𝑖=1

𝑁

𝑖=1

Donde

𝑁 es el número de puntos de muestreo

𝛼 es el parámetro de poder de la interpolación

16

𝑑𝑢,𝑖 es la distancia entre el punto a estimar u y el punto de medición i

𝑝𝑖 es la precipitación en el punto de medición i

3.3.2 Polígonos de Thiessen

Éste es un método simple de interpolación que le asigna un valor de precipitación a cada celda según

el dato observado más cercano (Krähenmann & Ahrens, 2010). Esto se hace realizando una

triangulación de los puntos de medición procurando que los triángulos allí formados tengan un

aspecto mayoritariamente equilátero. Luego, se trazan líneas mediatrices de los triángulos, las cuales

al juntarse forman los polígonos. Éste método es rápido y fácil de aplicar, sin embargo, para que

funcione de manera correcta es aconsejable contar con una gran cantidad de puntos de medición en

la zona (Sluiter, 2009). En la Figura 3 se puede observar un ejemplo de los polígonos formados.

Figura 3.Ejemplo de Polígonos de Thiessen tomado de (Bateman, 2007)

Tomado de (Bateman, 2007)

Luego de determinada las áreas que encierran cada uno de los puntos de medición, se asume que toda

el área tendrá el mismo valor de precipitación que fue medido en las estaciones. Por ejemplo, si se

quiere conocer la precipitación promedio de una cuenca, el cálculo se realiza por medio de una

ponderación del área de cada estación, con la siguiente fórmula:

P̅ =1

A∗ ∑ Ai ∗ Pi

Donde:

17

𝐴 es el área total de la cuenca

𝐴𝑖 es el área del polígono de la estación i

𝑃𝑖 es la precipitación de la estación i

3.4 Modelo lluvia-escorrentía HEC HMS

The Hydrologic Modeling System (HEC-HMS) fue desarrollado para simular los procesos

hidrológicos de una cuenca dendrítica (US Army Corps of Engineers, 2021). Éste es un modelo tipo

evento, lineal y semi distribuido con el fin de estimar las hidrógrafas de varias subcuencas

(UNIVERSIDAD NACIONAL DE COLOMBIA et al., 2021). Está constituido por 4 partes

fundamentales las cuales se especifican a continuación

3.4.1 Basin models

Esta es de las partes más importantes dado que en esta etapa se establece cómo está constituida la

cuenca a evaluar mediante subcuencas que contienen parámetros de Loss, Transform, Baseflow,

Canopy y Surface. En ese sentido, para cada uno de los elementos nombrados existe gran cantidad de

métodos de estimación en los que se puede trabajar con información en forma de grilla o simplemente

numérica. Adicionalmente se pueden usar diferentes métodos de tránsito. Todos sus componentes en

conjunto contienen una cantidad considerable de parámetros a evaluar para calibrar las subcuencas.

3.4.2 Meteorologic models

Es necesario ingresar en esta parte información meteorológica. En relación con eso, es posible

ingresar información de variables atmosféricas, métodos de estimación de derretimiento de hielo,

evapotranspiración, precipitación y onda larga y corta de radiación.

3.4.3 Control specifications

Por su parte, en esta etapa es necesario ingresar el intervalo de tiempo en el cual se desea evaluar bien

sea la calibración o validación, así como también el intervalo de tiempo y si se desea una pequeña

descripción.

3.4.4 Time-series data

En éste aparatado es posible ingresar la información de precipitación, así como la de caudales a la

salida de la cuenca. Adicionalmente, también se puede ingresar información de temperatura, radiación

solar, velocidad del viento, presión del aire, humedad relativa, altitud, coeficiente de cultivo, carga

de sedimentos y brillo solar. En esta parte, es necesario especificar el intervalo de tiempo en el cual

se ingresan los datos, así como sus unidades y períodos de registro. Finalmente, se pueden tener

gráficas de las series de tiempo ingresadas. (USACE, 2021)

18

3.5 Evapotranspiración

3.5.1 Estimación con PETP 2.0

PETP 2.0 corresponde a un programa informático desarrollado por el Ingeniero Agrícola y docente

de la Universidad Nacional San Cristobal de Huamanga César Gutiérrez Ninahuamán (UNSCH,

2021). El programa en cuestión es una herramienta que permite calcular la evapotranspiración

potencial por medio de múltiples fórmulas empíricas según métodos de Turc, Hardreaves,

Cristiansen, Penman Monteith, Penman modificado, Hargreaves entre otras. Adicionalmente éste es

un programa gratuito. Para su uso es necesario ingresar información de ubicación geográfica del lugar,

así como del número de días de cada mes, temperatura mínima, media y máxima (°C), número de

horas del sol al día o brillo solar (horas), humedad relativa media y mínima (%), velocidad del viento

(m/s), precipitación media (mm) y radiación solar (cal/cm2/día). Cabe resaltar que toda la

información ingresada es mensual multianual. Finalmente, el programa permite exportar los

resultados a Excel.

4. Metodología

4.1 Relaciones de corrección de información satelital de precipitación

Con el fin de obtener factores de mayoración o minoración se procedió a realizar lo siguiente.

4.1.1 Delimitación de la cuenca de estudio

El caso de estudio se centró en la subcuenca definida por el sitio de afluencia del río Páez en el río

Magdalena. En consecuencia, esta subcuenca se ubica en el Alto Magdalena e incluye el nacimiento

del río Magdalena. Para generar esta cuenca se hizo uso de ArcGIS e información cartográfica del

Instituto Geográfico Agustín Codazzi (IGAC) a escala 1:100.000 en formato shapefile. En este

aspecto, del conjunto de información cartográfica correspondió a las curvas de nivel y el drenaje

sencillo para generar el TIN mediante la herramienta “Create TIN”. Es importante aclarar que se

adoptó el sistema de coordenadas MAGNA-SIRGAS/ORIGEN-NACIONAL. Posteriormente se

convirtió el TIN a raster mediante TIN to Raster con un tamaño de celda de 250 m. Luego se usó la

herramienta Fill para rellenar las imperfecciones del archivo raster y se usó la herramienta Flow

Direction. Después se hizo uso de Flow Accumulation y se procedió a usar Raster Calculator con la

expresión SetNull(“producto del Flow Accumulation”<25,1). A continuación, se usó la herramienta

Watershed con la ubicación del punto de desembocadura del río Páez en el río Magdalena como

parámetro. Finalmente, se obtuvo la cuenca de estudio en formato raster y posteriormente se hizo uso

de Raster to Polygon para obtener la cuenca en formato shapefile como polígono. A continuación, se

muestra la ubicación de la zona de estudio.

19

Figura 4. Ubicación de la zona de estudio.

4.1.2 Identificación de periodos de calibración y validación

Para identificar los periodos de calibración y validación se tuvieron dos factores en cuenta. Primero,

el periodo de registro de información de caudal medio diario en la estación Limnigráfica Paso del

Colegio (21077020) dado que esta estación está ubicada en el punto de concentración de la cuenca,

es decir aproximadamente en el punto de desembocadura del río Páez en el río Magdalena. En este

sentido, el periodo de registro disponible con información de caudal fue del 2000 hasta marzo de

2011 y posteriormente de 2017 hasta enero de 2020. Segundo, se tuvieron en cuenta los años en los

cuales se presentaban fenómenos macro climáticos de El Niño y La Niña. Para ello, se recurrió al

Índice Oceánico del Niño (ONI por sus siglas en inglés). Lo anterior dado que éste es un índice capaz

de clasificar el fenómeno macroclimático como fuerte, moderado o débil, así como que es un estándar

robusto producido por la NOAA y utilizado por Instituto de Hidrología, Meteorología y Estudios

Ambientales (IDEAM).

El periodo de calibración se escogió desde el 01 de enero de 2006 hasta el 31 de diciembre de 2010.

Es decir, un periodo de 5 años en los cuales hubo presencia de El Niño débil (WE) y moderado (ME),

así como de La Niña fuerte (SL) y débil (WL) y periodos neutros como se muestra en Tabla 1 donde

valores en rojo corresponden a El Niño, valores en azul a La Niña y valores en negro a periodos

20

neutros. Adicionalmente éste fue un periodo con un número abundante de datos de caudal medio

diario dado que presentó el 85.16% de completitud (1555 datos registrados de 1826). En la Tabla 2

se puede observar el grado de completitud de la estación Paso del Colegio (21077020) para cada uno

de los años de calibración.

Tabla 1. Estimación de efecto macroclimático para años de calibración con ONI

ENSO

Type Season JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ

WE 2006 - 2007 0.1 0.3 0.5 0.7 0.9 0.9 0.7 0.3 0 -0.2 -0.3 -0.4

SL 2007 - 2008 -0.5 -0.8 -1.1 -1.4 -1.5 -1.6 -1.6 -1.4 -1.2 -0.9 -0.8 -0.5

WL 2008 - 2009 -0.4 -0.3 -0.3 -0.4 -0.6 -0.7 -0.8 -0.7 -0.5 -0.2 0.1 0.4

ME 2009 - 2010 0.5 0.5 0.7 1 1.3 1.6 1.5 1.3 0.9 0.4 -0.1 -0.6

SL 2010 - 2011 -1 -1.4 -1.6 -1.7 -1.7 -1.6 -1.4 -1.1 -0.8 -0.6 -0.5 -0.4

Adaptado de (Golden Gate Weather Services, 2021)

Tabla 2. Grado de completitud para cada uno de los años de calibración

Año Completitud (%)

2006 100

2007 100

2008 50

2009 75.9

2010 100

Por otro lado, dada la restricción de falta de información de caudal medio diario en la estación Paso

del Colegio (21077020) para el periodo de abril de 2011 al 31 de diciembre de 2016, se escogió como

periodo de validación del 01 de enero de 2006 hasta el 31 de enero de 2020. Lo anterior se decidió

dada la necesidad de ejecutar una validación con el programa HEC HMS en la cual no se podía contar

con la continuidad del registro en los períodos de calibración y verificación. De esta manera, se podría

validar el modelo con los datos del 01 de enero de 2017 hasta el 31 de enero de 2020 sin cortar la

continuidad del periodo de validación. Adicionalmente, en éste periodo era posible validar periodos

del año con La Niña débil (WL), El Niño débil (WE) y periodo neutro. En la Tabla 3 se muestran los

periodos de validación y los eventos macroclimáticos predominantes donde los valores en azul

corresponden a periodos de La Niña y los valores en rojo corresponden a periodos de El Niño.

Adicionalmente, en la Tabla 4 se puede evidenciar el grado de completitud para cada uno de los años

de validación.

21

Tabla 3. Periodos de La Niña, El Niño y neutros en los años de validación.

ENSO

Type Season JJA JAS ASO SON OND NDJ DJF JFM FMA MAM AMJ MJJ

ML 2011 - 2012 -0.5 -0.7 -0.9 -1.1 -1.1 -1 -0.8 -0.6 -0.5 -0.4 -0.2 0.1

2012 - 2013 0.3 0.3 0.3 0.2 0 -0.2 -0.4 -0.3 -0.2 -0.2 -0.3 -0.3

2013 - 2014 -0.4 -0.4 -0.3 -0.2 -0.2 -0.3 -0.4 -0.4 -0.2 0.1 0.3 0.2

WE 2014 - 2015 0.1 0 0.2 0.4 0.6 0.7 0.6 0.6 0.6 0.8 1 1.2

VSE 2015 - 2016 1.5 1.8 2.1 2.4 2.5 2.6 2.5 2.2 1.7 1 0.5 0

WL 2016 - 2017 -0.3 -0.6 -0.7 -0.7 -0.7 -0.6 -0.3 -0.1 0.1 0.3 0.4 0.4

WL 2017 - 2018 0.2 -0.1 -0.4 -0.7 -0.9 -1 -0.9 -0.8 -0.6 -0.4 -0.1 0.1

WE 2018 - 2019 0.1 0.1 0.4 0.7 0.9 0.8 0.8 0.8 0.8 0.8 0.6 0.5

WE 2019 - 2020 0.3 0.1 0.1 0.3 0.5 0.6 0.5 0.6 0.5 0.3 0 -0.3

2020 - 2021 -0.4 -0.6 -1 -1.2 -1.3

Adaptado de (Golden Gate Weather Services, 2021)

Tabla 4. Grado de completitud para cada uno de los años del periodo de validación.

Año Completitud (%)

2006 100

2007 100

2008 50

2009 75.9

2010 100

2011 24.7

2012 0

2013 0

2014 0

2015 0

2016 0

2017 100

2018 100

2019 100

2020 100

4.1.3 Recolección de información del IDEAM

En el caso de estudio se utilizó información de precipitación diaria descargada de la plataforma del

Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM). Lo anterior se realizó

mediante el enlace http://dhime.ideam.gov.co/atencionciudadano/. En este sentido, se tuvo en cuenta

la necesidad de tener información pluviométrica de estaciones tanto dentro como alrededor de la

cuenca con el fin de generar campos de lluvia más acertados para la zona de estudio. Por esta razón,

http://dhime.ideam.gov.co/atencionciudadano/

22

se descargó información pluviométrica diaria de todas las estaciones registrada en la plataforma del

IDEAM de los departamentos de Cauca, Caquetá, Huila y Tolima.

4.1.4 Recolección de información satelital

Para la descarga de información del producto satelital CHIRPS se accedió al enlace

https://data.chc.ucsb.edu/products/CHIRPS-2.0/ el cual se encuentra publicado en la página web de

la Universidad de California en Santa Barbara. Allí se utilizó la información diaria global en formato

tifs y con resolución 0.05°. Posteriormente se descargaron los datos de precipitación diaria para cada

uno de los días del periodo de calibración y validación. Es importante aclarar que los datos de éste

producto satelital también son posibles descargarlos en formato netcdf.

Por su parte, la descarga del producto satelital PERSIANN-CCS se realizó mediante el enlace

https://chrsdata.eng.uci.edu/ el cual corresponde al portal de datos de CHRS. En éste enlace se escogió

como dataset PERSIANN-CCS, time step como diario y domain como país. Finalmente se seleccionó

la opción descargar y se ingresaron tanto los periodos de validación como los de calibración. Los

datos se descargaron en formato Tif pero también pueden ser descargados en formato ArcGrid y

NetCDF.

4.1.5 Identificación de estaciones pluviométricas

Inicialmente se procesaron los datos descargados mediante Python. De esta manera, según las

coordenadas de cada estación se analizó su ubicación en ArcMAP. Luego, subjetivamente se hizo una

selección de las estaciones alrededor de la zona de estudio y finalmente se analizó para estas

estaciones seleccionadas el grado de completitud para cada uno de los años de calibración. Con lo

anterior se escogieron las estaciones que tuvieron mejor registro de datos. En consecuencia, se trabajó

con 172 estaciones pluviométricas de las cuales 57 estaciones quedaron dentro de la cuenca de

estudio. En el Anexo 1. 1 se puede observar el grado de completitud de las estaciones seleccionadas.

Adicionalmente, en la Figura 5 se puede observar la ubicación de las estaciones pluviométricas

seleccionadas.

https://data.chc.ucsb.edu/products/CHIRPS-2.0/

https://chrsdata.eng.uci.edu/

23

Figura 5. Ubicación de estaciones pluviométricas para el periodo de calibración y de validación.

4.1.6 Obtención de campos de lluvia

Para obtener los campos de lluvia diarios con la información de precipitación procesada en Python se

hizo uso de ArcMAP. En este sentido, se programó ArcMAP mediante la librería de arcpy que

funciona con el lenguaje de Python. Con lo anterior, se obtuvieron 1826 campos de lluvia en el

periodo de calibración (2006-2010) y 2192 campos de lluvia en el periodo de validación (2011-2020)

mediante los métodos de interpolación de datos climáticos mostrados a continuación.

4.1.6.1 Distancia inversa ponderada (IDW)

Éste fue un método usado debido a que no se generaban valores negativos de precipitación diaria en

los pixeles después de realizar la interpolación como sí sucedía al utilizar el método de Kriging. De

acuerdo con esto, éste método representó mejor las zonas sin lluvia dado que las interpolaciones no

incluían valores menores a cero. IDW fue usado con el fin de que los pixeles generados en el archivo

raster se superpusieran con la información de los productos satelitales CHIRPS y PERSIANN-CCS.

Para ello, se usó la funcionalidad en ArcMAP de Snap Raster la cual se encuentra en Environment

Settings del método IDW y a su vez en el apartado de Processing Extent. Con lo anterior se aseguró

que los campos de lluvia obtenidos con IDW estuvieran superpuestos a los datos de CHIRPS con una

24

resolución de 0.05° y los otros campos de lluvia también obtenidos con IDW estuvieran superpuestos

a los datos de PERSIANN-CCS con resolución de celda de 0.04°.

Por otro lado, se realizó la estimación de RMSE y valores por default para escoger los parámetros

necesarios al usar éste método los cuales son el poder (Power) y el número de puntos tenidos en

cuenta para la interpolación (n). Primero, para escoger el poder usado en el método IDW se realizaron

pruebas con poderes de 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5 y 5. En ese sentido se evaluaron los resultados

interpolados con respecto a los valores registrados en las estaciones y se estimó el error medio

cuadrático (RMSE) al usar cada uno de los poderes especificados. Lo anterior se realizó

aleatoriamente con varios días de campos de lluvia de IDW y se usó la herramienta de ArcMAP de

Extract values to point con el fin de extraer los valores de las estimaciones de campo de lluvia y

compararlos con los valores registrados en las estaciones y de esta manera poder hacer uso de RMSE.

Éste procedimiento se realizó de acuerdo con lo especificado en el libro GIS ALGORITHMS (Xiao,

2016). Con base en lo anterior se encontró que con la mayoría de las muestras los valores de RMSE

menores se encontraban con poderes de 4 y 4.5 oscilando un poco más arriba o abajo de estos poderes

para un número menor de muestras. En consecuencia, subjetivamente se escogió un poder de 4.5 dado

que se consideró un valor adecuado. Finalmente, para el parámetro del número de puntos tenidos en

cuenta para realizar las interpolaciones (n) se utilizó el valor de default de ArcMAP, es decir, 12.

4.1.6.2 Polígonos de Thiessen

En éste caso no fue necesario usar la superposición de información dado que éste método da como

resultado un archivo tipo shape. En consecuencia, no se hizo uso de la funcionalidad Snap Raster de

ArcMAP. Para generar los polígonos de Thiessen se utilizó a herramienta Create Thiessen Polygons.

4.1.7 Obtención de precipitación media diaria

• Distancia inversa ponderada (IDW)

Para obtener los valores de precipitación media en la cuenca de estudio mediante los campos de lluvia

estimados con el método IDW se realizó un promedio de los valores de precipitación registrados en

los pixeles del archivo raster de campo de lluvia. En este sentido, se utilizó la herramienta Zonal

Statistics as Table con el raster de campo de lluvia y el área de estudio en formato shape de tal manera

que se calculara el promedio de precipitación solamente dentro de la cuenca. Además, estos valores

de precipitación media para cada día se exportaron a Excel mediante la herramienta Table to Excel.

Finalmente, se juntó la información de todos los exceles generados en un solo Excel mediante el

procesamiento de los datos en Python.

25

• Polígonos de Thiessen

Para el cálculo de precipitación media diaria mediante polígonos de Thiessen se hizo uso de la

siguiente ecuación:

�̅� =∑ 𝑃𝑖 ∗ 𝐴𝑖

𝐴𝑇

De esta manera, se ponderó para cada polígono el valor de lluvia registrado y luego de realizar la

sumatoria de las ponderaciones se dividió el valor entre el área total de la cuenca. Esto se realizó para

cada uno de los días tanto de validación como de calibración. Finalmente, los valores de precipitación

media diaria se exportaron a Excel mediante la herramienta Table to Excel. De igual manera que se

realizó con los datos de IDW se juntaron los datos de los exceles en un solo Excel mediante Python.

4.1.8 Comparación de precipitación media diaria con datos de productos

satelitales y de tierra

Para el análisis de comparación de precipitación con campos de lluvia y productos satelitales CHIRPS

y PERSIANN-CCS se evaluaron 3 gráficas: valores de producto satelital vs valor de campo de lluvia,

cercanía de producto satelital vs valor de campo de lluvia y error relativo vs valor de campo de lluvia.

En este aspecto, es importante aclarar que al hablar de cercanía de producto satelital se refiere a la

diferencia entre el valor de precipitación media diaria de campo de lluvia generado por los polígonos

de Thiessen o IDW y el valor del producto satelital CHIRPS o PERSIANN-CCS.

𝐶𝑒𝑟𝑐𝑎𝑛í𝑎 = 𝑡𝑖𝑒𝑟𝑟𝑎 − 𝑠𝑎𝑡é𝑙𝑖𝑡𝑒 { 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑜𝑏𝑟𝑒𝑒𝑠𝑡𝑖𝑚𝑎

𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑢𝑏𝑒𝑠𝑡𝑖𝑚𝑎

Adicionalmente, al hablar de error relativo se refiere a:

𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 =𝑡𝑖𝑒𝑟𝑟𝑎 − 𝑠𝑎𝑡é𝑙𝑖𝑡𝑒

𝑡𝑖𝑒𝑟𝑟𝑎 {

1 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑛𝑜 𝑑𝑒𝑡𝑒𝑐𝑡𝑎 𝑙𝑙𝑢𝑣𝑖𝑎𝐷𝑖𝑣: 0 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑑𝑒𝑡𝑒𝑐𝑡𝑎 𝑙𝑙𝑢𝑣𝑖𝑎 𝑝𝑒𝑟𝑜 𝑛𝑜 𝑙𝑎 ℎ𝑎𝑦

𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑜𝑏𝑟𝑒𝑒𝑠𝑡𝑖𝑚𝑎 𝑙𝑙𝑢𝑣𝑖𝑎 𝑒𝑛 𝑡𝑖𝑒𝑟𝑟𝑎𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑠𝑢𝑏𝑒𝑠𝑡𝑖𝑚𝑎 𝑙𝑙𝑢𝑣𝑖𝑎 𝑒𝑛 𝑡𝑖𝑒𝑟𝑟𝑎

Es importante tener en cuenta que al contar con campos de lluvia generados mediante interpolación

se generan valores menores a cero y en algunos casos estos valores son tan bajos que magnifican el

error relativo. Es decir, al valor de tierra al ser muy bajo y estar en el denominador vuelve muy grande

los valores de error relativo. Dado lo anterior, se realizaron las mismas 3 gráficas adicionalmente

teniendo en cuenta resoluciones de 0.05mm y 0.1mm para valores interpolados. Es decir, para

despreciar el efecto de la magnificación se cambiaron los valores menores a 0.05mm y 0.1mm de

26

campo de lluvia por 0mm. Lo anterior con el hecho de que un pluviómetro no puede registrar valores

menores a la resolución que tiene el equipo de medición. En este sentido, el valor de 0.05mm fue

utilizado basado en la resolución de un pluviómetro de peso (IDEAM, 2016) y 0.1mm fue escogido

como un valor representativo de una baja resolución de pluviómetro. Adicionalmente, el anterior

análisis se realizó tanto para los años de calibración en conjunto, así como para cada uno de los años

de calibración con el fin de determinar si los años de efectos macroclimáticos de La Niña o El Niño

influían en las detecciones de los satélites.

• Distancia inversa ponderada (IDW)

En la Figura 6 y Figura 7 se puede observar qué tan parecidos son los datos del producto satelital

CHIRPS y PERSIANN-CCS con respecto a los valores de campos de lluvia estimados mediante IDW.

De acuerdo con esto, es importante tener en cuenta que los valores en verde, azul y naranja

corresponden a los valores originales, con resolución de 0.05mm y 0.1mm respectivamente.

Adicionalmente, la línea roja corresponde a una línea de 45° la cual indica el comportamiento que se

esperaría tener para éste tipo de gráficas si los datos satelitales fuesen exactamente los mismos a los

datos estimados de campos de lluvia en la cuenca.

Figura 6. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra estimada con IDW.

Figura 7. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en tierra estimada con

IDW

Adicionalmente, siguiendo con la misma gama de colores para los valores originales, de resolución

de 0.05mm y 0.1 mm se puede observar en la Figura 8 y Figura 9 el comportamiento de las cercanías

con respecto a los valores estimados con IDW. Cabe resaltar que las gráficas presentadas

0.00

10.00

20.00

30.00

40.00

50.00

60.00

70.00

0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00

CH

IRP

S [m

m]

TIERRA-CHIRPS IDW [mm]

0.000 5.000 10.000 15.000 20.000 25.000 30.000 35.000

TIERRA-CHIRPS IDW [mm]0.000 5.000 10.000 15.000 20.000 25.000 30.000 35.000


0.00

10.00

20.00

30.00

40.00

50.00

0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00

PE

RSI

AN

N-C

CS

[mm

]




27

corresponden al tiempo de calibración de 2006 a 2010 dado que se presentaban un mejor 𝑅2

globalmente hablando que al evaluar el mismo tipo de gráficas por cada año. Lo anterior es posible

observarlo en la Tabla 5 en la que se muestra el 𝑅2 cuando se tiene en cuenta solamente el año con

efecto de La Niña o El Niño.

Figura 8. Diferencia entre datos de CHIRPS y datos estimados en tierra con IDW vs CHIRPS.

Figura 9. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con IDW vs PERSIANN-CCS

Tabla 5. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos estimados en tierra con

IDW vs producto satelital al tener en cuenta todo el periodo de calibración y cada año por separado.

Año Efecto

macroclimático

R2

CHIRPS PERSIANN-CCS

Calibración 0.6689 0.4848

2006 Niño débil 0.6659 0.4002

2007 Niña fuerte 0.6601 0.3154

2008 Niña débil 0.7220 0.4989

2009 Niño moderado 0.6934 0.5529

2010 Niña fuerte 0.6067 0.5670

Finalmente, en la Figura 10 y Figura 11 se puede observar para diferentes resoluciones y datos

originales cómo se comporta el error relativo con respecto a los datos estimados de campos de lluvia

de IDW.

y = -0.7994x + 3.581R² = 0.6689

-70.00

-60.00

-50.00

-40.00

-30.00

-20.00

-10.00

0.00

10.00

20.00

30.00

40.00

0.00 20.00 40.00 60.00

CER

CA

NÍA

TIE

RR

A -

CH

IRPS

[m

m]

CHIRPS [mm]

y = -0.7994x + 3.5808R² = 0.6689

0.00 20.00 40.00 60.00

CHIRPS [mm]

y = -0.7993x + 3.5799R² = 0.6688

0.00 20.00 40.00 60.00

CHIRPS [mm]

0.000

y = -0.7372x + 3.5722R² = 0.4832

-40.00

-30.00

-20.00

-10.00

0.00

10.00

20.00

30.00

40.00

0.00 10.00 20.00 30.00 40.00 50.00

CER

CA

NÍA

TIE

RR

A-P

ER

SIA

NN

CC

S [m

m]

PERSIANN-CCS [mm]

y = -0.7376x + 3.5756R² = 0.4848

0.00 10.00 20.00 30.00 40.00 50.00

PERSIANN-CCS [mm]

y = -0.7375x + 3.5748R² = 0.4847

0.00 10.00 20.00 30.00 40.00 50.00

PERSIANN-CCS [mm]

28

Figura 10. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por IDW.

Figura 11. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en tierra por IDW.

• Polígonos de Thiessen

En la Figura 12 y Figura 13 se pueden observar las gráficas del producto satelital CHIRPS y

PERSIANN-CCS en comparación con las estimaciones de precipitación en tierra por medio de

interpolación con Polígonos de Thiessen. Los puntos verdes corresponden a los valores originales,

los puntos azules a los valores con resolución de datos de tierra de 0.05mm y los puntos naranjas a

los valores con resolución de 0.1mm. Cada punto corresponde a un día en el periodo de calibración,

es decir que cada gráfica tiene 1826 datos. Finalmente, la línea roja corresponde al comportamiento

de los datos si la estimación de los productos satelitales fuera exactamente igual a los datos registrados

en tierra.

-160.00

-140.00

-120.00

-100.00

-80.00

-60.00

-40.00

-20.00

0.00

20.00

0.00 10.00 20.00 30.00 40.00

ER C

HIR

PS

[mm

]

TIERRA-CHIRPS IDW [mm]-80.00

-70.00

-60.00

-50.00

-40.00

-30.00

-20.00

-10.00

0.00

10.00

0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00


-40.00

-30.00

-20.00

-10.00

0.00

10.00

0.00 10.00 20.00 30.00 40.00


-120.00

-100.00

-80.00

-60.00

-40.00

-20.00

0.00

20.00

0.00 10.00 20.00 30.00 40.00

ER

PE

RSI

AN

N [

mm

]


-100.00

-80.00

-60.00

-40.00

-20.00

0.00

20.00

0.00 10.00 20.00 30.00 40.00

TIERRA-CHIRPS IDW [mm] -70.00

-60.00

-50.00

-40.00

-30.00

-20.00

-10.00

0.00

10.00

0.00 10.00 20.00 30.00 40.00


29

Figura 12. Comparación entre valores de producto satelital CHIRPS con precipitación en tierra estimada con Polígonos

de Thiessen

Figura 13. Comparación entre valores de producto satelital PERSIANN-CCS con precipitación en tierra estimada con

Polígonos de Thiessen

En la Figura 14 y Figura 15 se evidencia la diferencia entre datos de los productos satelitales y los

datos de tierra estimados con Polígonos de Thiessen al evaluar varios valores del producto satelital

CHIRPS y PERSIANN-CCS. Los puntos verdes corresponden a los datos originales y los puntos

azules y naranjas a los valores con resolución 0.05mm y 0.1mm respectivamente. Estas gráficas se

elaboraron con todo el periodo de calibración dado que se tenía un comportamiento global mejor que

el comportamiento en cada uno de los años. En este sentido, el 𝑅2 global tuvo un mejor

comportamiento que al observar cada uno de los años al tratar de evaluar si se tenía un efecto mejor

diferenciando cada año con el respectivo evento El Niño o La Niña. Lo anterior se puede evidenciar

en la Tabla 6. Cabe resaltar que la tabla mostrada se construyó con base a los valores de resolución

0.05mm dado que con esta resolución se mejoraban los errores relativos.

Figura 14. Diferencia entre datos de CHIRPS y datos estimados en tierra con Polígonos de Thiessen vs CHIRPS

0.00

10.00

20.00

30.00

40.00

50.00

60.00

70.00

0.00 10.00 20.00 30.00

CHIR

PS

[mm

]

THIESSEN-TIERRA [mm]0.000 5.000 10.000 15.000 20.000 25.000 30.000

THIESSEN-TIERRA [mm]

0.000 5.000 10.000 15.000 20.000 25.000 30.000


0.000

5.000

10.000

15.000

20.000

25.000

30.000

35.000

40.000

45.000

0.00 5.00 10.00 15.00 20.00 25.00 30.00

PE

RS

IAN

N-C

CS

[mm

]




y = -0.8157x + 3.3467R² = 0.7066

-70.00

-60.00

-50.00

-40.00

-30.00

-20.00

-10.00

0.00

10.00

20.00

30.00

40.00

0.00 20.00 40.00 60.00

CER

CAN

ÍA T

IER

RA

-CH

IRP

S [m

m]

CHIRPS [mm]

y = -0.8157x + 3.3465R² = 0.7066

0.00 20.00 40.00 60.00

CHIRPS [mm]

y = -0.8156x + 3.3455R² = 0.7065

0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00

CHIRPS [mm]

30

Figura 15. Diferencia entre datos de PERSIANN-CSS y datos estimados en tierra con Polígonos de Thiessen vs

PERSIANN-CCS

Tabla 6. Comportamiento de 𝑅2 al evaluar la diferencia entre datos de producto satelital y datos estimados en tierra con

Polígonos de Thiessen vs producto satelital al tener en cuenta todo el periodo de calibración y cada año por separado.

Año Efecto

macroclimático

R2

CHIRPS PERSIANN-CCS

Calibración 0.7066 0.5320

2006 Niño débil 0.7082 0.4585

2007 Niña fuerte 0.6893 0.3534

2008 Niña débil 0.7505 0.5368

2009 Niño moderado 0.7343 0.6036

2010 Niña fuerte 0.6567 0.6166

Finalmente, en la Figura 16 y Figura 17 se puede observar el error relativo con los productos

satelitales CHIRPS y PERSIANN-CSS con respecto a los valores estimados de tierra con Polígonos

de Thiessen donde los valores en verde, azul y naranja corresponden a los datos originales, con

resolución de 0.05mm y 0.1mm respectivamente.

Figura 16. Error relativo con datos del producto satelital CHIRPS vs datos de estimación en tierra por Polígonos de

Thiessen.

y = -0.7603x + 3.3446R² = 0.532

-40.00

-30.00

-20.00

-10.00

0.00

10.00

20.00

30.00

40.00

0.000 10.000 20.000 30.000 40.000

CER

CAN

ÍA T

IER

RA

-PER

SIA

NN

CCS

[mm

]

PERSIANN-CCS [mm]

y = -0.7603x + 3.3444R² = 0.532

0.000 10.000 20.000 30.000 40.000

PERSIANN-CCS [mm]

y = -0.7602x + 3.3434R² = 0.5319

0.000 10.000 20.000 30.000 40.000

PERSIANN-CCS [mm]

-850.00

-750.00

-650.00

-550.00

-450.00

-350.00

-250.00

-150.00

-50.00

50.00

0.00 10.00 20.00 30.00

ER C

HIR

PS

[ad

ime

nsi

on

al]

THIESSEN-TIERRA [mm]-80.00

-70.00

-60.00

-50.00

-40.00

-30.00

-20.00

-10.00

0.00

10.00

0.00 5.00 10.00 15.00 20.00 25.00 30.00

THIESSEN-TIERRA [mm] -45.00

-40.00

-35.00

-30.00

-25.00

-20.00

-15.00

-10.00

-5.00

0.00

5.00

0.00 5.00 10.00 15.00 20.00 25.00 30.00


31

Figura 17. Error relativo con datos del producto satelital PERSIANN-CCS vs datos de estimación en tierra por Polígonos

de Thiessen.

4.1.9 Corrección de valores de productos satelitales de precipitación

Con el fin de modificar los datos de los productos satelitales CHIRPS y PERSSIAN-CCS y analizar

si esta modificación proporciona mejores resultados en las simulaciones de HEC-HMS, se utilizó la

regresión lineal de la gráfica de cercanía vs producto satelital del método de interpolación con el

mejor 𝑅2. En este sentido, se utilizaron las regresiones lineales del método de Polígonos de Thiessen

con resolución 0.05mm dado que, primero, con esta resolución se mejoraban los errores relativos y,

segundo, los 𝑅2 eran más altos con Polígonos de Thiessen en comparación con IDW. Lo anterior

dado que mientras con IDW el 𝑅2era de 0.6689 y 0.4848 con CHIRPS y PERSIANN-CCS, con

Polígonos de Thiessen era de 0.7066 y 0.5320 respectivamente. Adicionalmente se utilizó una

regresión lineal debido a que como se muestra en las gráficas de cercanía, esta regresión se ajusta

adecuadamente a los datos. En la Tabla 7 se muestran las ecuaciones a usar para modificar los datos

de los productos satelitales.

Tabla 7. Regresiones lineales de modificación para los datos de producto satelital CHIRPS y PERSIANN-CCS.

Dato para modificar Polígonos de Thiessen R2

CHIRPS Y = -0.8157X +3.3465 0.7066

PERSIANN-CCS Y = -0.7603X +3.3444 0.5320

De acuerdo con esto, la modificación a realizar corresponde a:

𝑀𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑎𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑖 = 𝐷𝑎𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑖 + 𝑌

Donde,

-4000.00

-3500.00

-3000.00

-2500.00

-2000.00

-1500.00

-1000.00

-500.00

0.00

500.00

0.00 10.00 20.00 30.00 40.00

ER

PE

RS

IAN

N-C

CS [

adim

ensi

on

al]


-100.00

-80.00

-60.00

-40.00

-20.00

0.00

20.00

0.00 10.00 20.00 30.00 40.00


-25.00

-20.00

-15.00

-10.00

-5.00

0.00

5.00

0.00 10.00 20.00 30.00 40.00


32

𝑖 = 𝐷í𝑎 1,2,3 … 𝑛

𝑌 = 𝑅𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙 𝑑𝑒 𝑙𝑎 Tabla 7

𝑋 = 𝐷𝑎𝑡𝑜 𝑠𝑎𝑡𝑒𝑙𝑖𝑡𝑎𝑙 𝑖

4.2 Uso de HEC HMS

4.2.1 Identificación de los modelos a evaluar

En la Tabla 8 se presentan los modelos evaluados en HEC HMS, los cuales fueron calibrados y

verificados.

Tabla 8. Especificación de los modelos a evaluar a calibrar en HEC HMS.

Modelo Nombre Descripción

1 Precipitación CHIRPS Modelo en el cual se usa datos de lluvia de CHIRPS sin

realizar ninguna modificación

2 Precipitación PERSIANN-CCS Modelo en el cual se usa datos de lluvia de

PERSIANN-CCS sin realizar ninguna modificación

3 Precipitación CHIRPS

modificado Modelo en el cual se usa datos de lluvia de CHIRPS

luego de realizar las modificaciones de la sección 4.1.9

4 Precipitación PERSIANN- CCS

modificado

Modelo en el cual se usa datos de lluvia de

PERSIANN-CCS al realizar las modificaciones de la

sección 4.1.9

5 Precipitación THIESSEN Modelo en el cual se usa datos de campos de lluvia

interpolados con Polígonos de Thiessen

4.2.2 Recolección de información del IDEAM y estimación de

evapotranspiración

En esta etapa se realizó la recolección de datos de precipitación media diaria para el periodo de

validación del 01 de enero de 2011 al 31 de enero de 2020 adicional de 01 de enero de 2010 al 31 de

diciembre de 2010. Esta recolección se hizo mediante la descarga de datos en la plataforma del

IDEAM mencionada en la sección 4.1.3. Luego, se procesaron los datos en Python para obtener la

información de precipitación de las 172 estaciones pluviométricas escogidas en el periodo de

calibración. Es importante aclarar que en el periodo de validación se dispuso de información más

incompleta que para algunos años en las 172 estaciones consideradas en el periodo de calibración.

Lo anterior, dado que la fecha de registro de algunas estaciones es variable por la suspensión de las

mismas e instalación de nuevas estaciones. En el Anexo 1. 2 se incluyen las estaciones utilizadas y

su grado de completitud para cada uno de los años de validación en donde las estaciones con toda la

fila en rojo corresponden a las estaciones que se dejaron de usar en el periodo de validación. Cabe

recalcar que la disminución de estaciones usadas en el periodo de validación no afecta en la ejecución

33

de los Polígonos de Thiessen por ArcMAP en el sentido operacional del código previamente

programado, sino solamente en la cantidad de polígonos de cada día dentro de la cuenca de estudio.

En la Figura 5 se muestra la ubicación de las estaciones utilizadas en el periodo de validación.

Por otro lado, para la estimación de evapotranspiración se usó el programa PETP V2.0.0. En virtud

de ello para su uso y con el fin de estimar la evapotranspiración aproximadamente con 19 métodos

distintos se obtuvo información de temperatura media, máxima y mínima mensual multianual, horas

al sol o brillo solar multianual, precipitación media mensual multianual, radiación solar multianual,

velocidad del viento multianual y humedad relativa media y mínima multianual. En consecuencia,

con base a la información registrada en el IDEAM ésta se descargó como se muestra en la Tabla 9

para luego ser procesada mediante Python y estimar la variable requerida.

Tabla 9. Parámetro descargado en el IDEAM para obtener el parámetro buscado.

Parámetro buscado Parámetro descargado

Temperatura media mensual Temperatura seca a las 700 1300 y 1800

Temperatura máxima mensual Temperatura seca máxima diaria

Temperatura mínima mensual Temperatura seca mínima diaria

Radiación solar Radiación solar global diaria validada

Humedad relativa media Humedad relativa calculada mínima mensual

Humedad relativa mínima Humedad relativa del aire a z metros media mensual

Velocidad del viento Velocidad vectorial del viento media mensual convencional

• Brillo solar mensual multianual

Para la información de brillo solar se usó la información publicada en el Atlas Interactivo (IDEAM,

n.d.) del IDEAM, donde se ubicaron las estaciones registradas en el documento y se eligieron aquellas

que estuviesen dentro de la cuenca de estudio. En este sentido se usaron 7 estaciones para éste

parámetro dentro de la cuenca de estudio y con base a estas estaciones se calculó el promedio entre

sus datos para obtener el estimativo final a usar. En el Anexo 2. 1 se incluyen el nombre de las

estaciones y el periodo de registro de datos de cada una.

• Radiación solar mensual multianual

La información de radiación solar se procesó en Python para obtener la radiación solar media mensual

para cada uno de los meses del año. En ese sentido solo se usó una estación con código 21015030

dado que fue la única que se encontraba dentro de la cuenca de estudio. Así, se descargó la

información para todo el periodo de registro, es decir, aproximadamente para 14 años. En Python se

34

organizó la información para tener la radiación solar de cada mes para cada uno de los años de periodo

de registro y luego se calculó el promedio de la radiación solar de cada mes.

• Velocidad del viento mensual multianual

Solo se utilizó la información de una estacion con código 21015030 dado que era la única de cuatro

estaciones dentro de la cuenca de estudio con más de 10 años de periodo de registro al tener 17 años.

De acuerdo con esto, en Python se procesó los datos para calcular el promedio de cada mes de los

años de registro y así obtener la velocidad del viento media mensual.

• Temperatura media mensual multianual

Se utilizaron 10 estaciones dentro de la cuenca de estudio cada una con todo el periodo de registro

disponible de las cuales 1 se ubica en el departamento del Cauca. En el Anexo 2. 2 se listan las

estaciones utilizadas, así como el periodo de registro y su ubicación. Los datos fueron procesados en

Python para la temperatura media mensual como se establece en el IDEAM mediante la siguiente

fórmula:

𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑖𝑎𝑟𝑖𝑎 =𝑡07+𝑡13+𝑡18

3 (IDEAM, 2018)

Adicionalmente se verificó que efectivamente la última hora de medición fuese a las 18:00 horas,

pero en caso de que la última hora de medición fuese a las 19:00 horas se especificó la siguiente

fórmula:

𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑖𝑎𝑟𝑖𝑎 =𝑡07+𝑡13+2∗𝑡19

4 (IDEAM, 2018)

En este sentido, luego de obtener la temperatura diaria, se calculó la temperatura media mensual para

cada mes y en cada estación. Posteriormente se realizó un promedio de la temperatura media mensual

en cada estación con todos los años de registro. Finalmente se calculó el promedio del valor anterior

con todas las estaciones.

• Humedad relativa mínima mensual multianual

Se utilizaron 11 estaciones de las cuales 2 se encontraban ubicadas en el Cauca. La información se

tomó para todo el periodo de registro de cada estación. En el Anexo 2. 3 se puede encontrar el código

de las estaciones usadas, así como el periodo de registro de cada una y su ubicación. Los datos fueron

procesados en Python en donde se calculó el promedio en cada estación de la humedad relativa

mínima mensual con todos los años de registro y luego se calculó un promedio con todas las

estaciones usadas.

35

• Precipitación media mensual multianual

Mediante Python se procesaron los datos de precipitación media diaria obtenida con los campos de

lluvia y productos satelitales para estimar la precipitación media mensual multianual. De esta manera,

dependiendo del modelo a calibrar se ingresó en el programa PETP V2.0.0 la información de

precipitación correspondiente a cada modelo tal como se especifica en la Tabla 8.

• Temperatura mínima y máxima mensual multianual

Se usaron 10 estaciones de las cuales 1 estuvo ubicada en el Cauca. Los datos se procesaron mediante

Python. Allí se determinó el mínimo y máximo de cada mes en cada año de periodo de registro de

cada estación. Posteriormente en cada estación se calculó el promedio de los mínimos y máximos de

cada mes en cada caño. Luego se promediaron los valores de todas las estaciones para cada mes. En

el Anexo 2. 4 se encuentran las estaciones usadas para calcular la temperatura mínima y máxima

mensual multianual en la cuenca de estudio, así como el periodo de registro de cada una de ellas y su

ubicación.

• Humedad relativa media mensual multianual

Se usaron 5 estaciones ubicadas en la zona de estudio. Se descargaron datos de todo el periodo de

registro de cada estación. Asimismo, se usó Python para procesar los datos de tal manera que se

calculara el promedio mensual de humedad relativa media de todas las estaciones. En el Anexo 2. 5

se incluye el código de las estaciones usadas, así como la ubicación y el periodo de registro de cada

una.

Posteriormente, los datos de los parámetros procesados se ingresaron al programa PETP V2.0.0 con

lo cual se estimaron con aproximadamente 19 métodos distintos la evapotranspiración diaria

promedio multianual para cada uno de los meses. Luego se calculó el promedio de todos los métodos

para cada mes. Después, aquellos valores se multiplicaron por el número de días que tiene cada mes

para obtener la evapotranspiración mensual multianual. Para los modelos 1, 3, 4 y 5 el programa

arrojó los mismos valores de evapotranspiración los cuales se pueden visualizar en la Figura 18,

mientras que para el modelo 2 los valores de evapotranspiración correspondieron a los mostrados en

la Figura 19.

36

Figura 18. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para los modelos 1,3,4 y 5.

Figura 19. Valores de evapotranspiración estimados por el programa PETP V2.0.0 para el modelo 2.

4.2.3 Preparación del modelo en HEC HMS

El modelo en HEC HMS se generó mediante ArcMAP con la extensión de HEC-GeoHMS versión

10.7 y Arc Hydro Tools. En este sentido fue necesario un DEM del modelo digital del terreno (MDT).

Para ello se descargó información satelital del modelo digital de terreno con resolución de 12 metros

en ASF data search consignado en siguiente enlace https://search.asf.alaska.edu/#/. Allí se

descargaron varias capas MDT ubicadas dentro del área de estudio y posteriormente se unieron con

la herramienta Mosaic To New Raster en ArcMAP. Lo anterior se hizo con el fin de tener un MDT

mejor que el generado con las curvas de nivel a escala 1:100.000.

En el ANEXO 3 se incluye el procedimiento ejecutado en HEC-GeoHMS para generar los

componentes de los modelos es decir el modelo de la cuenca, el modelo meteorológico, las

Evapotranspiración

Promedio mm/mes

Enero 111.996

Febrero 102.901

Marzo 105.955

Abril 102.469

Mayo 104.338

Junio 95.861

Julio 94.901

Agosto 100.530

Septiembre 110.704

Octubre 113.268

Noviembre 106.879

Diciembre 110.558

Mes

Evapotranspiración

Promedio mm/mes

Enero 109.923

Febrero 101.513

Marzo 104.965

Abril 102.590

Mayo 105.412

Junio 97.304

Julio 96.084

Agosto 100.976

Septiembre 110.084

Octubre 111.899

Noviembre 105.403

Diciembre 108.617

Mes

https://search.asf.alaska.edu/#/

37

especificaciones de control y los datos de series de tiempo. En virtud de ello, para el modelo de la

cuenca se trabajó con 10 subcuencas. En la Figura 20 se muestra el modelo de la cuenca generado

para HEC HMS.

Figura 20. Modelo de la cuenca para cada uno de los modelos a evaluar en la Tabla 8.

Por otro lado, en cada pluviómetro de cada subcuenca se ingresó el mismo valor de precipitación

diaria especificado en el correspondiente modelo de la Tabla 8.

4.2.4 Calibración

En cada subcuenca para Canopy, Surface, Loss, Transform y Baseflow se usó el método de Simple

Canopy, Simple Surface, Déficit and Constant, SCS Unit Hydrograph y Recession respectivamente.

En relación con ello, estos métodos fueron escogidos por simplicidad de sus parámetros a calibrar.

Por otro lado, para todos los Reach se usó el método de Muskingum como Routing Method. Cada

uno de los parámetros a calibrar se calibraron mediante Optimization Trials. Esta herramienta en el

programa HEC HMS se utilizó múltiples veces para cada uno de los parámetros con iteraciones de

100, 1000 y 10000 y tolerancia de 0.01. Así mismo, se usaron los valores máximos y mínimos por

defecto para cada uno de los parámetros. Adicionalmente, para cada parámetro se minimizaron el

estadístico de raíz del error cuadrático medio, varianza de los residuos al cuadrado, suma de los

38

residuos al cuadrado y la media del residual al cuadrado. Asimismo, se usó la maximización del

volumen de la descarga y del coeficiente de Nash Sutcliffe.

4.2.5 Validación

La validación para cada uno de los modelos se realizó de manera corrida incluyendo el periodo de

calibración debido a que luego del periodo de calibración no se contaba con datos de información de

caudales. En consecuencia, se realizó una corrida continua incluyendo el periodo de calibración hasta

enero de 2020, tomando como período de verificación de 2017 a enero de 2020, puesto que en éste sí

existen datos de caudal en la estación Paso del Colegio. En esta etapa solamente se cambió en cada

modelo los datos de precipitación y caudal de 2006 hasta enero de 2020.

5. Resultados y análisis de resultados

• Relaciones de corrección de información satelital de precipitación

Lo análisis de comparación entre información de producto satelital y estimación de campos de lluvia

con información de estaciones pluviométricas arrojaron que no siempre hay relación entre lo que

registra el producto satelital y la estimación en tierra mediante Polígonos de Thiessen o IDW como

se puede observar en la Figura 6, Figura 7, Figura 12 y Figura 13. Lo anterior, no solamente puede

deberse a la calidad de los productos satelitales CHIRPS y PERSIANN CCS sino también esto puede

estar influenciado al tipo de interpolación de campos de lluvia y a los parámetros ingresados para su

estimación.

La evaluación de relación entre las cercanías, tierra-satélite, y datos de productos satelitales mejoró

en ambos casos, Polígonos de Thiessen e IDW, para el producto satelital CHIRPS más que para

PERSIANN CCS. Esto puede evidenciarse en la Figura 9, Figura 8, Figura 9, Figura 14 y Figura 15

para todas las resoluciones dado que el coeficiente de determinación siempre fue mayor en las

relaciones con CHIRPS que con PERSIANN CCS. Lo anterior indica que la información de CHIRPS

se acomoda mejor al área de estudio en comparación con PERSIANN CSS. Paralelamente, en la

Tabla 5 y Tabla 6 se puede evidenciar lo anterior al evaluar los datos de cada año por separado. Así

mismo, se puede evidenciar en estas tablas que no existe una clara relación de mejora de los R2 si se

evalúa cada año por separado relacionado con un efecto macroclimático. En este sentido, resulta

mejor evaluar los datos globalmente que en cada año al conseguir un R2 global, para todos los años

de calibración, más alto que en algunos años específicos.

Por otro lado, se consiguieron mejores resultados para las estimaciones de campo de lluvia con

Polígonos de Thiessen que con IDW. Esto se puede evidenciar en la Tabla 5 y Tabla 6 dado que para

todos los años se obtuvo un R2 mejor en los dos productos satelitales cuando se estimó la precipitación

39

en tierra con Polígonos de Thiessen en comparación con IDW. Cabe resaltar que, aunque el método

de Polígonos de Thiessen fue un buen estimativo, el método IDW es más complejo dado que le asigna

un poder al estimativo interpolado el cual entre mayor sea resulta en mayor énfasis a los puntos

cercanos en comparación a los lejanos. De acuerdo con ello, aún es importante seguir evaluando el

método IDW con otros valores de poder y n antes de descartar el método como un mal estimativo.

Por otro lado, por medio las gráficas de cercanía como se muestra en las Figura 8, Figura 9, Figura

14 y Figura 15, así como en las gráficas de error relativo mostradas en la Figura 10, Figura 11, Figura

16 y Figura 17 se puede observar que los valores de satélite sobrestiman los valores estimados con

campos de lluvia en tierra. Lo anterior, implica que las correcciones en la información satelital

podrían ser de utilidad en las estimaciones de precipitación por productos satelitales. Sin embargo,

en la corrección planteada en la Tabla 7 valdría la pena añadir un condicional en el cual se tenga una

precipitación de 0mm cuando el producto satelital y la estimación de campo de lluvia en tierra sea

0mm. Lo anterior, dado que se cae en la falencia de sobreestimar aquellos valores de precipitación de

0mm en la cuenca al intentar mejorar globalmente las estimaciones de información de producto

satelital CHIRPS y PERSIANN CCS.

• Uso de HEC HMS

En la Tabla 10 se presenta el valor del coeficiente de Nash Sutcliffe logrado mediante la calibración

para cada uno de los modelos.

Tabla 10. Valores finales de coeficiente de Nash Sutcliffe en la calibración para los 5 modelos evaluados en HEC HMS

Modelo Nash Sutcliffe Nombre

1 0.351 Precipitación CHIRPS

2 0.135 Precipitación PERSIANN-CCS

3 0.325 Precipitación CHIRPS modificado

4 0.153 Precipitación PERSIANN-CCS modificado

5 0.395 Precipitación THIESSEN

Al evaluar los parámetros se observó que algunos de los parámetros más sensibles del modelo en las

cuencas correspondían al Crop Coefficient en Canopy, Constant rate en Loss e Initial Discharge y

Recession Constant en Baseflow. Adicionalmente en los Reach los parámetros más sensibles

correspondían a Muskingum K y X. En este sentido, estos coeficientes mejoraban o empeoraban más

el coeficiente de Nash Sutcliffe al cambiar tan solo un poco su valor. En el ANEXO 4 se incluyen los

valores calibrados de los modelos evaluados en HEC HMS.

40

Como se puede observar en la Tabla 10 los parámetros calibrados no fueron los más apropiados dado

que los coeficientes de Nash Sutcliffe no fueron altos en todos los casos. Esto se debió a la falta de

un análisis de sensibilidad más robusto para cada uno de los parámetros analizados en las subcuencas.

En consecuencia, es necesario el uso de métodos como el de Monte Carlo para mejorar la calibración

de los modelos ya que en estos métodos según el número de iteraciones se realiza un número de

simulaciones con las cuales se puede identificar los valores óptimos de cada parámetro.

A continuación, se puede observar los coeficientes de Nash Sutcliffe para la validación de cada uno

de los modelos.

Tabla 11. Valores finales de coeficiente de Nash Sutcliffe en la validación para los 5 modelos evaluados en HEC HMS

Modelo Nash Sutcliffe Nombre

1 0.081 Precipitación CHIRPS

2 -0.163 Precipitación PERSIANN-CCS

3 -0.234 Precipitación CHIRPS modificado

4 -0.142 Precipitación PERSIANN-CCS modificado

5 0.160 Precipitación THIESSEN

Como se puede observar en la Tabla 11 los coeficientes de Nash Sutcliffe disminuyeron con respecto

a la calibración. Lo anterior era de esperarse, y el hecho de que tres de estos valores sean negativos

indican una pobre representación de los datos observados de caudal por parte de los modelos. Lo

anterior puede sugerir que se podría evaluar en mayor detalle el comportamiento de los modelos en

los cuales se hizo la corrección de información satelital. En las gráficas siguientes se puede observar

el comportamiento en los caudales a lo largo de los años de análisis tanto para el periodo de

calibración como para el de validación.

41

Modelo 1

Figura 21. Caudales simulados vs caudales observados a la salida de la cuenca para la calibración del modelo 1.

Figura 22. Caudales simulados vs caudales observados a la salida de la cuenca para la validación del modelo 1.

La información del producto satelital CHIRPS mostró mejores resultados en comparación con el

producto satelital PERSIANN CCS. Esto se confirma en el comportamiento de los datos en la primera

parte de éste estudio y en la facilidad para mejorar la calibración mediante Optimization Trials hasta

un coeficiente de Nash Sutcliffe de 0.351, como se muestra en la Tabla 10. Así mismo se puede

observar en la Tabla 11 que el comportamiento en la validación de los datos no disminuyó

42

radicalmente, con lo cual, con una mejora en la calibración podría mejorar los estimativos de caudal

a la salida de la cuenca.

Modelo 2



Como se puede ver en la Figura 23 y Figura 24 no se tiene una buena representación del caudal con

el producto satelital PERSIANN CCS lo que concuerda con el coeficiente de Nash Sutcliffe de la

Tabla 10 y Tabla 11. Esto se debe a la falta de una calibración más robusta de los parámetros mediante

métodos en donde se pueda identificar los valores óptimos. En este sentido, es importante investigar

43

sobre la herramienta Uncertainty Anayses de HEC HMS con la cual se buscan los valores óptimos de

los parámetros mediante análisis de Monte Carlo.

Modelo 3



Los resultados obtenidos para la evaluación del modelo con información satelital CHIRPS modificada

mediante regresiones lineales de la Tabla 7 no produjo buenos resultados por deficiencias de

calibración de los parámetros y por la falta del condicional que tuviese en cuenta la comparación entre

44

valores de producto satelital y campos de lluvia con un valor de 0mm. De acuerdo con esto, la falta

de comparación de valores de producto satelital y campos de lluvia de 0mm antes de implementar

una corrección puede generar dificultades en la calibración y su efecto que se observa en la línea

horizontal en los caudales simulados de la Figura 26.

Modelo 4



45

El modelo 4 de producto satelital PERSIANN CCS presenta la misma deficiencia que el modelo

CHIRPS modificado posiblemente debido a la falta de corrección adecuada de los valores de producto

satelital de 0mm que son iguales a los estimados de tierra con campos de lluvia. Adicionalmente,

sería de utilidad no solamente no modificar aquellos valores, sino también, antes de realizar la

modificación con regresiones lineales, verificar si los datos de producto satelital e información de

campo de lluvia son suficientemente parecidos para aplicar la respectiva modificación.

Modelo 5



46

Finalmente, el modelo 5 con información de precipitación de polígonos de Thiessen fue el de mejor

coeficiente de Nash Sutcliffe, obteniéndose con las mejoras de Optimization Trials. Así mismo fue el

modelo que menor disminución de Nash Sutcliffe tuvo en el periodo de validación como se puede

observar en la Tabla 10 y Tabla 11. Aun así, esto no es suficiente para afirmar que se obtienen mejores

estimaciones lluvia escorrentía con Polígonos de Thiessen dado que aún se podría mejorar las

estimaciones con el método IDW mediante un mayor análisis en el parámetro de poder. Asimismo,

las calibraciones con análisis de sensibilidad para cada parámetro podrían ser factores que pueden

cambiar el modelo con mejor coeficiente de Nash Sutcliffe.

6. Conclusiones

A lo largo del estudio se obtuvieron mejores resultados con el producto satelital CHIRPS que con

PERSSIANN CCS. Así mismo, se lograron mejores resultados mediante campos de lluvia generados

con Polígonos de Thiessen que con IDW. Sin embargo, el método IDW puede seguir siendo de interés

al utilizar otras alternativas para sus estimaciones mediante otros valores de poderes no solo para

muestras aleatorias sino para todos los datos de estudio.

Vale la pena seguir estudiando los datos del producto satelital PERSSIANN CSS, a pesar de que los

datos de CHIRPS arrojaron mejores resultados, dado que estos son datos que se obtienen en tiempo

casi real con aproximadamente 1 hora de retraso. Por esto, éste producto satelital sería de bastante

utilidad en el campo de modelos predictivos para alerta temprana de inundaciones.

Las regresiones lineales obtenidas para la modificación de los datos satelitales podrían ser de utilidad,

a pesar de los deficientes resultados de simulación de caudales. Sin embargo, antes de aplicarlas es

necesario confirmar que los datos de producto satelital y campos de lluvia no sean parecidos o de

0mm.

Las estimaciones de evapotranspiración por medio de diferentes fórmulas pueden constituir una

buena aproximación. Sin embargo, sus resultados pueden verse afectados cuando se tienen tan pocas

estaciones para algunos parámetros como velocidad del viento y radiación solar dado que sesgan los

datos en un punto una zona específica para toda la cuenca de estudio. En este sentido, las estimaciones

de evapotranspiración mediante información satelital podrían evaluarse con el fin de analizar si se

mejora el resultado de los 5 modelos.

Es necesario seguir calibrando los 5 modelos con métodos más robustos como el método de Monte

Carlo. En relación con esto, es necesario estudiar el uso de la herramienta Uncertainty Analyses para

encontrar el óptimo de cada parámetro y así lograr mejores coeficientes de Nash Sutcliffe. En

47

consecuencia, se conseguirían mejores modelos potencialmente predictivos para análisis posteriores

para alerta temprana de inundaciones.

7. Recomendaciones

Con el fin de intentar mejorar la calidad de los campos de lluvia de tierra mediante el método IDW

se recomienda realizar un análisis a mayor profundidad con todos los datos de estudio y no solamente

con fechas aleatorias. De acuerdo con esto, sería posible realizar la misma metodología usada en la

sección 4.1.6.1 para definir el comportamiento de todos los datos con distintos poderes y así

seleccionar el poder que menor RSME proporcione con todos los datos de estudio. Adicionalmente,

éste mismo análisis podría realizarse tanto para los datos de CHIRPS como PERSIANN CCS por

separado, en lugar de hacer el análisis como aquí se realizó, pues fue sólo con CHIRPS y se asumió

el mismo valor de poder para los estimativos de PERSIANN CCS. De esta manera se establecería un

mejor estimativo del poder para cada tipo de producto satelital y los datos de interpolación IDW de

tierra podrían mejorar. Es importante tener en cuenta que lo anterior podría realizarse mediante la

programación de ArcMAP con Python y demorarse solo unos días, pero podría mejorar bastante los

resultados de cercanía vs producto satelital y producto satelital vs datos de tierra.

Se recomienda usar un condicional que tenga en cuenta los valores de 0mm correctamente estimados

por la información de productos satelitales CHIRPS y PERSIANN CCS antes de utilizar las

correcciones propuestas en la Tabla 7, de tal manera, que aquellos valores que sean 0mm tanto en el

producto satelital como en las estimaciones de campo de lluvia no se vean afectados por el punto de

corte de las regresiones lineales y en consecuencia no se sobreestimen. En este sentido, debe tenerse

en cuenta la resolución (0.05mm o 0.1mm) a tolerar de las estimaciones en campos de lluvia con el

fin de que valores menores a la resolución se tomen como 0mm. De igual forma, es necesario antes

de realizar las correcciones mediante regresiones lineales, analizar si los puntos de productos satelital

son relativamente parecidos a los valores de estimación con campos de lluvia con el fin de no

modificarlos.

A pesar de que se usó una herramienta robusta con la cual se estimó con varias variables y fórmulas

la evapotranspiración, es importante tener en cuenta la poca cantidad de información con la que se

contó para algunas variables por ejemplo para velocidad del viento y radiación solar. En este aspecto

se tuvo un comportamiento de estos parámetros en la cuenca sesgado por las pocas estaciones (4

estaciones para velocidad del viento y 1 para radiación solar). Con base a lo anterior sería de utilidad

investigar sobre estimaciones de evapotranspiración mediante información satelital.

48

Es recomendable utilizar métodos de sensibilidad más robustos como por ejemplo el método de

Montecarlo para estimar cada uno de los parámetros usados en HEC HMS en el periodo de

calibración. De esta manera, se lograrían mejores calibraciones para los cinco modelos propuestos.

Para ello, es oportuno estudiar la funcionalidad de la herramienta Uncertainty Analyses en HEC HMS

dado que esta herramienta proporciona un análisis de MonteCarlo para cada parámetro o grupo de

parámetros dependiendo del orden que se considere adecuado. Adicionalmente, es necesario tener en

cuenta que esta herramienta requiere de la distribución probabilística de cada parámetro a evaluar y

debido a esto se requieren parámetros adicionales. Por ejemplo, para la distribución gamma es

necesario conocer los inputs mínimum, máximum, shift, shape y scale. Sin embargo, valdría la pena

investigar más sobre aquella funcionalidad en HEC HMS de tal manera que junto con la funcionalidad

de Optimization Trials se puedan calibrar adecuadamente los modelos para obtener coeficientes de

Nash Sutcliffe altos.

49

8. Bibliografía

AUTORIDAD NACIONAL DE LICENCIAS AMBIENTALES. (2018). REPORTE SUBZONAS

HIDROGRÁFICAS CUENCA ALTA DEL RÍO MAGDALENA.

Bateman, A. (2007). Hidrología básica y aplicada. Brazilian Journal of Biology, 71(1), 241–253.

https://www.upct.es/~minaeees/hidrologia.pdf

Chow, V. Te, Maidment, D. R., & Mays, L. W. (1994). Hidrologia aplicada. McGraw-Hill.

CHRS. (2021). Data Portal CHRS. https://chrsdata.eng.uci.edu/

CORMAGDALENA. (2013). Caracterización física, demográfica, social y económica de los

municipios ribereños de la jurisdicción de la Corporación Autónoma Regional del Río Grande

de la Magdalena. In Imprenta Nacional de Colombia.

http://dc02eja.cormagdalena.gov.co/recursos_user/PMA/Caracteriza Río Magdalena.pdf

Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., Husak, G., Rowland, J.,

Harrison, L., Hoell, A., & Michaelsen, J. (2015). The climate hazards infrared precipitation with

stations - A new environmental record for monitoring extremes. Scientific Data, 2, 1–21.

https://doi.org/10.1038/sdata.2015.66

Golden Gate Weather Services. (2021). El Niño and La Niña Years and Intensities.

https://ggweather.com/enso/oni.htm

IDEAM. (n.d.-a). CAPITULO 7 MEDIClÓN DE LAS PRECIPITACIONES.

http://documentacion.ideam.gov.co/openbiblio/bvirtual/012406/Cap7.pdf

IDEAM. (n.d.-b). Promedios mensuales de brillo solar para todas las estaciones de Colombia(horas

de sol al dia).

IDEAM. (2016). ADQUISICIÓN, INSTALACIÓN Y PUESTA EN FUNCIONAMIENTO DE SIETE

(7) ESTACIÓN HIDROMETEOROLÓGICAS AUTOMÁTICA EN LA JURISDICCIÓN DEL AO

– 06 CON SEDE EN DUITAMA – ÁREA DE INFLUENCIA LAGO DE TOTA, DE ACUERDO

CON LOS REQUERIMIENTOS TÉCNICOS ESTABLECIDOS POR EL I. 38.

http://www.ideam.gov.co/documents/24277/889227/Anexo+Técnico+01/20a0adb6-9091-

49b6-bada-1a4b962db907?version=1.0

IDEAM. (2018). Metodología De La Operación Estadística Variables Meteorológicas. In Instituto de

Hidrología Meteorología y Estudios Ambientales (p. 112).

http://www.ideam.gov.co/documents/11769/72085840/Documento+metodologico+variables+

50

meteorologicas.pdf/8a71a9b4-7dd7-4af4-b98e-9b1eda3b8744

Krähenmann, S., & Ahrens, B. (2010). On daily interpolation of precipitation backed with secondary

information. Advances in Science and Research, 4(1), 29–35. https://doi.org/10.5194/asr-4-29-

2010

Ly, S., Charles, C., & Degré, A. (2013). Different methods for spatial interpolation of rainfall data

for operational hydrology and hydrological modeling at watershed scale. A review. Base, 17,

392–406. https://popups.uliege.be/1780-

4507/index.php?id=16912&file=1&pid=10003%0Ahttp://popups.ulg.ac.be/1780-

4507/index.php?id=10003

Mosquera, E., Aztaiza, M., Ordoñez, J. J., Gaitan, J. C., Papamija, P., Mosquera Castillo, A. L.,

Amaya Valdivieso, M. T., & Funcionarios del PNN Puracé. (2004). PLAN DE MANEJO

PARQUE NACIONAL NATURAL PURACÉ.

Nguyen, P., Shearer, E. J., Tran, H., Ombadi, M., Hayatbini, N., Palacios, T., Huynh, P., Braithwaite,

D., Updegraff, G., Hsu, K., Kuligowski, B., Logan, W. S., & Sorooshian, S. (2019). The CHRS

data portal, an easily accessible public repository for PERSIANN global satellite precipitation

data. Scientific Data, 6, 1–10. https://doi.org/10.1038/sdata.2018.296

Nguyen, P., Thorstensen, A., Sorooshian, S., Hsu, K., & Aghakouchak, A. (2015). Flood forecasting

and inundation mapping using HiResFlood-UCI and near-real-time satellite precipitation data:

The 2008 Iowa flood. Journal of Hydrometeorology, 16(3), 1171–1183.

https://doi.org/10.1175/JHM-D-14-0212.1

Sluiter, R. (2009). Interpolation methods for climate data literature review. KNMI Intern Rapport, 24.

UNESCO, COMISIÓN EUROPEA, SICA, CEPREDENAC, & MINISTERIO DE EDUCACIÓN

DE PANAMA. (2011). MANUAL SISTEMAS DE ALERTA TEMPRANA 10 Preguntas - 10

Respuestas. http://www.unesco.org/fileadmin/MULTIMEDIA/FIELD/San-Jose/pdf/Panama

MANUAL INFORMATIVO.pdf

UNIVERSIDAD NACIONAL DE COLOMBIA, UNESCO-IHE, & GIREH. (2021). Caja de

Herramientas de Hidrología para POMCAS.

https://sites.google.com/site/hydrotoolbox/herramientas/borrador-herramientas/hec-hms

UNSCH. (2021). PROGRAMA PARA EVALUAR EVAPOTRANSPIRACIÓN ES DESARROLLADO

POR INGENIERO AGRÍCOLA DOCENTE DE LA UNSCH.

51

https://www.unsch.edu.pe/index.php/2020/05/09/programa-para-evaluar-evapotranspiracion-

es-desarrollado-por-ingeniero-agricola-docente-de-la-unsch/

US Army Corps of Engineers. (2021). HEC HMS. https://www.hec.usace.army.mil/software/hec-

hms/

USACE. (2021). HEC-HMS Users Manual.

https://www.hec.usace.army.mil/confluence/hmsdocs/hmsum/4.6/shared-component-

data/time-series-data

USAID, & Climate Hazards Center UC SANTA BARBARA. (2021). CHIRPS: Rainfall Estimates

from Rain Gauge and Satellite Observations. https://www.chc.ucsb.edu/data/chirps

WMO (World Meteorological Organization). (2017). Guía de Instrumentos y Métodos de

Observación Meteorológicos. OMM No. 8.

Xiao, N. (2016). GIS Algorithms: Theory and Applications for Geographic Information Science &

Technology. In GIS Algorithms: Theory and Applications for Geographic Information Science

& Technology (pp. 139–176). https://doi.org/10.4135/9781473921498

52

Anexos

53

ANEXO 1. GRADO DE COMPLETITUD DE LAS ESTACIONES

ESCOGIDAS EN EL PERIODO DE CALIBRACIÓN Y VALIDACIÓN.

Anexo 1. 1. Grado de completitud para las 172 estaciones escogidas en el periodo de calibración

Estación 2006 2007 2008 2009 2010

Estación 2006 2007 2008 2009 2010

21030080 100.0 100.0 100.0 100.0 98.6 25020770 0.0 83.8 100.0 100.0 100.0

21115020 100.0 100.0 100.0 100.0 100.0 46015030 85.5 90.1 69.1 83.6 87.7

21105030 100.0 100.0 100.0 99.7 100.0 46015020 100.0 88.5 94.8 71.8 95.3

21025030 100.0 100.0 91.0 100.0 100.0 44045020 89.3 88.8 100.0 100.0 100.0

21010190 100.0 91.5 74.9 100.0 83.3 26035030 93.4 94.2 99.5 92.9 99.7

21040020 100.0 67.1 100.0 100.0 100.0 26040290 100.0 100.0 100.0 99.7 100.0

21100140 100.0 100.0 100.0 97.0 83.8 21050250 100.0 100.0 100.0 100.0 100.0

21050060 100.0 100.0 100.0 100.0 100.0 26020200 100.0 100.0 100.0 100.0 100.0

21010130 100.0 100.0 100.0 100.0 100.0 21050070 91.5 75.3 66.7 0.0 16.7

21010230 91.8 100.0 100.0 100.0 100.0 52025010 98.1 99.2 100.0 100.0 100.0

21045010 99.5 100.0 100.0 100.0 100.0 26020100 99.7 53.2 100.0 99.7 100.0

21010140 83.3 100.0 100.0 100.0 100.0 26060200 100.0 99.7 100.0 100.0 100.0

21130060 91.8 100.0 100.0 100.0 100.0 26020120 100.0 100.0 100.0 99.7 100.0

21060100 100.0 100.0 100.0 100.0 100.0 26020160 100.0 100.0 100.0 100.0 100.0

21090020 100.0 100.0 100.0 83.3 99.7 44010150 100.0 98.6 99.5 99.7 100.0

21055020 100.0 100.0 97.0 100.0 100.0 26010020 100.0 100.0 100.0 100.0 99.7

21010170 100.0 99.7 100.0 100.0 100.0 26040250 100.0 98.9 100.0 100.0 100.0

21060080 100.0 99.7 100.0 100.0 100.0 44010140 100.0 99.5 99.7 100.0 99.7

21060070 100.0 100.0 100.0 100.0 100.0 26030070 100.0 100.0 100.0 100.0 99.7

21030050 100.0 100.0 100.0 100.0 100.0 21050310 100.0 92.3 91.5 100.0 100.0

21110440 100.0 100.0 100.0 91.5 100.0 52010190 100.0 98.9 99.7 99.5 100.0

21050140 100.0 100.0 100.0 100.0 100.0 26025070 74.2 83.3 91.8 92.3 99.7

21080100 100.0 99.7 100.0 100.0 98.1 26030060 100.0 100.0 100.0 100.0 100.0

21060090 100.0 100.0 100.0 91.5 100.0 52020010 100.0 100.0 100.0 100.0 100.0

21010250 100.0 100.0 100.0 100.0 100.0 52020190 100.0 100.0 99.5 100.0 98.4

21010110 100.0 100.0 100.0 100.0 100.0 26045010 100.0 92.1 100.0 32.9 37.5

21030090 100.0 100.0 100.0 100.0 100.0 26065010 92.3 0.0 97.3 24.7 83.0

21135050 98.6 99.5 99.5 99.2 100.0 21050110 100.0 100.0 100.0 100.0 83.3

21095010 82.5 99.7 99.7 98.9 100.0 26020470 100.0 100.0 100.0 100.0 100.0

21010040 100.0 100.0 91.5 100.0 100.0 52025090 98.1 98.6 97.0 98.4 98.6

21035040 98.9 100.0 100.0 99.7 98.9 26025110 100.0 99.7 100.0 100.0 99.7

21010060 99.7 100.0 100.0 92.3 100.0 52025020 100.0 100.0 100.0 100.0 99.5

21050190 100.0 100.0 100.0 91.2 100.0 26065020 83.3 71.0 99.2 100.0 100.0

21080080 100.0 100.0 100.0 100.0 100.0 26020250 98.6 99.7 99.7 99.7 99.2

21010210 100.0 100.0 100.0 100.0 100.0 26020220 100.0 97.8 90.2 93.2 100.0

21010220 100.0 96.4 100.0 100.0 100.0 26020390 99.5 99.5 100.0 100.0 100.0

21050090 100.0 100.0 100.0 100.0 100.0 52015010 100.0 100.0 100.0 100.0 100.0

21100080 98.1 100.0 99.2 100.0 100.0 52010050 100.0 100.0 100.0 100.0 100.0

54

21040030 100.0 100.0 100.0 100.0 100.0 26020030 100.0 100.0 99.7 95.9 99.7

21130080 100.0 100.0 100.0 100.0 100.0 26040340 100.0 100.0 100.0 99.7 99.2

21050150 100.0 100.0 100.0 100.0 100.0 26020460 99.7 100.0 100.0 100.0 100.0

21010100 100.0 100.0 100.0 91.5 100.0 26017060 0.0 6.8 100.0 98.6 99.7

21090040 100.0 100.0 100.0 100.0 100.0 26010030 100.0 100.0 100.0 100.0 100.0

21120010 58.6 65.2 100.0 100.0 100.0 52020180 99.7 100.0 99.7 100.0 100.0

21015030 100.0 100.0 98.9 100.0 100.0 52010100 100.0 82.7 99.7 97.8 100.0

21060040 100.0 100.0 100.0 100.0 100.0 26030090 83.8 100.0 99.7 100.0 100.0

21105040 100.0 100.0 97.8 91.2 83.0 26040310 100.0 100.0 100.0 100.0 100.0

21120040 100.0 100.0 100.0 100.0 99.7 52020050 99.7 100.0 100.0 99.5 100.0

21130110 100.0 100.0 100.0 100.0 100.0 26020230 100.0 100.0 100.0 100.0 100.0

21040040 99.7 100.0 100.0 100.0 100.0 52010040 100.0 100.0 100.0 99.7 99.7

21020050 98.4 100.0 100.0 98.1 98.4 52010110 99.7 99.7 99.5 98.9 100.0

21060110 99.7 100.0 100.0 100.0 100.0 52010150 99.7 99.7 100.0 99.7 99.2

21105050 100.0 100.0 100.0 100.0 99.7 21050230 83.0 100.0 100.0 100.0 99.7

21030060 100.0 100.0 100.0 100.0 100.0 21050320 100.0 100.0 100.0 100.0 99.7

21030110 100.0 100.0 100.0 100.0 100.0 21050220 58.1 100.0 83.6 100.0 100.0

21010050 91.5 100.0 100.0 100.0 100.0 21055030 100.0 99.7 83.3 98.9 91.0

21080110 91.5 100.0 100.0 100.0 100.0 44010100 100.0 100.0 100.0 100.0 100.0

21130040 91.8 100.0 74.0 89.6 93.7 21050240 100.0 100.0 74.9 99.5 100.0

21085030 74.8 100.0 100.0 100.0 100.0 52020070 100.0 99.7 100.0 100.0 100.0

21050160 100.0 100.0 91.8 100.0 100.0 26020180 99.7 99.7 100.0 96.4 100.0

21100070 100.0 100.0 99.5 100.0 100.0 26020020 92.3 99.5 93.4 99.2 100.0

21090110 91.8 100.0 100.0 100.0 100.0 26050060 99.2 99.7 100.0 100.0 99.7

21125010 100.0 100.0 100.0 100.0 100.0 26030050 100.0 100.0 99.7 100.0 100.0

21080070 100.0 100.0 100.0 100.0 100.0 26020320 91.8 100.0 100.0 100.0 100.0

21015020 97.3 99.5 100.0 97.3 100.0 26040190 100.0 100.0 100.0 100.0 91.8

21010200 100.0 91.5 100.0 100.0 99.5 26040200 100.0 100.0 100.0 100.0 100.0

21010180 100.0 100.0 100.0 100.0 100.0 26040260 100.0 100.0 100.0 100.0 100.0

21040050 100.0 100.0 100.0 100.0 100.0 26020130 100.0 100.0 100.0 100.0 99.5

21085040 99.7 100.0 99.7 100.0 100.0 26025100 99.7 100.0 100.0 100.0 100.0

21050290 97.8 100.0 100.0 100.0 100.0 44015030 91.5 100.0 99.5 100.0 100.0

21120090 100.0 100.0 100.0 91.5 99.7 52020020 99.7 100.0 88.8 75.3 100.0

21040060 100.0 91.5 99.7 100.0 100.0 26025090 99.7 100.0 100.0 100.0 95.6

21010160 100.0 100.0 100.0 91.5 83.3 26060030 100.0 100.0 100.0 100.0 100.0

21020040 100.0 100.0 100.0 100.0 100.0 44010130 100.0 95.9 100.0 99.2 92.6

21120100 83.0 91.5 100.0 100.0 99.2 22020040 97.8 100.0 100.0 100.0 91.5

21080030 100.0 99.7 100.0 100.0 100.0 22020070 99.7 100.0 100.0 100.0 99.7

21050170 100.0 100.0 100.0 100.0 100.0 22010070 58.4 8.5 16.7 0.0 91.5

21065040 100.0 100.0 99.5 100.0 100.0 22020030 100.0 99.7 100.0 83.0 100.0

44035020 100.0 100.0 100.0 100.0 100.0 22010010 100.0 100.0 100.0 91.5 100.0

44040020 100.0 100.0 100.0 100.0 100.0 22055020 99.7 100.0 100.0 99.7 99.7

44030060 100.0 100.0 83.3 100.0 100.0 22050080 100.0 91.8 100.0 100.0 99.7

44035030 74.2 98.4 82.8 100.0 100.0 22020020 74.8 100.0 100.0 100.0 100.0

55

46035010 99.2 100.0 99.7 100.0 99.7 22015020 100.0 100.0 94.8 100.0 100.0

44030080 100.0 100.0 100.0 100.0 91.5 22020060 91.5 99.7 49.5 33.7 100.0

44045030 99.5 100.0 100.0 100.0 100.0 22050070 100.0 100.0 100.0 100.0 100.0

44045010 91.2 91.5 100.0 99.7 100.0 22020050 100.0 100.0 100.0 91.8 99.7

Anexo 1. 2. Grado de completitud para las 172 estaciones escogidas en el periodo de validación.

Estación 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

21030080 100.0 91.8 99.7 98.4 99.7 100.0 100.0 91.2 99.7 100.0

21115020 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0

21105030 99.5 33.1 0.0 47.4 47.4 0.0 0.0 29.9 44.4 0.0

21025030 99.7 83.3 99.7 100.0 100.0 99.2 100.0 99.2 100.0 100.0

21010190 100.0 58.5 99.7 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21040020 100.0 99.7 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0

21100140 100.0 99.7 100.0 100.0 99.2 100.0 100.0 100.0 82.2 100.0

21050060 99.7 99.7 98.9 100.0 99.7 99.2 98.9 97.5 88.8 100.0

21010130 100.0 97.8 98.6 100.0 98.6 99.7 100.0 99.7 99.5 100.0

21010230 99.7 98.9 98.1 99.7 100.0 99.2 97.5 99.7 100.0 100.0

21045010 63.3 100.0 100.0 79.2 100.0 71.9 39.5 77.5 8.5 0.0

21010140 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21130060 100.0 100.0 99.7 100.0 100.0 100.0 100.0 100.0 98.9 96.8

21060100 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 100.0

21090020 100.0 100.0 100.0 100.0 100.0 100.0 100.0 91.2 100.0 100.0

21055020 100.0 98.1 99.5 91.5 100.0 100.0 100.0 98.1 87.9 100.0

21010170 100.0 100.0 99.5 100.0 99.2 99.7 91.8 87.1 73.4 0.0

21060080 100.0 99.2 100.0 99.7 100.0 99.5 100.0 100.0 100.0 100.0

21060070 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21030050 100.0 99.5 97.5 94.5 98.1 88.0 83.6 78.6 83.3 0.0

21110440 100.0 99.7 100.0 99.7 100.0 100.0 100.0 100.0 98.1 100.0

21050140 100.0 99.7 99.2 99.7 91.2 99.7 100.0 100.0 100.0 100.0

21080100 100.0 100.0 100.0 100.0 91.5 99.7 32.6 72.3 95.9 100.0

21060090 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.2 99.5 100.0

21010250 91.5 90.7 90.4 100.0 100.0 100.0 99.7 99.7 88.2 100.0

21010110 100.0 100.0 98.9 99.5 100.0 100.0 99.2 99.7 99.7 100.0

21030090 100.0 99.5 100.0 99.5 100.0 100.0 100.0 100.0 100.0 100.0

21135050 91.5 99.7 99.7 99.7 98.6 98.4 99.5 96.7 79.7 0.0

21095010 99.7 98.9 98.6 98.4 99.2 100.0 98.1 98.4 95.6 0.0

21010040 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21035040 97.3 100.0 96.2 94.2 96.7 97.3 92.9 95.9 93.4 100.0

21010060 99.7 100.0 100.0 99.5 100.0 99.5 100.0 100.0 66.6 0.0

21050190 100.0 98.1 97.8 99.5 100.0 99.5 99.2 96.7 61.4 100.0

21080080 99.7 100.0 100.0 99.7 98.4 100.0 100.0 100.0 99.5 100.0

21010210 99.5 74.9 49.3 75.6 99.7 100.0 100.0 99.2 98.9 96.8

56

21010220 100.0 100.0 83.3 100.0 100.0 91.3 91.5 91.8 82.7 100.0

21050090 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21100080 99.7 99.7 99.7 98.6 99.7 99.7 99.2 91.2 100.0 100.0

21040030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21130080 100.0 91.3 99.5 100.0 98.9 100.0 100.0 83.3 38.1 0.0

21050150 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21010100 100.0 72.4 98.9 98.9 98.9 98.4 99.5 100.0 91.8 96.8

21090040 99.7 99.2 98.4 100.0 97.5 98.6 99.5 97.8 98.9 100.0

21120010 100.0 50.0 100.0 96.2 74.8 100.0 99.2 100.0 58.1 0.0

21015030 100.0 99.2 91.5 100.0 100.0 100.0 97.5 99.7 100.0 100.0

21060040 100.0 100.0 100.0 100.0 100.0 100.0 91.5 100.0 100.0 100.0

21105040 75.1 88.0 62.7 99.7 83.0 16.4 45.2 83.0 15.9 0.0

21120040 99.7 98.9 100.0 98.4 100.0 98.6 90.7 98.6 97.8 100.0

21130110 100.0 100.0 100.0 100.0 100.0 99.7 100.0 90.7 99.5 100.0

21040040 100.0 100.0 38.9 41.9 55.6 99.7 100.0 41.4 0.0 0.0

21020050 100.0 99.5 100.0 100.0 100.0 100.0 99.5 99.2 99.7 100.0

21060110 90.1 96.2 81.9 66.3 99.7 100.0 100.0 99.7 100.0 100.0

21105050 100.0 99.7 55.3 0.0 0.0 8.2 87.1 72.9 97.5 93.5

21030060 100.0 100.0 99.5 100.0 92.3 100.0 87.9 89.6 91.8 100.0

21030110 100.0 100.0 100.0 99.7 99.7 99.7 99.2 99.7 99.5 100.0

21010050 100.0 82.8 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21080110 100.0 100.0 100.0 58.6 74.8 100.0 100.0 100.0 100.0 100.0

21130040 91.0 95.6 95.3 92.9 98.9 95.6 92.1 87.1 87.1 93.5

21085030 100.0 100.0 100.0 99.7 100.0 82.5 47.7 98.4 99.5 100.0

21050160 100.0 100.0 91.0 92.3 99.7 100.0 100.0 98.6 91.5 100.0

21100070 91.8 99.2 83.3 100.0 99.5 96.4 99.5 100.0 100.0 0.0

21090110 100.0 99.5 99.7 100.0 83.3 24.9 91.2 99.7 99.5 100.0

21125010 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21080070 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21015020 100.0 98.4 97.8 100.0 100.0 100.0 100.0 100.0 100.0 0.0

21010200 99.2 97.8 99.7 99.7 100.0 100.0 98.4 91.8 91.5 100.0

21010180 100.0 99.5 100.0 100.0 100.0 100.0 98.9 100.0 99.7 100.0

21040050 100.0 100.0 100.0 99.7 83.3 91.8 98.6 98.9 99.5 100.0

21085040 90.1 90.2 83.0 96.7 99.5 96.4 85.8 83.8 22.2 0.0

21050290 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 99.7 100.0

21120090 100.0 100.0 100.0 100.0 100.0 100.0 98.9 99.2 98.6 100.0

21040060 86.3 98.9 58.9 91.5 100.0 100.0 98.9 99.7 99.5 100.0

21010160 66.6 89.1 97.5 100.0 98.4 100.0 100.0 99.2 98.9 100.0

21020040 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 100.0 100.0

21120100 100.0 100.0 99.7 99.2 100.0 98.9 100.0 97.5 100.0 100.0

21080030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21050170 99.7 100.0 99.5 99.7 99.5 100.0 100.0 99.5 100.0 100.0

21065040 92.3 99.5 99.7 100.0 100.0 100.0 100.0 100.0 92.6 100.0

44035020 100.0 100.0 100.0 100.0 97.3 0.0 0.0 0.0 0.0 0.0

57

44040020 100.0 99.2 99.5 100.0 100.0 0.0 0.0 0.0 0.0 0.0

44030060 100.0 41.5 0.0 33.4 100.0 99.5 0.0 0.0 0.0 0.0

44035030 100.0 100.0 100.0 99.2 99.5 82.2 0.0 0.0 0.0 0.0

46035010 100.0 100.0 100.0 100.0 100.0 90.4 0.0 0.0 0.0 0.0

44030080 91.5 100.0 99.5 100.0 100.0 66.7 0.0 0.0 0.0 0.0

44045030 99.7 91.5 98.9 99.5 87.7 89.1 0.0 0.0 0.0 0.0

44045010 100.0 100.0 89.9 100.0 100.0 99.5 0.0 0.0 0.0 0.0

25020770 100.0 100.0 100.0 91.5 100.0 75.1 0.0 0.0 0.0 0.0

46015030 55.6 7.7 7.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0

46015020 98.1 99.5 95.1 97.3 95.6 94.3 0.0 0.0 0.0 0.0

44045020 100.0 100.0 100.0 100.0 99.2 98.9 0.0 0.0 0.0 0.0

26035030 74.8 100.0 100.0 100.0 92.6 87.7 93.4 81.1 92.1 96.8

26040290 100.0 100.0 100.0 100.0 100.0 100.0 99.5 100.0 100.0 100.0

21050250 100.0 99.5 99.5 99.5 100.0 100.0 99.7 100.0 99.7 100.0

26020200 100.0 100.0 100.0 99.7 100.0 100.0 100.0 100.0 100.0 100.0

21050070 99.7 97.5 99.5 99.2 100.0 99.7 91.2 98.4 83.0 100.0

52025010 99.7 91.8 100.0 99.7 100.0 100.0 100.0 99.7 100.0 100.0

26020100 100.0 100.0 59.7 99.7 100.0 100.0 99.7 100.0 100.0 100.0

26060200 100.0 100.0 75.1 100.0 100.0 99.7 100.0 98.9 100.0 100.0

26020120 100.0 100.0 100.0 99.7 100.0 100.0 100.0 0.0 58.6 100.0

26020160 100.0 100.0 99.7 100.0 100.0 99.7 100.0 100.0 100.0 100.0

44010150 99.7 66.4 100.0 32.9 0.0 0.0 0.0 0.0 0.0 0.0

26010020 100.0 100.0 99.7 100.0 99.2 100.0 100.0 100.0 100.0 100.0

26040250 100.0 100.0 100.0 100.0 100.0 0.0 0.0 0.0 0.0 0.0

44010140 100.0 91.5 100.0 100.0 100.0 91.5 98.9 100.0 91.2 100.0

26030070 100.0 100.0 100.0 100.0 99.7 100.0 99.7 100.0 100.0 96.8

21050310 100.0 100.0 100.0 99.7 100.0 100.0 100.0 99.2 58.1 0.0

52010190 97.8 91.5 100.0 100.0 99.5 82.5 89.0 99.2 92.1 100.0

26025070 99.7 100.0 100.0 98.9 97.5 99.7 100.0 100.0 90.1 100.0

26030060 91.8 98.4 100.0 100.0 100.0 100.0 96.2 99.2 99.5 100.0

52020010 100.0 91.5 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

52020190 99.7 100.0 99.5 91.5 98.4 100.0 99.5 100.0 83.3 61.3

26045010 100.0 100.0 100.0 99.7 91.8 99.5 100.0 100.0 100.0 96.8

26065010 100.0 100.0 75.1 98.1 91.8 100.0 100.0 100.0 100.0 100.0

21050110 99.7 98.9 79.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0

26020470 100.0 100.0 100.0 100.0 100.0 99.7 99.7 100.0 100.0 100.0

52025090 98.6 65.0 91.0 82.2 97.8 58.5 93.7 100.0 91.2 100.0

26025110 100.0 100.0 100.0 100.0 100.0 98.4 100.0 100.0 100.0 100.0

52025020 100.0 66.9 100.0 100.0 100.0 99.7 100.0 100.0 100.0 100.0

26065020 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

26020250 100.0 100.0 98.9 100.0 100.0 100.0 100.0 100.0 98.9 100.0

26020220 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0 100.0 100.0

26020390 100.0 100.0 100.0 99.7 98.1 100.0 98.6 100.0 99.7 100.0

52015010 100.0 91.8 100.0 100.0 100.0 100.0 100.0 99.7 98.4 96.8

58

52010050 100.0 100.0 100.0 100.0 99.7 50.0 100.0 100.0 100.0 100.0

26020030 99.5 100.0 100.0 100.0 99.7 100.0 97.8 100.0 100.0 100.0

26040340 49.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0

26020460 99.7 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0

26017060 100.0 100.0 100.0 91.0 99.5 99.7 99.7 99.7 32.9 0.0

26010030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

52020180 100.0 83.3 99.7 100.0 82.7 41.5 98.9 100.0 90.1 100.0

52010100 100.0 100.0 99.7 100.0 99.5 100.0 100.0 100.0 99.7 100.0

26030090 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 99.7 100.0

26040310 100.0 100.0 100.0 83.3 100.0 99.5 100.0 100.0 100.0 100.0

52020050 100.0 83.1 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0

26020230 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 99.7 100.0

52010040 91.5 82.8 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

52010110 99.7 83.1 98.9 98.1 89.6 99.5 99.7 99.7 99.5 100.0

52010150 99.5 98.6 98.4 99.5 83.0 66.7 0.0 0.0 0.0 0.0

21050230 97.8 91.0 83.3 58.1 100.0 100.0 33.2 91.2 41.4 0.0

21050320 100.0 100.0 100.0 100.0 99.7 100.0 95.9 98.4 100.0 100.0

21050220 100.0 91.8 91.8 91.8 98.6 100.0 100.0 100.0 49.6 0.0

21055030 99.7 99.7 99.5 99.2 99.5 97.8 90.4 99.7 99.7 100.0

44010100 100.0 83.1 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

21050240 100.0 57.1 83.6 100.0 100.0 100.0 100.0 100.0 100.0 100.0

52020070 99.7 91.5 99.2 99.2 99.7 99.5 79.7 98.9 100.0 100.0

26020180 100.0 100.0 100.0 98.6 100.0 98.9 96.4 97.5 83.3 100.0

26020020 100.0 100.0 100.0 100.0 99.2 100.0 99.2 99.7 99.7 100.0

26050060 100.0 100.0 100.0 99.5 100.0 99.7 99.7 100.0 100.0 100.0

26030050 100.0 100.0 95.3 100.0 41.4 0.0 23.0 99.7 100.0 90.3

26020320 100.0 100.0 100.0 100.0 99.7 100.0 100.0 74.8 100.0 100.0

26040190 24.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0

26040200 24.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0

26040260 99.7 100.0 100.0 100.0 100.0 99.5 100.0 100.0 99.5 100.0

26020130 100.0 99.7 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

26025100 74.8 100.0 99.7 100.0 99.7 91.0 100.0 99.7 97.3 96.8

44015030 100.0 100.0 100.0 100.0 100.0 100.0 100.0 93.7 98.9 100.0

52020020 100.0 91.5 16.7 99.2 99.7 99.5 100.0 99.7 99.7 100.0

26025090 99.7 100.0 100.0 100.0 99.7 99.7 100.0 100.0 100.0 100.0

26060030 100.0 100.0 100.0 100.0 79.5 99.7 100.0 100.0 100.0 100.0

44010130 99.7 83.3 100.0 98.9 99.2 100.0 99.5 100.0 99.7 100.0

22020040 100.0 100.0 99.5 100.0 91.5 99.7 91.5 91.8 83.8 100.0

22020070 100.0 99.7 75.1 45.8 82.7 99.7 74.8 92.3 100.0 100.0

22010070 99.7 100.0 91.8 99.7 90.7 99.5 75.1 100.0 100.0 100.0

22020030 91.5 100.0 100.0 99.7 91.2 99.7 81.4 41.4 59.2 96.8

22010010 91.8 100.0 99.5 100.0 74.5 99.7 100.0 100.0 99.5 100.0

22055020 91.5 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0

22050080 100.0 100.0 83.0 74.8 74.2 76.2 48.8 66.6 0.0 0.0

59

22020020 99.7 100.0 99.5 100.0 91.5 99.7 91.5 100.0 100.0 100.0

22015020 100.0 100.0 100.0 99.7 91.5 99.5 97.8 91.8 99.7 100.0

22020060 100.0 49.7 58.6 83.0 75.3 83.1 66.6 100.0 66.6 0.0

22050070 100.0 99.7 99.5 100.0 91.5 99.7 83.3 91.5 83.8 100.0

22020050 100.0 100.0 100.0 99.7 91.5 99.7 100.0 89.6 100.0 96.8

ANEXO 2. CÓDIGO, UBICACIÓN Y PERIODO DE REGISTRO DE

ESTACIONES USADAS PARA ESTIMACIÓN DE

EVAPOTRANSPIRACIÓN CON PETP V2.0.0

Anexo 2. 1. Estaciones usadas para obtener los datos de brillo solar y el periodo de registro de cada una de ellas

Estación Periodo de registro

[años] Departamento

21035020 28 Huila

21025020 16 Huila

21025030 16 Huila

21055020 34 Huila

21015020 33 Huila

21015030 34 Huila

21065040 34 Huila

Anexo 2. 2. Estaciones usadas para obtener los datos de temperatura media y el periodo de registro de cada una de ellas



21055020 37 Huila

21025030 25 Huila

21045010 34 Huila

21025030 11 Huila

21035040 34 Huila

21015030 37 Huila

21035020 24 Huila

21015020 37 Huila

21065040 37 Huila

21055030 32 Cauca

Anexo 2. 3. Estaciones usadas para obtener los datos de humedad relativa mínima y el periodo de registro de cada una de

ellas



21035020 21 Huila

21025020 25 Huila

60

21055020 37 Huila

21025030 11 Huila

21045010 34 Huila

21015030 36 Huila

21035040 34 Huila

21015020 37 Huila

21065040 37 Huila

21055030 37 Cauca

21055040 11 Cauca

Anexo 2. 4. Estaciones usadas para obtener los datos de temperatura mínima y máxima y el periodo de registro de cada

una de ellas



21035020 21 Huila

21025020 25 Huila

21055020 37 Huila

21025030 11 Huila

21045010 33 Huila

21015030 37 Huila

21035040 34 Huila

21015020 37 Huila

21065040 37 Huila

21055030 37 Cauca

Anexo 2. 5. Estaciones usadas para obtener los datos de humedad relativa media y el periodo de registro de cada una de

ellas.



21015060 15 Huila

21015040 15 Huila

21015050 14 Huila

21055070 14 Cauca

26015030 12 Cauca

ANEXO 3. PROCEDIMIENTO PARA GENERAR LOS COMPONENTES

DEL MODELO EN HEC HMS POR MEDIO DE HECGeo-HMS

1. En Terrain Procesing

1.1 Dem Manipulation

1.1.1 Fill sinks

1.2 Flow Direction

61

1.3 Flow Accumulation

1.4 Stream Definition → guardar valor del área

2. En Stream Segmentation

2.1 Catchment Grid Delineation

2.2 Catchment Polygon Processing

2.3 Drainage Line Processing

2.4 Adjoint Catchment Processing

2.5 Ubicar el punto en donde se quiere generar la cuenca

3. En Watershed Processing

3.1 Batch Watershed Delineation

3.2 Flow Path Tracing

4. En Terrain Processing

4.1 Slope

5. En Project Setup

5.1 Data Managment

5.2 Start New Project → Guardar en un lugar conocido

5.3 Add Project Point

5.4 Generate Project

6. En Basin Processing

6.1 Basin Merge → Se realizó el mismo procedimiento hasta quedar 10 subcuencas

7. En Characteristic

7.1 River Length

7.2 River slope

7.3 Basin slope

7.4 Longest Flow Path

7.5 Basin Centroid

7.6 Centroid Elevation

7.7 Centroidal Longest Flowpath

8. En Parameters

8.1 Select HMS Processes

8.2 River Auto Name

8.3 Basin Auto Name

8.4 Sub Basin Parameters from Raster

9. HMS

62

9.1 Map to HMS Units

9.2 Check Data

9.3 HMS Schematic

9.4 Add Coordinates

9.5 Prepare Data for Model Export

9.6 Background Shapefile

9.7 Basin Model File

9.8 Met Model File

9.9 Create HEC HMS Project

10. Abrir el proyecto en HEC HMS

63

ANEXO 4. PARÁMETROS CALIBRADOS PARA CADA UNA DE LAS

SUBCUENCAS DE LOS MODELOS EVALUADOS EN HEC HMS

Anexo 4. 1. Parámetros calibrados del modelo 1.

Parámetro

Modelo 1: Precipitación CHIRPS

Subcuenca

W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800

Canopy

Initial Storage (%) 0,35073 0,0010097 0,25676 0,28678 0,3875 0,47282 0,336 0,57943 0,52197 0,36698

Max Storage

(MM) 158,89 40,78 11,316 0,0099669 0,26765 0,0139412 1,0501 0,22779 0,10212 0,80038

Crop Coefficient 0,8 0,8 0,9 1 1 1 1 0,0139936 1 1

Evapotranspiration Wet and Dry Periods

Uptake Method Tension Reduction

Surface

Initial Storage (%) 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001

Max Storage

(MM) 13,711 0,0097544 0,0142869 0,97181 0,0652819 0,0873088 1,571 1,4217 0,75793 0,94175

Loss

Initial Deficit

(MM) 1,5612 5,8779 4,4892 0,001 0,001 0,001 0,66666 0,33433 0,001 0,33333

Maximum Deficit

(MM) 15,497 13,466 5,0939 0,0022252 0,0026295 0,0295325 0,96753 0,78769 0,73531 8,5294

Constant Rate

(MM/HR) 0,65929 0,0292308 0,34123 0,19903 0,10655 0,10381 0,0474449 0,0550528 0,0414622 0,91184

Impervious (%) 0 0 0 0 0 0 0 0 0 0

Transform

Graph Type Standard (PRF 484)

Lag Time (MIN) 720,57 264,83 73,087 94,888 90,707 253,08 409,83 1872,1 640,88 223,81

Baseflow

Initial Type Discharge

Initial Discharge

(M3/S) 150,85 33,283 143,2 49,455 3,0782 2,1055 0,51926 0,96627 0,51905 1,4382

Recession

Constant 0,5 0,94973 0,99921 0,99772 0,96318 0,92578 0,86224 0,47717 0,5522 0,57553

Threshold Type Ratio To Peak

Ratio 0,5 0,24713 0,14042 0,1931 0,0237243 0,22485 0,28839 0,40111 0,26141 0,23949

64


Parámetro

Modelo 2: Precipitación PERSIANN-CCS

Subcuenca

W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800

Canopy

Initial Storage (%) 33,296 100 100 99,984 98,196 96,627 87,493 54,611 35,889 36,607

Max Storage (MM) 53,818 0,001 0,0010112 0,82222 0,0011828 0,0041242 0,91577 0,40138 1,0377 1,0936

Crop Coefficient 0,7 0,09 0,6 0,04 1 1 0,8 0,8 1 1



Surface

Initial Storage (%) 37,015 78,234 66,849 69,281 68,55 72,209 100 100 54,667 21,969

Max Storage (MM) 19,323 211,56 0,39962 318,11 0,16262 0,0155002 2,4759 4,9374 1,0459 1,0858

Loss

Initial Deficit (MM) 1,5612 5,8779 4,4892 0,001 0,001 0,001 0,66666 0,33433 0,001 0,33333

Maximum Deficit

(MM) 15,497 13,466 5,0939 0,0022252 0,0026295 0,0295325 0,96753 0,78769 0,73531 8,5294

Constant Rate

(MM/HR) 1,5 0,0011 114,59 0,0015 114,59 0,019 115,21 0,012265 115,21 2

Impervious (%) 0 0 0 0 0 0 0 0 0 0

Transform


Lag Time (MIN) 718,35 280,85 52,92 65,641 55,222 122,38 132,44 1042,3 220,73 107,97

Baseflow


Initial Discharge

(M3/S) 98,305 125,81 314,72 0,0149952 0,0144486 0,0129202 0,0132634 0,0118801 0,0118916 0,0119594

Recession Constant 0,93018 0,87436 0,99921 0,99772 0,81376 0,0244558 0,93222 0,0286081 0,0291783 0,0294779


Ratio 0,9385 0,2085 0,14042 0,21817 0,0237243 0,22485 0,28839 0,40111 0,26141 0,23949

65


Parámetro

Modelo 3: Precipitación CHIRPS modificado

Subcuenca

W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800

Canopy

Initial Storage (%) 0,2511 0,58407 1,4078 2,8712 2,4148 30,692 0,21079 1,1093 0,2611 0,31354

Max Storage (MM) 3,1107 80,333 1,7471 3,3062 2,6667 3,8082 61,063 6,6667 1,3333 0,33333

Crop Coefficient 0,8 0,87 0,7 0,8 0,8 0,8 0,9 0,95 0,9 1



Surface

Initial Storage (%) 38,01 0,53333 0,46666 96,746 96 15,829 0,6 0,53333 40,04 67,226

Max Storage (MM) 19,766 80,526 340,8 1226,3 304,93 32,953 19,53 265,97 18,311 29,018

Loss


Maximum Deficit (MM) 382,7 382,18 1,84 2,1283 382,77 1,1333 0,0880744 382,4 0,43333 3,2

Constant Rate (MM/HR) 0,0698288 0,06 0,07 0,07 0,07 0,06 0,0312837 0,047464 0,06 0,05

Impervious (%) 0 0 0 0 0 0 0 0 0 0

Transform


Lag Time (MIN) 1675,7 2131 300 600 494,47 400 500 500 250 150

Baseflow


Initial Discharge (M3/S) 177,4 166,84 50,344 55,202 62,223 0,0114307 0,0181892 0,013602 0,0113878 0,0143218



Ratio 0,36386 0,14439 0,32492 0,98305 0,66041 0,39884 0,65816 0,88194 0,98848 0,43097

66


Parámetro

Modelo 4: Precipitación PERSIANN- CCS modificado

Subcuenca

W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800

Canopy

Initial Storage (%) 55,749 100 52,629 74,849 100 59,881 12,853 11,253 4,5838 8,8504

Max Storage (MM) 0,80248 57,991 0,31255 0,0018902 0,024404 3,5621 19,134 23,066 3,7374 1,031

Crop Coefficient 0,7 0,65 0,35 0,5 0,7 0,8 0,8 0,85 0,95 0,7



Surface

Initial Storage (%) 100 3,588 2,0437 90,264 100 0,60675 0,50143 0,65588 0,0010019 0,41396

Max Storage (MM) 14,57 0,0017237 0,82868 4,2131 3,5247 3,3468 0,0010053 0,0010106 0,0010116 10,938

Loss


Maximum Deficit (MM) 2,6723 3,2997 5,0157 4,2065 3,2355 2,6864 1,6467 0,9 0,56666 3,4133

Constant Rate (MM/HR) 0,001 0,001 114,73 0,0012153 0,0042888 0,0011025 0,0197136 0,0208328 0,0137305 114,62

Impervious (%) 0 0 0 0 0 0 0 0 0 0

Transform


Lag Time (MIN) 30000 5935,4 139,48 589,88 575,19 188,81 203,63 1531,2 1457,3 90,643

Baseflow


Initial Discharge (M3/S) 214,92 188,3 51,354 0,0137003 0,0119941 0,0168654 0,0152992 0,0174678 0,0141007 0,0191781



Ratio 0,35529 0,88387 0,27349 0,79444 0,42173 0,53209 0,59014 0,26881 0,27544 0,3535

67


Parámetro

Modelo 5: Precipitación THIESSEN

Subcuenca

W790 W1120 W1110 W1070 W1040 W690 W1020 W830 W820 W800

Canopy

Initial Storage (%) 33,296 100 100 98,778 98,196 96,627 87,493 54,611 35,889 36,607

Max Storage (MM) 53,818 0,001 0,0010112 0,19661 0,0011828 0,0041242 0,91577 0,41138 1,0377 1,0936

Crop Coefficient 0,8 0,8 0,9 1 1 1 1 0,0139936 1 1



Surface

Initial Storage (%) 27,761 51,994 50,137 51,976 68,55 72,209 100 100 54,667 21,969

Max Storage (MM) 13,711 0,0097544 0,0142869 0,97181 0,0652819 0,0873088 1,571 1,4217 0,75793 0,94175

Loss


Maximum Deficit

(MM) 15,497 13,466 5,0939 0,0022252 0,0026295 0,0295325 0,96753 0,78769 0,73531 8,5294

Constant Rate

(MM/HR) 1,0176 0,0010005 0,001 0,001 0,0010868 0,0161081 0,0073411 0,0183465 0,0101139 0,89293

Impervious (%) 0 0 0 0 0 0 0 0 0 0

Transform


Lag Time (MIN) 720,57 264,83 73,087 94,888 90,707 253,08 409,83 1872,1 640,88 223,81

Baseflow


Initial Discharge

(M3/S) 150,85 33,283 143,2 49,455 3,0782 2,1055 0,51926 0,96627 0,51905 1,4382



Ratio 0,9385 0,24713 0,14042 0,1931 0,0237243 0,22485 0,28839 0,40111 0,26141 0,23949

verificaciÓn de productos satelitales con base a

Documents