Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352

Departamento de Obras Civiles

Análisis probabilístico cuenca Río Rapel

José Pablo Angulo1 - Bastián Burgos2
[email protected] 1- [email protected] 2

Resumen
Conocer el comportamiento de cualquier evento natural, siempre es deseable, sin embargo, esto no se
encuentra exento de complicaciones. Desde el punto de vista de la Hidrología particularmente, es de alto
interés conocer a los eventos de crecidas a los que se puede ver sometida tanto la población como la
infraestructura, es con este objetivo que mediante procesos probabilísticos se estiman los eventos
mencionados. Particularmente, durante la última década el país se ha visto sometido a diversos eventos
asociados al agua, tanto por sus escases producto de la megasequía, o exceso de esta en eventos de
precipitaciones extremas, como las registradas en la zona norte del país en 2016
Bajo este contexto, es que se realiza un análisis a una estación pluviométrica y fluviométrica al interior
de la cuenca del Río Rapel en la sexta región. En este, se busca realizar mediante métodos matemáticos e
informáticos distintos ajustes a los datos recopilados por el (CR)2, los cuales permiten determinar el
periodo de retorno para 2, 5, 20, 50 y 100 años, y de forma adicional un análisis al promedio mensual de
caudales, y el acumulado de precipitaciones para un periodo comprendido entre 1987 y 2016.
Para el proceso de datos se utilizan software de código libre R V3.4.1y QGIS V2.6.1, este último con su
complemente QSWAT V1.4. Además, se escogen cuatro estaciones pluviométricas al interior de la
cuenca, se realiza un análisis de homogeneidad para definir la estación con la que se trabaja y a ella se
aplica relleno de datos, en tanto, para el análisis de caudales solo se considera una estación.
El proceso de ajuste densidad de probabilidad es realizado mediante un script programado en R, se
ajustan cuatro distribuciones a cada set de datos y se escoge solo uno de ellos para cada estación, la
selección se realiza mediante inspección gráfica y el uso de test de bondad de ajuste y la estimación de
los parámetros característicos de cada distribución se realiza mediante los métodos MLE y MME.
Se determina que la distribución Gamma es la que mejor se ajusta en ambas estaciones, aunque
subestimando los máximos en el caso de caudales y sobreestimando las precipitaciones máximas.
Mediante la distribución seleccionada, se determinan los umbrales que definirán eventos extremos para
los periodos de retorno mencionados. Posterior estos son contrastados con los datos obtenidos por el
manual de la DGA, donde se concluye que producto de las diferencias temporales y el periodo de
megasequía abarcado por el cálculo realizado en R, las precipitaciones máximas en 24hrs de la DGA
están por sobre las calculadas. En cuanto al régimen en la estación fluviométrica, se ve una total
influencia pluvial con caudales que logran superar los 150 m3/s.

Keywords: Cuenca, Cuantil, Test de Bondad, MLE, MME, Periodo de Retorno, Homegenización

1 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Introducción
El escenario que se ha presentado a nivel nacional en lo que respecta al agua, ha tenido realidades
diametralmente opuestas. Por un lado, la mega sequía que afecta desde 2010 a la zona central de Chile
comprendida, entre la región de Coquimbo y la Araucanía donde se ha experimentado un déficit en
precipitaciones cercano al 30%, acompañado de la década más cálida de los últimos 100 años (Centro de
Ciencia del Clima y la Resilencia (CR)2, 2015). Por otro lado, eventos como el registrado entre los días 24 y
25 de marzo de 2015 en las regiones de Antofagasta, Atacama y Coquimbo, donde intentas precipitaciones
fueron calificadas por el gobierno de la presidenta Michelle Bachelet como el “mayor desastre
pluviométrico en 80 años”, provocando la crecida y desborde de los ríos Copiapó y El Salado,
deslizamientos de tierras, 22 fallecidos y decenas de desaparecidos (Wikipedia, 2017), el evento registrado
el 17 de abril de 2016 en Santiago, donde intentas precipitaciones acompañadas de obras ejecutadas
aledañas al río, produjeron el desborde del río Mapocho (Cifuentes, 2016).
El rol del ingeniero en este ámbito, es planificar, diseñar, construir y operar en función de eventos de
este tipo. Es por esto, que la Hidrología como disciplina desde el punto de vista ingenieril se enfoca en
conservar y aprovechar de la manera más óptima los recursos hídricos, con el fin de conservar y proteger
obras de infraestructura que se pueden ver afectadas, dañadas o sobrepasadas debido a eventos
extremos, los cuales eventualmente pueden llegar a ser destructivos (Stowhas L. , 2017).
El objetivo del presente, es realizar distintos ajustes de distribuciones de probabilidad a una estación
fluviométrica y pluviométrica, ubicada al interior de la cuenca del Río Rapel. Estos ajustes, son aplicados a
los caudales máximos anuales y precipitaciones máximas en 24 horas. Además, se debe verificar la bondad
de los ajustes realizados, comparar los cuantiles de la distribución teórica respecto a los empíricos y
presentar graficas que acompañen y respalden los resultados obtenidos.
Se incluye de forma adicional, un análisis del promedio mensual de caudales, y el acumulado anual de
precipitaciones en los últimos 30 años.

Metodología
La sub cuenca estudiada pertenece
a la cuenca del Río Rapel, el cual se
ubica en la región Libertador General
Bernardo O’Higgins (Figura 1).
Cuenta con 33 estaciones
fluviométrica y 34 estaciones
meteorológicas habilitados para
medir precipitaciones, de ellas se
filtraron aquellas que tuvieron
registro de a lo menos 30 años. En
base a los datos encontrados en las
estaciones, y el informe presentado
anteriormente (Burgos & Andrade,
2017), se selecciona la estación
Estero Zamorano en Puente El Niche
(Tabla1). Mediante el procesamiento
de QGIS (Versión 2.6.1) [software]
(2014) (Obtenido de:
http://www.gisblog.com/qgis-2-6- Figura 1: Ubicación subcuenca y zonas urbanas. Elaboración propia.
brighton-released/), y el

2 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

complemento QSWAT (Versión 1.4).[software].(2017) (Obtenido desde:

http://swat.tamu.edu/software/qswat/), se define una subcuenca de 1705.1 Km2. Dentro de la subcuenca
es posible encontrar tres estaciones pluviométricas Millahue, Popeta y Rengo, además se incluye una
cuarta estación pluviométrica ubicada a menos de 500m del límite Sur, San Fernando (Tabla 1) (Figura 2).

Las cuatro estaciones

pluviométricas poseen datos
desde 1972 a octubre del 2017,
sin embargo, el periodo que se
seleccionó como requisito para la
selección de estaciones abarca
desde 1987 a 2016. Los datos
tanto de estaciones
fluviométricas y pluviométricas,
son obtenidos del (CR)2 (Chile,
2017).

En la tabla 1, se muestran las

estaciones seleccionadas para el
análisis correspondiente a
realizar, donde en primera
instancia fue necesario realizar
Figura 2 Ubicación estaciones al interior de la subcuenca. Elaboración propia un análisis de homogeneidad
(Anexo 1) para todas las
estaciones (Anexo 2: datos estaciones no seleccionadas) que cumplen con los requisitos mencionados
anteriormente. De acuerdo al análisis realizado se observa que la estación más representativa y
homogénea corresponde a la estación de Millahue.

Tabla 1: Datos característicos por estación. Elaboración propia.

Fuente: (CR)2 (Chile, 2017)
Institución DGA DGA
Código Estación (BNA) 6018010 6018001
Tipo Estación Pluviométrica Fluviométrica
Estero Zamorano en Puente
Nombre Millahue
El Niche
Fuente DGA_Web DGA_Web
Elevación (m.s.n.m) 200 900
Latitud -34,5264 -34,4311
Longitud -71,2122 -71,1681
Nombre Cuenca Río Rapel Río Rapel
Código Cuenca 601 60
Nombre Sub-Cuenca Cachapoal Bajo Río Cachapoal Bajo
Inicio Observaciones 01-01-1972 16-10-1985
Fin Observaciones Vigente 08-12-2016
Cantidad Observaciones 15811 9652

3 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Una vez seleccionadas las estaciones a considerar, se debieron rellenar las fechas con datos faltante.
Es conveniente rellenar estos datos con métodos que permitan realizar este procedimiento (Stowhas,
2017), sin embargo, debido a que la cantidad de datos faltantes para las estaciones seleccionadas es de
baja envergadura, se rellenaron estos a través del promedio simple de las estaciones vecinas.
Posteriormente a que los datos fueron corregidos, se procede a la obtención de las precipitaciones
máximas diarias anuales, debido a que se debe trabajar con las precipitaciones máximas en 24 hrs. las
precipitaciones obtenidas anteriormente se deben amplificar por un factor de corrección igual a 1,06
(Stowhas, 2017). Con este set de datos se procede a elaborar un resumen cuantitativo de las muestras.
Esto se realiza mediante R (R Core Team (2017), 2017).En este software se generó un script, que
conjunto a realizar el resumen cuantitativo, permite realizar ajustes de distribuciones probabilísticas,
extraer sus parámetros característicos, gráficas ECDF, Q-Q, CDF histogramas, test de bondad (Chi
Cuadrado, Kolmogorov-Smirnov y Anderson-Darling ), promedios mensuales de caudales,
precipitaciones máximas anuales, y el umbral que define la precipitación máxima en 24 hrs para
periodos de retorno de 2, 5, 25, 50 y 100 años. El proceso y extracción de datos, se realizó mediante las
librerías de uso libre disponibles en R: hydroTSM (Zambrano-Bigiarini, hydroTSM: Time Series
Management, Analysis and Interpolation for Hydrological Modelling, 2017), zoo (Shah, Zeileis, &
Grothndieck, zoo, 2005), fitdistrplus (Dutang & Deignette - Muller, 2008) y e1071 (Meyer, Dimitriadou,
Hornik, Weingelssel, & Leisch, 2017). Cabe resaltar que los procedimientos mencionados
anteriormente, de igual manera fueron obtenidos mediante la utilización del software R.

Previo a la selección de las distribuciones candidatas, se ajustaron seis gráficas al set de datos (Anexo
3) (Cauchy, Gamma, Exponencial, LogNormal, Normal, Weibull). Mediante inspección visual, se
descartaron las distribuciones que se ajustaban de peor forma al histograma, seleccionando de esta
manera las distribuciones que se presentan a continuación.

Distribuciones de probabilidad utilizadas:

 Distribución Logarítmica o Log-Normal:
Función de densidad (Zambrano, 2017):
(𝑦−𝜇𝑦 )2
1 −
2𝜎𝑦 2
𝑓(𝑥, 𝜇𝑦 , 𝜎𝑦 ) = 𝑒 𝑥 > 0 ; 𝑦 = log(𝑥)
𝑥𝜎√2𝜋
Distribución de probabilidad:
∞ ∞ 2
1 −(𝑦−𝜇
1
2𝜎𝑦
𝑦)
2
∫ 𝑓(𝑥, 𝜇𝑦 , 𝜎𝑦 )𝑑𝑥 = ∫ 𝑒 𝑑𝑥
𝜎√2𝜋 𝑥
0 0
 Distribución Gamma (Stowhas, 2017):
Función de densidad:
1 𝑥
𝛼−1 −𝛽
𝑓(𝑥) = 𝑥 𝑒 𝑥>0
𝛽 𝛼 Γ(𝛼)
Distribución de probabilidad:
𝑏
1
𝐹(𝑏) = 𝑃(𝑥 ≤ 𝑏) = ∫ 𝑥 𝛼−1 𝑦 𝛼−1 𝑒 −𝑦 𝛽𝑑𝑦
𝛽 𝛼 Γ(𝛼)
0
 Distribución Weibull (Wikipedia, 2017):
Función de densidad:
𝑘 𝑥 − 𝜃 𝑘−1 −(𝑥−𝜃)𝑘
𝑓(𝑥) = ( ) 𝑒 𝜆 𝑥>0
𝜆 𝜆

4 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Distribución de probabilidad:
𝛾−𝑥 𝑘
−( )
𝐹(𝑥) = 𝑒 𝛾−𝜃

 Distribución Exponencial (Zambrano, 2017):

Función de densidad:
𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 𝑥 > 0
Distribución de probabilidad:
𝐹(𝑥) = 1 − 𝑒 𝜆𝑥

Los procedimientos utilizados para estimar los parámetros de las distribuciones anteriormente
mencionadas y escogidas para realizar el análisis planteado en el presente documento, son:

 Método de los momentos (MME): Propuesto por Pearson en 1902. Este método iguala los
momentos de la función de densidad pbb a los momentos correspondientes del conjunto de
datos. (Zambrano, Ajustando una distribución de probabilidad, 2017). Él (Karl Pearson) que
unos buenos estimativos de los parámetros de una función de probabilidad son aquellos
para los cuales los momentos de la función de densidad de probabilidad alrededor del
origen son iguales a los momentos correspondientes de la información de la muestra
(Chow, 1994).
 Método de la máxima verosimilitud (MLE): Propuesto por Fisher en 1922. Este método
maximiza la pbb de ocurrencia conjunta de la muestra. (Zambrano, Ajustando una
distribución de probabilidad, 2017). Él (R. A. Fisher) razonó que el mejor valor de un
parámetro de una distribución de probabilidad debería ser el valor que maximizara la
verosimilitud o probabilidad conjunta de ocurrencia de la muestra observada (Chow, 1994).

El método escogido para la estimación de los parámetros corresponde al MLE, ya que los datos
obtenidos mediante el software R para ambos métodos, son significativamente parecidos en
comparación al MME (Anexo 4), donde los parámetros de distribuciones de probabilidad se muestran
en la tabla 2.

En ultima instancia se procede al cálculo de precipitaciones máximas en 24 horas para periodos de

retorno dados, mediante el sistema instaurado por el manual de la DGA (DGA,Dirección General de
Aguas, 1995). Donde para el cálculo de este se utiliza la tabla de coeficiente de duración y frecuencia
para las diferentes zonas homogéneas (Anexo 5). Dado que las precipitaciones deseadas son para una
duración de 24 horas el coeficiente de duración es igual a uno (Anexo 6). Como último dato es
necesario establecer la precipitación máxima asociada a un período de retorno de 10 años, donde
este valor es obtenido a través de las isoyetas (Anexo 7) dadas por la DGA (DGA, Dirección General de
Aguas, 1991). Finalmente, la ecuación entregada para el calculo de la precipitación máxima de
cualquier duración y período de retorno está dada por:

10
𝑃𝑡𝑇 = 𝐶𝐷𝑡 ∗ 𝐶𝐷𝑇 ∗ 𝑃24

5 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Donde:

 𝑃𝑡𝑇 : 𝑃𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑒𝑟í𝑑𝑜 𝑑𝑒 𝑟𝑒𝑡𝑜𝑟𝑛𝑜 𝑇, 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑢𝑛𝑎 𝑑𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑡 ℎ𝑜𝑟𝑎𝑠, 𝑒𝑛 𝑚𝑚.

 𝐶𝐷𝑡 : 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑑𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑝𝑎𝑟𝑎 𝑡 ℎ𝑜𝑟𝑎𝑠.
 10
𝑃24 : 𝑃𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑐𝑖ó𝑛 𝑚á𝑥𝑖𝑚𝑎 𝑒𝑛 24 ℎ𝑜𝑟𝑎𝑠 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑢𝑛 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑑𝑒 𝑟𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 10 𝑎ñ𝑜𝑠.

Resultados
A continuación, se muestran los resúmenes cuantitativos de los datos tanto para caudales máximos
anuales y precipitación máxima en 24 horas, contenidos en la tabla 2.

Tabla 2: Resumen Cuantitativo. Elaboración propia.

Estero
Millahue
Zamorano
Cuantil 0.0 : 143,40 7.61
Cuantil 0.25 : 71,55 63.38
Cuantil 0,5 : 84,8 237.5
Cuantil 0.75 : 105,47 605.5
Cuantil 1.0 : 152,01 965
3
Mínimo [mm ; m /s] : 42,40 7,61
Máximo [mm ; m3/s] : 152 965
3
Mediana [mm ; m /s] : 84,80 237,50
3
Promedio aritmético [mm ; m /s] : 88,59 338.12
Desviación Estándar : 26,09 316.51
IQR : 33,92 542.13
Coef. Asimetría : 0,38 0.71
Coef. Kurtosis : -0,47 -1.03

En la tabla 3 se entregan los parámetros para cada distribución candidata mencionada anteriormente
en la metodología del presente documento. Estos parámetros representan las distribuciones para
caudales máximos anuales y precipitaciones máximas en 24 hrs mediante MLE.

Tabla 3: Parámetros distribuciones de Probabilidad. Elaboración propia.

Millahue Estero Zamorano
Distribución Parameter Estimate Std. Error Estimate Std. Error
Meanlog 4,441 0,0545 5,1775 0.2454
LogNormal
SdLog 0,29824 0,0385 1,3443 0,1736
Shape 11,7460 2,9884 0,9045 0,1761
Gamma
Rate 0,1326 0,0344 0,0027 0,0005
Shape 3,7173 0,5113 0,9531 0,1415
Weibull
Scale 98.106 5.099 331,2295 66,7923
Exponencial Rate 0,0113 0,0021 0,0029 0,0005

6 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Con el objetivo de evaluar la bondad de los ajustes de distribución de probabilidades presentados en

la tabla 3, se aplicaron distintos tests de bondad de ajustes, los cuales son resumidos en la tabla 4
para la estación pluviométrica y en la tabla 5 para la estación fluviometrica. Además, en cada tabla se
muestran con sus correspondientes valores críticos. Cada distribución probabilística se sometió al test
de bondad de Chi Cuadrado, Kolmogorov-Smirnov y finalmente, Anderson-Darling.

Tabla 4: Test de bondad de ajustes, Estación Millahue. Elaboración propia.

Chi Criterio Kolmogorov- Criterio Anderson- Criterio
Cuadrado Chi2 Smirnov KS Darling AD
LogNorm 0,2487 7,81 0,0816 0,2544 0,1666 No Aplica
Gamma 0,2479 7,81 0,0623 0,2544 0,1226 0,752
Weibull 0,1580 5,99 0,1032 0,2591 0,2181 0,757
Exponencial 1,25E-10 9,49 0,4103 0,2499 7,0280 No Aplica

Tabla 5: Test de bondad de ajustes, Estación Estero Zamorano. Elaboración propia.

Chi Criterio Kolmogorov- Criterio Anderson- Criterio
Cuadrado Chi2 Smirnov KS Darling AD
LogNorm 0,5309 7,81 0,1182 0,2544 0.6800 No Aplica
Gamma 0,2944 7,81 0,1272 0,2544 0,4577 0,752
Weibull 0,2800 5,99 0,1287 0,2591 0,4889 0,757
Exponencial 0,3180 9,49 0,1309 0,2499 0,2499 No Aplica

Para cada una de las estaciones analizadas (Pluviométrica y fluviométrica) se calculó en base a los
datos recolectados cuantiles empíricos: 0.025; 0.05; 0.25; 0.5; 0.75; 0.95; 0.975. Estos cuantiles
fueron calculados en base a los parámetros de la distribución Gamma, la cual fue escogida como
más representativa para ambos sets de datos en cuestión, estos son representados en Tabla 6.

Tabla 6: Resumen Cuantiles.

Elaboración propia.
Estero
Millahue
Zamorano
Cuantil 0.025 : 45.397 12,714
Cuantil 0.05 : 50.768 19,42
Cuantil 0.25 : 70.067 71,575
Cuantil 0.5 : 86,091 177,232
Cuantil 0.75 : 104,397 438,855
Cuantil 0.95 : 134,953 1617,473
Cuantil 0.975 : 145,988 2470,61

7 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Definidos periodos de retorno igual a: 2; 5; 20; 50 y 100 años. Se estimaron los valores de
precipitación máxima en 24 hrs. correspondiente a la distribución de probabilidad escogida, donde
estos valores en milímetros se encuentran comparados en la Tabla 7, calculados mediante el
software R y según el manual de la DGA (DGA,Dirección General de Aguas, 1995) respectivamente.

Tabla 7: Precipitaciones máximas en 24 horas para periodos de retorno dados.

Elaboración propia.
P. Max. [mm] P. Max. [mm]
Periodo de retorno
Software R DGA
2 Años 86,02 77,28
5 Años 109,21 103,08
20 Años 134,84 135,96
50 Años 149,25 156,60
100 Años 159,39 172,08

Discusión y Conclusiones
Se debe destacar primero que todo, el hecho de que se estudian precipitaciones máximas en
24hrs y caudales máximos manuales, a partir de promedios mensuales de dichas variables
hidrológicas.

Dentro de las distribuciones escogidas como candidatas, se tomó en consideración la asimetría

presentada en los histogramas (Anexo 8 y 9) tanto de precipitaciones como caudales. En base a
esto, es que la distribución Gamma y LogNormal, se transformaron en fuertes candidatas desde un
comienzo. Sin embargo, al ser los valores máximos los de mayor interés, la distribución Weibull se
posicionaba de igual forma como un buen candidato. Por su parte, la distribución Exponencial se
utiliza debido a que se ajusta bien a valores máximos anuales y mensuales tanto en precipitación
como caudales.

En base a los ajustes realizados, se determina en primera instancia que la distribución Exponencial
es descartada por minorar de forma más acentuada los valores máximos para ambos sets de datos
y en particular en el caso de las precipitaciones, es rechazada por el test de bondad Kolmogorov -
Smirnov. De las tres estaciones restantes, el criterio utilizado para la selección de la distribución
radica en los resultados de los test de bondad y los métodos utilizados (MME y MLE) para la
estimación de los parámetros en las distribuciones. En este punto es donde la distribución Gamma
toma ventaja y se escoge por presentar una menor variación en sus ajustes por ambos métodos,
por tanto, siendo la más estable. Sin embargo, al momento de evaluar los caudales máximos
anuales estos son subestimados por esta distribución, por contraparte, para precipitaciones
máximas en 24 horas los datos son sobrestimados.

Si bien la información entregada en los gráficos (Anexo 10 y 11) permite seleccionar la

distribución más adecuada, el uso de test de bondad de ajuste permite respaldar estos datos, lo
cual potencia y sostiene la selección. Desde la gráfica Q-Q se puede ver de forma clara la sobre
estimación de las precipitaciones máximas, lo cual es favorable, debido a que esto se asocia de

8 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

forma implícita a un factor de seguridad para eventos máximos de precipitaciones. De forma

contraria, los caudales máximos se ven subestimados por la distribución escogida, esto debe ser
considerado para la estimación de las crecidas máximas esperadas.

Respecto al cálculo de la precipitación máxima en 24 horas para periodos de retorno de 2, 5, 20,

50 y 100 años, los resultados DGA están por debajo de los calculados mediante los datos empíricos
para los primeros dos periodos mencionados. Sin embargo, para los periodos de 20, 50 y 100 años
estos aparecen por sobre los calculados. (Figura 4). Dentro de los factores que se consideran
incidentes en la obtención de estos resultados, existe la diferencia temporal entre los datos que
describen estos comportamientos, en donde por parte de la DGA se utiliza un manual de 1994 e
isoyetas de 1991, datos ubicados en el primer tercio de los utilizados para el cálculo mediante R.
De forma paralela, uno de los factores que produce una disminución en los periodos de retorno
calculados por R, es debido a los años considerados para el cálculo, en donde se toma en cuenta el
periodo de “Megasequía” (2010).

Periodo de retorno
Precipitacione Software R DGA
s (mm)
200
100; 172.08
20; 135.96 50; 156.6
150 5; 109.21
50; 149.25 100; 159.39
2; 86.02 20; 134.84
100
5; 103.08

50 2; 77.28

0
0 20 40 Años 60 80 100

Figura 3 Periodo de retorno precipitación máxima en 24 horas. Elaboración propia

La ubicación de la estación fluviométrica al interior del valle central, la altura, el clima, y las
temperaturas registradas en la zona son factores que propician a que el régimen de la estación sea
netamente pluvial, donde registra sus mayores caudales entre los meses de junio y agosto,
sobrepasando los 150 m3/s (Figura 3) (Cade-Idepe, 2004).

En la Figura 5, se observa de forma clara como las sequías han ido aumentado con el pasar de los
años en primera instancia el periodo comprendido desde 1966 hasta 1969 las estaciones con
sequía corresponden al 59%, más tarde, en el periodo desde 2010 hasta 2014 el porcentaje
asciende al 71%. En general, las estaciones pluviométricas ubicadas entre las regiones de
Coquimbo y La Araucanía poseen un déficit promedio superior al 30%, tomando como referencia
promedio de precipitaciones el periodo comprendido entre 1970-2000 (Centro de Ciencia del
Clima y la Resilencia (CR)2, 2015).

9 José Pablo Angulo – Bastián Burgos

Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Figura 4 Caudal medio mensual estación Estero Zambrano en puente El Niche. Elaboración propia

Figura 3 Estado pluviométrico estaciones zona central. Fuente: (CR)2

10 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Conjunto a la Figura 5, se observa en el Anexo 12 que las precipitaciones anuales para la estación
de Millahue han presentado tendencia a la baja a partir del año 2008 en adelante. Donde estas
tendencias a la baja se tienden a asociar con el fenómeno de La Niña, sin embargo, desde el 2010
al 2015 este evento no ha sido predominante, ya que se ha encontrado mayormente influenciado
bajo condiciones neutras. Donde la probabilidad de que al azar ocurra una secuencia de cinco años
secos como observada es extremadamente baja, por tanto, se intuye que hay factores climáticos
que han ayudado a la mantención e intensidad de la “megasequía”. Al año 2015 la fase fría de la
Oscilación Decadal del Pacífico, es uno de los fenómenos globales naturales que estarían
contribuyendo a mantener este déficit de precipitaciones (Center for Climate and Resilience
Research, 2015).

Esto ha generado un ambiente propicio para el inicio de incendios que amenazan con convertirse
en el siniestro de mayor magnitud en los últimos 50 años (Ahora noticias, 2017). En el Anexo 13 se
observa un reporte con todos los eventos de este tipo, en el cual se observa que la VI Región es la
más afectada por incendios forestales.

Consecuencia de lo expuesto, es necesario arraigar en el subconsciente colectivo el contexto que

se vive a nivel país. Como futuros ingenieros, debemos tener las competencias suficientes para
afrontar la realidad con la que nos encontraremos en el ámbito laboral, es necesario realizar
cuestionamientos que nos permitan plantear soluciones para la mitigación de estos efectos sobre
la población y el medio ambiente, siempre considerando que el cambio climático es un suceso que
escapa al control individual pero sus efectos no.

Referencias
 Ahora noticias. (20 de Enero de 2017). Ahoranoticias.cl. Obtenido de
http://www.ahoranoticias.cl/noticias/nacional/188697-bomberos-combate-incendio-
extremo-en-curacavi.html
 Burgos, B., & Andrade, J. (2017). Parámetros geomorfológicos y climograma Río Rapel.
Temuco.
 Cade-Idepe. (2004). Cuenca Del Río Rapel. Ministerio de Obras Públicas.
 Center for Climate and Resilience Research. (2015). La megasequía 2010-2015: Una
lección para el futuro. Santiago: (CR)2.
 Centro de Ciencia del Clima y la Resilencia (CR)2. (2015). La megasequía 2010-2015: Una
lección para el futuro. Santiago: (CR)2.
 Chile, C. d. (11 de Noviembre de 2017). www.cr2.cl. Obtenido de
http://www.cr2.cl/recursos-y-publicaciones/base-de-datos/
 Chow, V. T. (1994). Hidrología aplicada. Santafé de bogotá, Colombia: McGRAW W-HILL
INTERAMERICA, S.A.
 Cifuentes, M. (17 de Abril de 2016). www.veoverde.com. Obtenido de
https://www.veoverde.com/2016/04/desborde-del-rio-mapocho-deja-a-santiago-bajo-el-
agua/
 Comité Chileno para el Programa Hidrológico Internacional. (1986). Mapa Hidrológico de
Chile - Texto Explicativo. Santiago: Ministerio de Obras Publicas.

11 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

 DGA, Dirección General de Aguas. (1991). Precipitaciones máximas en 1, 2 y 3 Días.

Santiago.
 DGA,Dirección General de Aguas. (1995). Manual de calculo de crecidas y caudales
minimos en cuencas sin información fluviometrica. Santiago.
 Dutang, C., & Deignette - Muller, M. (2008). fitdistrplus. Journal of Statistical Software, 1-
34.
 Especial, I. (Dirección). (2011). La Guerra del Agua [Película].
 FAO. (2006). Análisis estadístico de los datos climáticos. Organización de las Naciones
Unidas para la Alimentación y la Agricultura. Recuperado el 15 de 11 de 2017
 Jardí, M. (1985). Forma de una cuenca de drenaje analisis de las varaibles morfométricas
que nos la definen. Revista de Geografía, vol. XIX, 44-68.
 La Tercera. (09 de Julio de 2015). http://codexverde.cl/cambio-climatico-clima-seriarido-
del-desierto-de-atacama-llegaria-en-400-anos-a-santiago/. Recuperado el 23 de
Septiembre de 2017, de http://codexverde.cl/: http://codexverde.cl/cambio-climatico-
clima-seriarido-del-desierto-de-atacama-llegaria-en-400-anos-a-santiago/
 Laure, M., Muller, D., & Dutang, C. (2008). fitdistrplus.
 Meyer, D., Dimitriadou, E., Hornik, K., Weingelssel, A., & Leisch, F. (2017). e1071: Misc
Functions of the Department of Statics, Probability Theory Group. Obtenido de
https://CRAN.R-project.org/package=e1071
 Pontificia Universidad Católica de Chile. (s.f.). www7.uc.cl. Recuperado el 22 de
Septiembre de 2017, de http://www7.uc.cl/sw_educ/geografia/cartografiainteractiva:
http://www7.uc.cl/sw_educ/geografia/cartografiainteractiva/Inicio/Paginas/UntitledFram
eset-1.htm
 R Core Team (2017). (2017). R Foundation for Statistical Computing. R: A language and
environment for statistical computing. Vienna, Austria. Obtenido de https://www.R-
project.org/.
 Shah, A., Zeileis, A., & Grothndieck, G. (2005). zoo.
 Shah, A., Zeileis, A., & Grothndieck, G. (2005). zoo. Journal of Statical , 1-27.
 Stowhas, L. (2017). Fundamentos De Hidrología Aplicada. Valparaíso: USM.
 Stowhas, L. (2017). Fundamentos de Hidrología Aplicada . Editorial USM.
 Wikipedia. (19 de Noviembre de 2017). es.wikipedia.org. Obtenido de
https://es.wikipedia.org/wiki/Efectos_del_temporal_del_norte_de_Chile_de_2015_en_At
acama
 Wikipedia. (2017). Wikipedia.org. Obtenido de
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Weibull
 Zambrano, M. (06 de Noviembre de 2017). Ajustando una distribución de probabilidad.
Temuco, Chile.
 Zambrano, M. (31 de Octubre de 2017). Uso de distribuciones de probabilidad en
Hidrología. Clase 09a. Temuco, Chile.
 Zambrano-Bigiarini, M. (7 de Agosto de 2017). hydroTSM.
 Zambrano-Bigiarini, M. (7 de Agosto de 2017). hydroTSM: Time Series Management,
Analysis and Interpolation for Hydrological Modelling. Obtenido de
https://github.com/hzambran/hydroTSM

12 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Anexos
Anexo 1: Homogenización de estaciones. Elaboración propia.

Anexo 2: Datos característicos por estación. Elaboración propia.

Institución DGA DGA DGA
Código Estación (BNA) 6015003 6013005 6016004
Tipo Estación Pluviométrica Pluviométrica Pluviométrica
Nombre Rengo Popeta San Fernando
Fuente DGA_Web DGA_Web DGA_Web
Elevación (m.s.n.m) 310 480 350
Latitud -34,4217 -34,4369 -34,5983
Longitud -70,8667 -70,7794 -70,9686
Nombre Cuenca Río Rapel Río Rapel Río Rapel
Código Cuenca 601 601 601
Cachapoal Cachapoal Cachapoal
Nombre Sub-Cuenca
Bajo Bajo Bajo
Inicio Observaciones 01-01-1971 01-01-1970 01-09-1971
Fin Observaciones Vigente Vigente Vigente
Cantidad Observaciones 16426 17013 16833

13 José Pablo Angulo – Bastián Burgos

Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Anexo 3: Elaboración propia

Anexo 4: Parámetros distribuciones de Probabilidad. Elaboración propia.

Millahue Estero Zamorano
Distribución Parameter Estimate Std. Error Estimate Std. Error
Meanlog 4,443 - 5,1 -
LogNormal
SdLog 0,284 - 0,7833 -
Shape 11,922 - 1,1805 -
Gamma
Rate 0,1345 - 0,0034 -
Shape - - - -
Weibull
Scale - - - -
Exponencial Rate 0,0113 - 0,0029 -

14 José Pablo Angulo – Bastián Burgos

 Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Anexo 5: Coeficientes de duración y Frecuencia para las diferentes zonas homogéneas.

Fuente: (DGA,Dirección General de Aguas, 1995)

Anexo 6: Coeficientes de duración para localidades Chilenas.

Fuente: (DGA,Dirección General de Aguas, 1995)

Anexo 7: Isoyetas para precipitación máxima en 24 con periodo retorno de 10 Años.

Fuente: (DGA, Dirección General de Aguas, 1991)

15 José Pablo Angulo – Bastián Burgos

Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Anexo 8: Histograma para Estación Millahue

Fuente: Elaboración propia.

Anexo 9: Histograma para Estación Millahue

Fuente: Elaboración propia.

16 José Pablo Angulo – Bastián Burgos

Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Anexo 10: CDF; Histograma; Q-Q Plot para Estación Millahue

Fuente: Elaboración propia.

17 José Pablo Angulo – Bastián Burgos

Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Anexo 11: CDF; Histograma; Q-Q Plot para Estación Estero Zamorano
Fuente: Elaboración propia.

18 José Pablo Angulo – Bastián Burgos

Universidad de la Frontera – Facultad de Ingeniería y Ciencias Aplicadas – IIIO352
Departamento de Obras Civiles

Anexo 12: Precipitaciones anuales.

Fuente: Elaboración propia.

Anexo 13: Reporte de incendios forestal.

Fuente: (Ahora noticias, 2017)

19 José Pablo Angulo – Bastián Burgos